【技术实现步骤摘要】
基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法
[0001]本专利技术涉及推荐系统兴趣点
,具体指一种基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法。
技术介绍
[0002]近年来,配置有GPS(全球定位系统)模块的移动智能设备数量激增,时空位置服务已成为重要发展趋势。Foursquare、Gowalla、Yelp等基于位置社交网络服务(Location
‑
Based Social Network,LBSN)迅猛发展。人们通过签到方式记录感兴趣的兴趣点(POIs,points of interest)。兴趣点推荐通过用户签到数据,分析其历史交互行为,进一步计算其偏好,帮助推荐系统更准确地为其进行兴趣点推荐。
[0003]目前,推荐方法,包括协同过滤(CF)、基于内容(CB)方法、上下文感知方法和其混合方法,已成功应用在许多领域,如电影/视频推荐,和音乐推荐。兴趣点推荐已有很多工作。
[0004]现有兴趣点推荐方法仍存在不足:在许多LBSN服务和应用程序中,只考虑序列信息,忽略空间坐标信息;有程序同时考虑时间信息和空间坐标信息,忽略时空关联性,这会丢失关键信息。将时间和空间信息融入循环神经网络中,又因RNN超强假设,签到序列中相邻签到行为会相互依赖,易产生错误依赖关系,影响推荐结果。
技术实现思路
[0005]本专利技术针对现有兴趣点推荐不足,提出了一种基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法,设计了一个多变量Hawkes
【技术保护点】
【技术特征摘要】
1.一种基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法,其特征在于,S1、从原始数据中抽取有效数据,构建用户
‑
兴趣点交互数据;S2、根据用户
‑
兴趣点交互数据,通过元素级乘法操作构建用户访问兴趣点事件发生概率的基础强度;并通过逐元素相乘构建用户行为序列中的历史序列对当前兴趣点的初始激发程度向量;S3、计算用户对历史行为的注意力权重S3
‑
1、将用户u历史访问兴趣点h的特征表示矩阵v
u,h
输入线性层(v
u,h
W
h
+b
h
),其中为可训练模型参数,再经过非线性激活函数relu(),获得历史访问序列隐特征表示矩阵公式为:Hvec
u,h
=relu(v
u,h
W
h
+b
h
);S3
‑
2、将用户u的特征表示向量v
u
与历史访问序列隐特征表示矩阵Hvec
u,h
相乘经过Softmax()函数获得用户u对不同历史兴趣点注意力向量公式为:att
u,h
=Softmax(Hvec
u,h
v
u
);S4、通过基于注意力自适应方法来利用和融合用户偏好,进而确定用户长短期偏好动静态权重、长期偏好静态权重和短期偏好动态权重;S5、构建关于用户的指数核函数,其计算过去事件发生对当前事件发生的历史影响随时间及空间的指数衰减K
u
(t
‑
t
h
,s
‑
s
h
);S6、采用多变量Hawkes时空点过程对用户行为序列建模,所构建模型表达式如下:根据历史序列预测、推荐她、他下一个兴趣点,将上述结果带入模型中,其中是在时刻t时,用户u更偏好s位置处兴趣点i的概率;μ
u,i
是用户u访问兴趣点i事件发生概率的基础强度;是用户u的长期偏好静态权重;是用户u的短期偏好动态权重;att
u,h
是用户u对不同历史兴趣点注意力向量;α
u,h,i
是用户u行为序列中的历史序列h对当前兴趣点i的初始激发程度向量;S7计算用户u在时刻t对兴趣点i
′
感兴趣的概率,对于每个兴趣点i
′
∈I,条件分布p
i
′
|u
(s,t)在整个兴趣点集合I上,公式为:S8对用户u在时刻t采样负样本,负样本为兴趣点特征表示,用负样本兴趣点k
′
特征表示替换上述i
′
特征表示为S9计算损失,并对Hawkes时空点过程参数进行优化。2.根据权利要求1所述的基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法,其特征在于,所述步骤S1的具体方法为:
令S
u
为用户u的访问序列,(u,i,t,s)∈S
u
,S
u
∈S,其中S为所有用户的访问序列,u∈U,i∈I,其中U为所有用户集合,I为所有兴趣点集合,u为用户编号,i为兴趣点编号,t为用户u访问兴趣点i的时刻,s为兴趣点i的位置,将用户访问序列S
u
送入交互序列嵌入模块,分别构建用户u和兴趣点i的特征表示。3.根据权利要求2所述的基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法,其特征在于,所述步骤S2中的基础强度的获取方法:从用户
‑
兴趣点交互数据中提取用户u的特征表示向量和t时刻用户u访问兴趣点i的特征表示向量并进行元素级乘法操作,并沿着第一个batch维求和,获得v
u
和v
u,t,i
之间相关性得分μ
u,i
,即用户u访问兴趣点i事件发生概率的基础强度4.根据权利要求2所述的基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法,其特征在于,所述步骤S2中初始激发程度向量的获取方法为:从用户
‑
兴趣点交互数据中提取用户u历史访问兴趣点h的特征...
【专利技术属性】
技术研发人员:李尤慧子,韦余欣,张新,殷昱煜,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。