System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本文件涉及计算机,尤其涉及一种多通道交互学习兴趣点推荐模型的构建方法及装置。
技术介绍
1、基于位置的社交网络是一种通过移动设备的位置信息连接用户和兴趣点的网络,兴趣点推荐是利用用户在社交网络中大量位置签到数据,挖掘大规模位置数据背后隐藏的用户生活模式和个人偏好,是社交网络推荐中重要的服务之一。
2、相关技术中,往往使用复杂的辅助信息丰富用户和兴趣点的特征表示,以缓解用户-兴趣点签到矩阵面临的高度稀疏问题,但现有技术构建的辅助信息本身具有异构性,导致兴趣点推荐难以有效利用辅助信息;此外在交互学习中通常使用单一的矩阵分解或深度神经网络,无法有效捕捉用户和兴趣点之间交互的复杂结构,也无法有效处理隐式反馈问题。
3、综合以上该
发展状况分析,现有的技术方案中缺少集成多视角语义特征并利用注意力机制区分的辅助信息构建,以及利用广义矩阵分解和卷积约束的多头自注意力机制深度神经网络学习交互特征的模型。
技术实现思路
1、本专利技术的目的在于提供一种多通道交互学习兴趣点推荐模型的构建方法及装置,旨在解决现有技术中的上述问题。
2、根据本专利技术实施例的第一方面,提供一种多通道交互学习兴趣点推荐模型的构建方法,包括:
3、使用嵌入法将用户初始向量和兴趣点初始向量映射到隐式向量空间,分别得到用户内部特征和兴趣点内部特征;
4、聚集用于推荐的元路径中用户邻居对和兴趣点邻居对,得到多个元路径对应的用户初始同构网络和兴趣点初始同构网络;通过可
5、利用注意力机制分别聚集多个元路径上的用户潜在表示和兴趣点潜在表示,得到用户多视角语义特征和兴趣点多视角语义特征;
6、将用户内部特征与用户多视角语义特征融合得到用户综合特征,将兴趣点内部特征和兴趣点多视角语义特征融合得到兴趣点综合特征;
7、将用户综合特征和兴趣点综合特征输入广义矩阵分解,得到低阶线性向量,将用户综合特征和兴趣点综合特征输入卷积约束的多头自注意力机制深度神经网络,得到高阶非线性向量,将低阶线性向量和高阶非线性向量在预测层融合,得到多通道交互学习兴趣点推荐模型。
8、根据本专利技术实施例的第二方面,提供一种多通道交互学习兴趣点推荐模型的构建装置,包括:
9、嵌入模块,用于使用嵌入法将用户初始向量和兴趣点初始向量映射到隐式向量空间,分别得到用户内部特征和兴趣点内部特征;
10、潜在表示生成模块,用于聚集用于推荐的元路径中用户邻居对和兴趣点邻居对,得到多个元路径对应的用户初始同构网络和兴趣点初始同构网络;通过可调参相似度调节用户初始网络和兴趣点初始同构网络中节点间相似度,得到用户加权同构网络和兴趣点加权同构网络;利用随机游走算法将用户加权同构网络和兴趣点加权同构网络投影至低维空间,得到用户潜在表示和兴趣点潜在表示;
11、潜在表示聚集模块,用于利用注意力机制分别聚集多个元路径上的用户潜在表示和兴趣点潜在表示,得到用户多视角语义特征和兴趣点多视角语义特征;
12、综合特征融合模块,用于将用户内部特征与用户多视角语义特征融合得到用户综合特征,将兴趣点内部特征和兴趣点多视角语义特征融合得到兴趣点综合特征;
13、多通道交互构建模块,用于将用户综合特征和兴趣点综合特征输入广义矩阵分解,得到低阶线性向量,将用户综合特征和兴趣点综合特征输入卷积约束的多头自注意力机制深度神经网络,得到高阶非线性向量,将低阶线性向量和高阶非线性向量在预测层融合,得到多通道交互学习兴趣点推荐模型。
14、根据本专利技术实施例的第三方面,提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该计算机程序被处理器执行时实现如本公开第一方面所提供的多通道交互学习兴趣点推荐模型的构建方法的步骤。
15、根据本专利技术实施例的第四方面,提供一种计算机可读存储介质,其上存储有信息传递的实现程序,该程序被处理器执行时实现本公开第一方面所提供的的多通道交互学习兴趣点推荐模型构建方法的步骤。
16、本专利技术实施例提供的技术方案包括以下有益效果:利用注意力机制聚集多个元路径上的同构网络形成的加权同构网络对应的潜在表示,丰富了用户和兴趣点的特征表示,且有效缓解了数据稀疏及辅助信息的异构特性;利用广义矩阵分解和卷积约束的多头自注意力机制深度神经网络学习用户和兴趣点之间的特征交互,有效缓解了隐式反馈问题。
17、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
本文档来自技高网...【技术保护点】
1.一种多通道交互学习兴趣点推荐模型的构建方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
3.根据权利要求1所述的方法,其特征在于,所述聚集用于推荐的元路径中用户邻居对和兴趣点邻居对,得到多个元路径对应的用户初始同构网络和兴趣点初始同构网络具体包括:
4.根据权利要求1所述的方法,其特征在于,所述通过可调参相似度调节所述用户初始同构网络和所述兴趣点初始同构网络中节点间相似度,得到用户加权同构网络和兴趣点加权同构网络具体包括:
5.根据权利要求1所述的方法,其特征在于,所述利用注意力机制分别聚集多个元路径上的所述用户潜在表示和所述兴趣点潜在表示,得到用户多视角语义特征和兴趣点多视角语义特征具体包括:
6.根据权利要求1所述的方法,其特征在于,所述将所述用户综合特征和所述兴趣点综合特征输入广义矩阵分解,得到低阶线性向量具体包括:
7.根据权利要求1所述的方法,其特征在于,所述将所述用户综合特征和所述兴趣点综合特征输入卷积约束的多头自注意力机制深度神经网络,得到高阶非线性向
8.一种多通道交互学习兴趣点推荐模型的构建装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的多通道交互学习兴趣点推荐模型的构建方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至7中任一项所述的多通道交互学习兴趣点推荐模型的构建方法的步骤。
...【技术特征摘要】
1.一种多通道交互学习兴趣点推荐模型的构建方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
3.根据权利要求1所述的方法,其特征在于,所述聚集用于推荐的元路径中用户邻居对和兴趣点邻居对,得到多个元路径对应的用户初始同构网络和兴趣点初始同构网络具体包括:
4.根据权利要求1所述的方法,其特征在于,所述通过可调参相似度调节所述用户初始同构网络和所述兴趣点初始同构网络中节点间相似度,得到用户加权同构网络和兴趣点加权同构网络具体包括:
5.根据权利要求1所述的方法,其特征在于,所述利用注意力机制分别聚集多个元路径上的所述用户潜在表示和所述兴趣点潜在表示,得到用户多视角语义特征和兴趣点多视角语义特征具体包括:
6.根据权利要求1所述的方法,其特征在于,所述将所述用户...
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。