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】
本专利技术涉及数据挖掘,尤其涉及一种多任务个性化行为模式的位置预测方法。
技术介绍
1、在基于位置的社交网络中,用户可以通过签到等行为记录他们在现实世界中访问的场所。随着无线通信和定位技术的发展,基于位置的社交网络产生了大量的数据积累,使用基于位置的社交网络中的用户会希望去探索游玩这些位置,根据自己的个人喜好在海量的位置之中做出选择,但是在实际应用中每个用户之前的访问或者签到轨迹可能只会覆盖极少部分位置。面对海量可供用户选择的场所,如何选择自己感兴趣的场所成为了一个关键问题。在这种情况下,用户势必会希望基于位置的社交网络根据他们的历史访问和签到数据来对他们进行预测,帮助用户进行选择。那么基于位置的社交网络利用自己所存储的用户过往数据,结合用户当前的位置以及时间信息,预测用户可能感兴趣的位置的行为就被称为位置预测。在位置预测任务中,有多个查询条件可以考虑。一种常见的查询条件是基于给定的时间来预测用户的下一个位置,以提供实时的预测体验。另一种查询条件是为每个用户预测未访问的位置,以帮助用户发现新的地点和体验。这些查询条件可以根据用户的需求和特定的应用场景进行定制。
2、先前的研究表明,并没有位置预测模型可以同时解决不同的用户需求,其主要原因在于不同任务之间的性质差异、用户数据的稀疏性和冷启动问题。首先在不同任务之间的差异可能不仅仅体现在数据上,还可能涉及到任务目标、用户期望和预测内容的类型。这种异构性使得设计一个通用的跨任务位置预测系统更加具有挑战性。此外,在跨不同任务的情况下,用户的移动行为数据可能非常稀疏,因为用户在
技术实现思路
1、本专利技术旨在至少解决相关技术中存在的技术问题之一。为此,本专利技术提供一种多任务个性化行为模式的位置预测方法。
2、本专利技术提供一种多任务个性化行为模式的位置预测方法,包括:
3、s1:采集用户的历史位置轨迹,对所述历史位置轨迹进行编码,获得轨迹嵌入表示;
4、s2:基于用户未提交的位置记录建立辅助轨迹模拟,获得辅助嵌入表示,通过所述辅助嵌入表示对所述轨迹嵌入表示进行数据增强,获得增强嵌入表示;
5、s3:根据所述增强嵌入表示建立协同位置转移图并构建图神经网络,通过所述图神经网络进行特征建模获得用户轨迹特征;
6、s4:通过对比学习网络,将多个预测任务下分别获得的用户轨迹特征和引入的用户的个性化行为模式特征进行可迁移特征学习,获得个性化行为特征;
7、s5:根据所述个性化行为特征对所述图神经网络进行训练,基于训练后的图神经网络输出用户的偏好得分,以完成用户的位置预测。
8、根据本专利技术提供的一种多任务个性化行为模式的位置预测方法,步骤s2进一步包括:
9、s21:采集用户未提交的位置记录;
10、s22:根据所述位置记录构建协同邻居特征矩阵,并对所述协同邻居特征矩阵进行归一化;
11、s23:根据归一化后的协同邻居特征矩阵构建辅助位置嵌入,获得辅助嵌入表示;
12、s24:通过所述辅助嵌入表示对所述轨迹嵌入表示进行数据增强,获得增强嵌入表示。
13、根据本专利技术提供的一种多任务个性化行为模式的位置预测方法,步骤s22中的归一化后的协同邻居特征矩阵的表达式为:
14、
15、其中,为归一化后的协同邻居特征矩阵,为第个位置作为访问第个位置的记录的邻居记录的概率,为用户未提交的位置记录的数据集中的位置个数;
16、步骤s24中的所述增强嵌入表示的表达式为:
17、
18、其中,为第个位置的增强嵌入表示,为第个位置的轨迹嵌入表示。
19、根据本专利技术提供的一种多任务个性化行为模式的位置预测方法,步骤s3中,所述协同位置转移图的节点为用户位置,所述协同位置转移图的边为用户位置间的转移关系。
20、根据本专利技术提供的一种多任务个性化行为模式的位置预测方法,步骤s3进一步包括:
21、s31:根据所述增强嵌入表示建立协同位置转移图;
22、s32:将所述协同位置转移图中的关系转换为全局关系矩阵,并进行归一化;
23、s33:对归一化后的全局关系矩阵进行嵌入学习,获得所述图神经网络;
24、s34:通过所述图神经网络进行特征建模,获得用户轨迹特征。
25、根据本专利技术提供的一种多任务个性化行为模式的位置预测方法,步骤s33中,对归一化后的全局关系矩阵进行嵌入学习的计算式为:
26、
27、
28、
29、其中,为在时刻经过全局转移关系矩阵计算后的得到轨迹嵌入表示对应的隐藏状态表示,为归一化后的全局关系矩阵,为第个位置在第时刻的嵌入表示,为第一可学习参数,为第二可学习参数,为通过图神经网络对进行状态更新后的位置嵌入表示,表示图神经网络中的门控循环单元,为在时刻经过全局转移关系矩阵计算后的得到轨迹嵌入表示对应的隐藏状态表示,为归一化后的协同邻居特征矩阵,为将通过协同邻居特征矩阵生成新状态的辅助位置嵌入。
30、根据本专利技术提供的一种多任务个性化行为模式的位置预测方法,步骤s4中,所述对比学习网络进行可迁移特征学习获得的损失的表达式为:
31、
32、其中,为对比学习网络进行可迁移特征学习获得的损失,为属于第个用户的所有子轨迹条数,为子轨迹条数索引值,为sigmoid函数,为辨识函数,为子轨迹与辅助子轨迹对于未访问位置预测和下一个位置预测这两个任务的嵌入集合,为第个用户可迁移个性化行为模式嵌入表示,为对应的负样本,为对应的负样本。
33、根据本专利技术提供的一种多任务个性化行为模式的位置预测方法,步骤s5中,用于所述图神经网络的总损失的表达式为:
34、
35、
36、
37、其中,为用于所述图神经网络的总损失,为未访问位置预测任务中的损失值,为下一位置预测任务中的损失值,为辅助子轨迹损失值对应的权重,为下一位置预测子轨迹损失值对应的权重,为迁移个性化行为模式对应的权重,为未访问位置预测任务中的子轨迹对应的损失值,为下一位置预测任务中的子轨迹对应的损失值,为未访问位置预测任务中的辅助子轨迹对应的损失值,为下一位置预测任务中的辅助子轨迹对应的损失值。
38、根据本专利技术提供的一种多任务个性化行为模式的位置预测方法,步骤s5中获得的用户的偏好得分的表达式为:
39、
40、
41、其中,为第个用户在未访问位置预测任务中的偏好得分,为第个用户在下一位置预测任务中的偏好得分,为当前子轨迹在所有子轨迹中的权重,为当前辅助子轨迹最终本文档来自技高网...
【技术保护点】
1.一种多任务个性化行为模式的位置预测方法,其特征在于,包括:
2.根据权利要求1所述的一种多任务个性化行为模式的位置预测方法,其特征在于,步骤S2进一步包括:
3.根据权利要求2所述的一种多任务个性化行为模式的位置预测方法,其特征在于,步骤S22中的归一化后的协同邻居特征矩阵的表达式为:
4.根据权利要求1所述的一种多任务个性化行为模式的位置预测方法,其特征在于,步骤S3中,所述协同位置转移图的节点为用户位置,所述协同位置转移图的边为用户位置间的转移关系。
5.根据权利要求1所述的一种多任务个性化行为模式的位置预测方法,其特征在于,步骤S3进一步包括:
6.根据权利要求5所述的一种多任务个性化行为模式的位置预测方法,其特征在于,步骤S33中,对归一化后的全局关系矩阵进行嵌入学习的计算式为:
7.根据权利要求1所述的一种多任务个性化行为模式的位置预测方法,其特征在于,步骤S4中,所述对比学习网络进行可迁移特征学习获得的损失的表达式为:
8.根据权利要求1所述的一种多任务个性化行为模式的位置预测方法
9.根据权利要求7所述的一种多任务个性化行为模式的位置预测方法,其特征在于,步骤S5中获得的用户的偏好得分的表达式为:
...【技术特征摘要】
1.一种多任务个性化行为模式的位置预测方法,其特征在于,包括:
2.根据权利要求1所述的一种多任务个性化行为模式的位置预测方法,其特征在于,步骤s2进一步包括:
3.根据权利要求2所述的一种多任务个性化行为模式的位置预测方法,其特征在于,步骤s22中的归一化后的协同邻居特征矩阵的表达式为:
4.根据权利要求1所述的一种多任务个性化行为模式的位置预测方法,其特征在于,步骤s3中,所述协同位置转移图的节点为用户位置,所述协同位置转移图的边为用户位置间的转移关系。
5.根据权利要求1所述的一种多任务个性化行为模式的位置预测方法,其特征在于,步骤s3...
【专利技术属性】
技术研发人员:潘璇,刘丽哲,周旻萱,蔡祥睿,徐思涵,袁晓洁,
申请(专利权)人:南开大学,
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。