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】
本专利技术涉及计算机智能,尤其涉及一种多级聚合超图网络的位置推荐方法。
技术介绍
1、随着基于位置社交网络的广泛应用,位置推荐成为了热门研究。位置推荐可以有效地缓解信息过载的问题,可以根据用户的偏好,帮助用户找到有吸引力的位置,提升用户体验。传统的位置推荐方法主要是采用马尔科夫链与矩阵分解的方法来建模位置转移,从而用来估计位置点之间的转移概率,尽管使用传统的推荐方法可以从用户的历史签到序列中学习到不同用户的偏好,但在构建模型的时候,由于无法处理高阶数据稀疏性问题,导致很难从高阶稀疏的转换矩阵中提取到用户的偏好。随着智能技术出现,利用深度学习进行位置推荐成为主要趋势,尤其是基于循环神经网络、长短期记忆网络和门控循环单元的推荐方法。以上的方法虽然可以取得一定的效果,但在进行距离建模时,只考虑了较近范围内位置点之间的关联性,而忽视了较远位置点也可能与当前位置点有一定关联的因素,进而导致推荐准确度不高的问题。因此,高准确度位置推荐方法研究成为了亟待解决的关键技术。
技术实现思路
1、针对现有技术的不足,本专利技术提供一种多级聚合超图网络的位置推荐方法;根据用户的签入序列,构建多级超图结构(fd-hgnn)对位置点之间的距离特征进行聚合;构建无向加权图结构(t-gcn)对位置点之间的转移特征进行聚合,并通过一个超参数控制距离特征和转移特征的贡献,得到位置点的综合表示,接着在构建位置点综合表示的重编码多头注意力机制时,通过融合时空信息,完成用户的时空偏好建模,根据时空偏好模型,向用户推荐在下一
2、一种多级聚合超图网络的位置推荐方法,包括以下步骤:
3、步骤1:对特征的综合表示进行计算;所述特征具体包括距离特征以及转移特征;
4、步骤1.1:计算fd-hgnn距离特征的嵌入表示;
5、假设共有f级特征,即不同的距离范围集合表示为:{d1,d2,…,df},每级所占权重表示:其中那么第f级特征中的第l层hgnn嵌入表示见公式(3)。
6、
7、式中,为关联矩阵,σ为非线性激活函数,w表示超边的权重对角矩阵,表示的是第f级距离范围特征,顶点度的对角矩阵,同理,表示的是第f级距离范围特征,超边度的对角矩阵,表示的是第f级距离范围特征中,第l层hgnn的节点特征矩阵,表示的是第f级距离范围特征中,第l层hgnn的可训练的参数矩阵;
8、根据f级特征构建f种不同的超图结构,每种超图结构都代表着某个位置点在设定范围内与其他位置点之间存在距离联系;其中第f级超图结构表示为:其中,vd表示位置点节点的集合,且|vd|=n,表示第f级超图中超边的集合,且表示超边权重矩阵,且是一个维度为n*n的矩阵,rn*n表示超边权重矩阵,n表示节点的数量。
9、在第f级超图的结构中,从关联矩阵上看出当前位置点在给定的距离df范围内邻居位置点的个数,关联矩阵如公式(4)和公式(5)所示。
10、
11、
12、其中v∈vd,表示超图中某个位置点的节点;表示第f级超图中的某个超边。是一个函数,表示超边上是否有节点v;假设代表某个位置点位置的方圆距离df的范围,当时,表明超边连接了该节点,即判断出该位置点在的方圆距离df的范围内;当时,表明超边没有连接该节点,即判断出该位置点不在的方圆距离df的范围内。
13、经过超图卷积运算,在距离范围为df的超图中,通过hgnn并引入relu激活函数,聚合距离信息并更新参数,得到第l层hgnn如公式(6)所示。
14、
15、针对第f级超图应用了l层hgnn后,利用层聚合策略来组合不同层的表示;具体为,通过sum-pooling聚合函数,堆叠多层hgnn网络,如公式(7)所示。
16、
17、对f个超图结构进行l层hgnn后,嵌入的地点特征由公式(7)更新为f个特征:并通过可训练的层级权重对多级特征进行堆叠,得到poi的距离特征嵌入表示xd,见公式(8):
18、
19、步骤1.2:计算t-gcn转移特征的嵌入表示;
20、通过无向加权图网络来对位置点的转换关系进行建模;加权图gcn用公式表示为gt=(vt,et),其中vt表示节点的集合;et表示边的集合;图的邻接矩阵at∈rn*n,描述了poi之间的转换关系:
21、at(i,j)=freq(li,lj) (9)
22、其中,freq(li,lj)是一个函数,代表了该用户在位置点位置和之间的转换频率;为了使gcn从位置点关系图中提取出有用的转移频率信息,以得到转换特征嵌入的位置点表示,考虑到gcn的传播规律,经过一次卷积运算后如公式(10)所示。
23、
24、其中相关矩阵是的度矩阵,θ∈rc*c为可训练参数,应用于图的所有节点,c表示每个节点的特征数,yt∈rn*c表示为节点特征向量x经过一次卷积操作后的结果,此时节点特征已经拥有了转移信息,接着yt作为下一层图卷积的输入,以获取更深层次的转移特征;此外,通过堆叠多个gcn层,并引入relu激活函数,聚合转移信息并更新参数,得到第l层gcn如公式(11)所示:
25、
26、其中,表示第l层上基于转移特征的输入,初始化的为位置点基于转移信息的编码嵌入;表示特定于l层的可训练参数。
27、在转移的位置点关系图上应用了l层gcn之后,同样通过层聚合的策略来组合不同层的表示,得到位置点的转移特征嵌入表示xt,如公式(12)所示。
28、
29、步骤1.3:对fd-hgnn距离特征的嵌入表示以及t-gcn转移特征的嵌入表示进行聚合;
30、设置超参数ωj,用来控制不同方面对位置点特征综合表示的贡献,则聚合后特征综合表示如公式(13)。
31、xall=ωjxd+(1-ωj)xt (13)
32、步骤2:重编码多头自注意力的时空偏好建模;
33、在进行时空偏好建模前,将用户的历史签到序列进行编码,并去掉用户重复访问过的位置点;接着对编码后的序列截取或填充成一个固定长度的序列如果n>m,在历史签到序列后边填充0,直至长度为n,并在计算的过程中屏蔽填充项;如果n<m,截取长度为n的签到序列,即只考虑最近的n项签到记录。
34、步骤2.1:时空信息编码;
35、在签到序列r(u)中,分别计算出用户u的时间间隔矩阵和空间间隔矩阵
36、
37、其中,表示用户u第i次访问位置点和第j次访问位置点的时间间隔的相对长度,表示用户u的最小时间间隔;表示地点和地点的空间间隔的相对长度,表示用户u的最小空间间隔,是一个函数,用于计算地球上位置和位置实际的距离。如果和是填充物,那么和为0。另外,考虑到时间间隔和空间间隔过大时应该是冗余的,因此设置了两种阙值本文档来自技高网...
【技术保护点】
1.一种多级聚合超图网络的位置推荐方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种多级聚合超图网络的位置推荐方法,其特征在于,所述步骤2具体为:在进行时空偏好建模前,将用户的历史签到序列进行编码,并去掉用户重复访问过的位置点;接着对编码后的序列截取或填充成一个固定长度的序列如果n>m,在历史签到序列后边填充0,直至长度为n,并在计算的过程中屏蔽填充项;如果n<m,截取长度为n的签到序列,即只考虑最近的n项签到记录。
3.根据权利要求1所述的一种多级聚合超图网络的位置推荐方法,其特征在于,所述步骤2具体包括以下步骤:
4.根据权利要求1所述的一种多级聚合超图网络的位置推荐方法,其特征在于,所述步骤3具体为:通过softmax函数计算每个用户的偏好得分;具体来说,在时间戳t+1时,位置点的位置l偏好评分如公式(24)所示;
5.根据权利要求1所述的一种多级聚合超图网络的位置推荐方法,其特征在于,所述步骤4所述交叉熵损失函数如公式(25)所示;
【技术特征摘要】
1.一种多级聚合超图网络的位置推荐方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种多级聚合超图网络的位置推荐方法,其特征在于,所述步骤2具体为:在进行时空偏好建模前,将用户的历史签到序列进行编码,并去掉用户重复访问过的位置点;接着对编码后的序列截取或填充成一个固定长度的序列如果n>m,在历史签到序列后边填充0,直至长度为n,并在计算的过程中屏蔽填充项;如果n<m,截取长度为n的签到序列,即只考虑最近的n项签到记录。
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。