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】
本专利技术涉及兴趣点推荐,特别涉及一种基于深度语义提取和扩散模型的位置服务推荐方法。
技术介绍
1、随着基于位置的社交网络(lbsn)和提供基于位置服务的应用程序的使用增加,对创建兴趣点(poi)推荐模型的热情也日益高涨。这些模型用于为用户提供个性化推荐,涵盖各种服务和产品。围绕poi的推荐模型已成为各种签到应用(如yelp、微博和foursquare)中的重要特性。基于位置的平台跟踪用户的签到记录,并提供个性化的poi推荐,减少了在线平台上的信息过载。与典型的推荐任务不同,poi推荐侧重于理解poi的地理方面以及其位置如何影响用户行为。目前,许多研究人员考虑使用深度学习方法来学习历史轨迹的顺序特征,以进行更好的预测,例如顺序推荐模型和注意力模型。在lbsn中,作为关键特征,时空信息在用户和推荐系统的决策中起着关键作用。因此,许多研究利用轨迹中的时空信息来揭示用户的个性化移动偏好并提高推荐性能,大部分这些研究通过分别计算两个交互之间的地理距离和签到时间间隔来捕捉时空信息。
2、在处理poi推荐任务时,当前的研究主要集中在表示学习上。这涉及获取轨迹特征的多样化表示,并将这些表示集成起来进行准确的预测。每个特征可以提供不同的视角来描述轨迹,如果缺乏某些特征,将会降低推荐性能。语义在许多人工智能任务中起着关键作用,特别是在自然语言处理(nlp)中。它们在各种推荐任务中也很有价值,包括电子产品推荐和新闻推荐。在poi推荐任务中,也有一些研究显示了语义的潜力。根据用户活动的语义通常通过简短的文本描述进行传达。理解用户当前活动的
3、但是当前的研究存在一些问题,限制了poi推荐模型的性能。首先,对于poi推荐任务,由于lbsn数据集中缺乏高质量的文本数据,获取高质量的深度语义特征是一个巨大的挑战。目前的研究主要利用lbsn数据集中的部分独立文本属性作为语义特征,例如评论和场所类别,但这些方法在深入捕捉轨迹的整体语义方面存在不足。因此,获取的语义信号仅停留在表面层次,缺乏对底层轨迹语义的全面理解。其次,大多数现有的研究通常只关注两个交互之间的时空关系,但在真实场景中,用户的签到行为并不连续(即签到记录的稀疏性)。也就是说,当两个签到记录之间的空间或时间间隔较大时,即切点,用户的移动偏好可能在空白之后发生了很大变化。因此,仅考虑两个交互之间的局部时空间隔将忽视上述情况,并使模型难以学习用户的真实移动偏好。
技术实现思路
1、针对现有技术存在的上述问题,本专利技术要解决的技术问题是:能够体现用户真实移动偏好的推荐准确性高的方法。
2、为解决上述技术问题,本专利技术采用如下技术方案:一种基于深度语义提取和扩散模型的位置服务推荐方法,包括如下步骤:
3、定义用户集合和场所集合分别为u=(u1,u2,...,un)和v=(v1,v2,...,vm),其中n表示用户的总数,m表示场所或poi的总数。一个签到点可以表示为ci=(vid,cid,cate,ct,lon,lat),其中vid和cid是场所的标识符和场所的类别,cate表示cid的名称,ct表示签到动作发生的时间。变量lon和lat分别签到场所的经度和纬度,指示场所的地理位置。用户的签到序列即轨迹序列用su表示,并表示为su=(c1,c2,...,cn),其中ci表示按时间顺序签到在特定场所,n表示时间戳。
4、构建和训练位置服务推荐模型dsdrec,dsdrec包括深度语义特征提取模型、编码器-解码器模型和扩散模型。
5、s1:深度语义特征提取模型,使用提示工程从离散的轨迹序列中创建连续的自然语言文本,该自然语言文本称为提示句子,该提示句子包括用户u的长期偏好和短期偏好
6、采用plm分别将和对应的转换为连续的上下文特征表示vl和vs。
7、s2:编码器-解码器模型,通过融合深度语义和时空信息来获取序列嵌入并学习轨迹序列的高质量的场所上下文表示。
8、s2-1:从su的每个签到点中选择签到动作发生的时间ct作为时间序列su的每个签到点中选择签到场所的经度lon和纬度lat作为空间序列其中用空间编码向量,用表示时间编码向量。
9、s2-2:使用嵌入层来获得su的紧凑表示,设和分别表示场所嵌入矩阵、空间嵌入矩阵,时间嵌入矩阵和场所类别嵌入矩阵。根据ev,es和et从su的地点id中获取地点特征表示从中获取时间特征表示根据su中的类别id,获取场所类别特征表示将和融合得到最终的输入轨迹序列的表示其中,c是场所类别的数量,l表示su的长度,,d表示向量的纬度。
10、s2-3:使用序列编码器对的上下文信息进行建模得到用户轨迹序列的上下文表示
11、s2-4:将长期移动偏好语义和短期移动偏好语义融入到得到融合用户长期移动偏好语义的上下文表示
12、s2-5:聚合得到高质量的场所上下文表示
13、s3:使用扩散模型增强得到通过扩散重建的场所上下文表示
14、s4:dsdrec的训练,首先通过最小化目标函数来训练编码器-解码器模型,然后冻结编码器-解码器模型中的所有参数,并通过最小化目标函数来训练扩散模型。在这两个训练步骤中,不会更新plm的参数,扩散模型的训练包括正向过程中的训练和反向过程中的训练。
15、s5:对于一个新用户,该新用户的轨迹序列输入训练好的dsdrec中,得到该新用户的通过扩散重建的场所上下文表示,从该新用户通过扩散重建的场所上下文表示中获取最后一个元素将作为新用户的轨迹表示,将与该新用户的所有场所嵌入矩阵进行矩阵乘法运算,计算得分如公式(26),将得分最大值对应的场所作为下一个poi推荐;
16、
17、其中,ev′表示新用户的所有场所嵌入矩阵。
18、作为改进,所述s1中的得到vl和vs的步骤如下:
19、创建了一组文本模板,使用cate来填充输入槽,构造提示句子。和描述了用户的全局移动行为,和描述了用户的本地移动行为模式。
20、对于统计用户最常访问的五个场所类别;对于根据ct,将一天分为两个类别,即工作日和周末,并统计用户在每个类别中最常访问的三个场所类别;对于根据ct将一天分为三个类别,并统计用户在每个类别中最常访问的三个场所类别;对于计算一个值τ,表示用户最近访问的场所中有多少场所在历史轨迹中没有访问过。然后定义一个阈值γ,如果τ>=γ,则表示用户的短期偏好发生了变化,否则没有发生变化。对于将槽位填充为用户最近访问的五个场所类别。
21、最后,将和连接在一起作为u的长期偏好的提示句子,记为将和连接在本文档来自技高网...
【技术保护点】
1.一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:包括如下步骤:
2.如权利要求1所述的一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:所述S1中的得到VL和VS的步骤如下:
3.如权利要求2所述的一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:所述S2-1中计算和的步骤如下:
4.如权利要求3所述的一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:所述S2-2中获得的步骤如下:
5.如权利要求4所述的一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:所述S2-3得到用户轨迹序列的上下文表示的步骤如下:
6.如权利要求5所述的一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:所述S2-4得到轨迹序列的高质量上下文表示步骤如下:
7.如权利要求6所述的一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:所述S2-5得到如公式(21):
8.如权利要求7所述的一种基于深度语义提取和扩散模型的位置服务推荐方法,其特
9.如权利要求8所述的一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:所述S3得到的步骤为:
10.如权利要求9所述的一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:所述S4训练扩散模型的步骤为:
...【技术特征摘要】
1.一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:包括如下步骤:
2.如权利要求1所述的一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:所述s1中的得到vl和vs的步骤如下:
3.如权利要求2所述的一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:所述s2-1中计算和的步骤如下:
4.如权利要求3所述的一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:所述s2-2中获得的步骤如下:
5.如权利要求4所述的一种基于深度语义提取和扩散模型的位置服务推荐方法,其特征在于:所述s2-3得到用户轨迹序列的上下文表示的步骤如下:
6.如权利要求5所述的一种基于深度语义提取和扩散模型的位置服务推...
【专利技术属性】
技术研发人员:曾骏,潘胤辰,王子威,董栩男,文俊浩,柳玲,
申请(专利权)人:重庆大学,
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。