一种基于多元关系时空网络的POI推荐方法，装置及设备制造方法及图纸

本发明专利技术公开了一种基于多元关系时空网络的POI推荐方法，包括：S11、获取LBSN中的用户信息，POI与用户的历史轨迹；S12、根据POI和历史轨迹构建多种显式POI关系图，基于超图架构以自适应学习显式POI关系的隐式关系，以获得所有POI对应的候选POI嵌入向量集合；S13、根据用户上一次签到的时空位置，从历史轨迹获取相同时空位置的签到集合并将所述签到集合加入当前轨迹中，以获得增强轨迹；S14、根据所述增强轨迹构建对应的时空关联矩阵，以获得轨迹嵌入向量；S15、根据所述轨迹嵌入向量与所述候选POI嵌入向量集合进行预测，以获得POI推荐结果。本发明专利技术还提供了一种POI装置和设备。本发明专利技术的方法可以有效提高POI推荐的准确度。的方法可以有效提高POI推荐的准确度。的方法可以有效提高POI推荐的准确度。

【技术实现步骤摘要】
一种基于多元关系时空网络的POI推荐方法，装置及设备


[0001]本专利技术属于互联网
，一种基于多元关系时空网络的POI推荐方法，装置及设备。

技术介绍

[0002]随着基于位置的社交网络(LBSN)日益普及，如Foursquare、Facebook等，用户在兴趣点(POI)的签到数据逐渐增加，产生了海量包含用户行为和偏好的POI轨迹信息。这些信息可以支持各种基于位置的个性化服务，POI推荐是其中重要的一种。它的目的是根据用户历史轨迹中的偏好信息预测其即将访问的POI。POI推荐不仅可以帮助用户规划出行，也有利于POI持有者投放广告吸引目标群体。
[0003]在POI推荐中，不仅需要考虑顺序模式、轨迹之中的时空信息，还需要考虑不同POI之间的多元关系，因此，设计一种基于多元关系时空网络的POI推荐方法已经成为学术界和工业界的迫切需要。
[0004]在实现本专利技术的过程中，专利技术人发现现有技术中至少存在如下问题：
[0005]首先，他们未能完全利用LBSN中可用的丰富信息，包括POI之间的多元关系和用户轨迹中的个性化移动模式，使得学习到的POI和轨迹表征所包含的信息量不足，使得最后的推荐不够准确。其次，由于计算资源有限，现有方法往往只选取最近的一段子轨迹进行计算，造成长期历史记录的遗漏，从而忽略了有关用户长期移动模式的信息。
[0006]专利文献CN115795182A公开了一种基于图卷积网络的下一个POI推荐方法，首先生成了用户嵌入、POI嵌入、时间嵌入、类别嵌入、相对位置嵌入的初始化嵌入层。然后，基于图卷积网络、注意力机制、前馈层搭建了卷积层。最后，通过得到的用户特征和POI特征进行内积操作，得到用户对POI的偏好。该方法通过构建图卷积网络对用户的信息进行分析，但是该方法全程都需要对整个历史轨迹进行处理，对于运算能力要求较高。
[0007]专利文献CN115130018A公开一种区分用户探索性模式和时空重访问模式的POI推荐方法及装置，该方法首先建模了用户在探索性模式下的偏好和用户的时空重访问模式下的偏好，利用时间间隔和空间间隔计算了时空相关性系数，接着分别计算了两种模式下POI候选集中所有POI的评分。然后计算了探索性模式和时空重访问模式的转换概率，最后结合两种模式下POI的评分和两种模式的转换概率计算了最终的POI推荐得分，对最终的POI推荐得分进行排序选择，推荐得分最高的前N个POI。该方法需要对区域内所有用户的历史数据进行分析，但未考虑长期历史记录的遗漏，从而忽略了有关用户长期移动模式的信息。

技术实现思路

[0008]针对现有技术的不足，本专利技术实施例的目的是提供一种基于多元关系时空网络的POI推荐方法，装置及设备，在充分发掘LBSN中时空信息的同时高效利用长期历史记录，提高POI推荐的准确度。
[0009]根据本专利技术实施例的目的第一个方面，提供了一种基于多元关系时空网络的POI
推荐方法，包括：
[0010]S11、获取LBSN中的用户信息，POI与用户的历史轨迹，所述历史轨迹由多个签到组成，其中每个签到为一组包含时空信息的三元组。
[0011]所述POI包括兴趣点的名称、类别、坐标和分类。
[0012]S12、根据POI和历史轨迹构建多种显式POI关系图，基于超图架构以自适应学习显式POI关系的隐式关系，以获得所有POI对应的候选POI嵌入向量集合。
[0013]S13、根据用户上一次签到的时空位置，从历史轨迹获取相同时空位置的签到集合并将所述签到集合加入当前轨迹中，以获得增强轨迹。
[0014]S14、根据所述增强轨迹构建对应的时空关联矩阵，以获得轨迹嵌入向量。
[0015]S15、根据所述轨迹嵌入向量与所述候选POI嵌入向量集合进行预测，以获得POI推荐结果。
[0016]具体的，在S12中，所述候选POI嵌入向量集合的构建过程如下：
[0017]S21、为每个POI初始化可学习的嵌入向量；
[0018]S22、判断每两个POI中地理位置的距离，若小于地理距离阈值则作为邻居节点以构建距离关系图；
[0019]S23、基于历史轨迹中连续两个签到作为邻居节点以构建关系图，并根据签到的时空信息将节点替换为对应的POI，以获得转换关系图；
[0020]S24、基于距离关系图和转换关系图进行加权融合，以获得候选POI嵌入向量集合。
[0021]具体的，在S13中，所述增强轨迹的获取过程如下：
[0022]S31、根据历史轨迹创建对应的时空记录表；
[0023]S32、根据用户上一次签到的时空位置，将对应的时间和地理信息分别映射到高维的嵌入表示；
[0024]S33、根据获得的嵌入表示，采用KNN聚类方法在所述时空记录表中进行聚合搜索，以获得相似的历史签到；
[0025]步骤3
‑
4、将所述历史签到与当前轨迹组合，以获得增强轨迹。
[0026]具体的，S14中，所述时空关联矩阵基于增强轨迹中各签到之间的时间与空间间隔，采用线性插值法构建获得。
[0027]具体的，在S14中，所述轨迹嵌入向量采用添加时空信息拓展的自注意力机制计算获得。
[0028]具体的，在S15中，所述POI推荐结果的获取过程如下：
[0029]S51、采用分数计算函数，对获取的轨迹嵌入向量与所有候选POI嵌入向量进行计算，获取与候选POI嵌入向量对应的概率分数；
[0030]S52、根据所述概率分数对候选POI嵌入向量进行排序，以获得前TOP
‑
K个POI作为POI推荐结果输出。
[0031]根据本专利技术实施例的目的第二个方面，提供一种POI推荐装置，通过上述的基于多元关系时空网络的POI推荐方法实现，包括：
[0032]获取模块，用于获取LBSN中的用户、POI与用户的历史轨迹。
[0033]构建模块，用于根据POI和历史轨迹，生成对应的多种显式POI关系图。
[0034]POI嵌入模块，基于生成的多种显式POI关系图，融合得到候选POI嵌入向量集合。
[0035]时空增强模块，用于生成增强轨迹与对应的时空关联矩阵。
[0036]轨迹嵌入模块，用于利用时空关联矩阵和增强轨迹学习轨迹表征，得到轨迹嵌入向量。
[0037]推荐模块，用于利用轨迹嵌入向量与所有的候选POI嵌入向量进行概率分数计算并排名，得到最终POI推荐结果。
[0038]根据本专利技术实施例的目的第三个方面，提供一种电子设备，包括：
[0039]一个或多个处理器。
[0040]存储器，用于存储一个或多个程序。
[0041]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的基于多元关系时空网络的POI推荐方法。
[0042]与现有技术相比，本专利技术的有益效果：
[0043](1)构建了一个数据驱动的超图结构来捕获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多元关系时空网络的POI推荐方法，其特征在于，包括：S11、获取LBSN中的用户信息，POI与用户的历史轨迹，所述历史轨迹由多个签到组成，其中每个签到为一组包含时空信息的三元组；S12、根据POI和历史轨迹构建多种显式POI关系图，基于超图架构以自适应学习显式POI关系的隐式关系，以获得所有POI对应的候选POI嵌入向量集合；S13、根据用户上一次签到的时空位置，从历史轨迹获取相同时空位置的签到集合并将所述签到集合加入当前轨迹中，以获得增强轨迹；S14、根据所述增强轨迹构建对应的时空关联矩阵，以获得轨迹嵌入向量；S15、根据所述轨迹嵌入向量与所述候选POI嵌入向量集合进行预测，以获得POI推荐结果。2.根据权利要求1所述的基于多元关系时空网络的POI推荐方法，其特征在于，在S12中，所述候选POI嵌入向量集合的构建过程如下：S21、为每个POI初始化可学习的嵌入向量；S22、判断每两个POI中地理位置的距离，若小于地理距离阈值则作为邻居节点以构建距离关系图；S23、基于历史轨迹中连续两个签到作为邻居节点以构建关系图，并根据签到的时空信息将节点替换为对应的POI，以获得转换关系图；S24、基于距离关系图和转换关系图进行加权融合，以获得候选POI嵌入向量集合。3.根据权利要求1所述的基于多元关系时空网络的POI推荐方法，其特征在于，在S13中，所述增强轨迹的获取过程如下：S31、根据历史轨迹创建对应的时空记录表；S32、根据用户上一次签到的时空位置，将对应的时间和地理信息分别映射到高维的嵌入表示；S33、根据获得的嵌入表示，采用KNN聚类方法在所述时空记录表中进行聚合搜索，以获得相似的历史签到；S34、将所述历史签到与当前轨迹组合，以获得增强轨迹。4.根据...

【专利技术属性】
技术研发人员：高云君，孙琦晨，陈璐，房子荃，吴东恩，
申请(专利权)人：浙江大学，
类型：发明
国别省市：