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】
本专利技术属于行人兴趣点推荐,特别是涉及一种基于双向长短期记忆递归神经网络和概率稀疏注意力机制的兴趣点推荐方法。
技术介绍
1、随着互联网和移动设备定位技术的快速发展,基于位置的社交网络(location-based social network,lbsn)及其服务这一产业开始不断发展,,lbsn是一种以北斗/gnss手机为主要载体的新型社交网络,对人的位置进行采集、分析和共享。兴趣点推荐作为其中重要的环节,开始受到越来越多人的关注。兴趣点推荐可以根据用户的历史签到行为记录,来了解用户的行为特征,为用户推荐用户可能感兴趣的地点,为用户节省大量决策时间,同时也为周边商家带来更多曝光。
2、近几年使用长短期记忆递归神经网络和注意力机制进行兴趣点推荐的方法不断增多。长短期记忆递归神经网络可以利用时间序列对输入进行分析,其可以有效的传递和表达长时间序列中的信息并且不会导致长时间前的有用信息被忽略,但是传统的长短期记忆递归神经网络只能沿着单一方向获取时间序列信息,不能同时进行从前向后处理时间序列和从后向前处理时间序列,获取的时间序列信息不够全面,从而导致兴趣点推荐不够准确。而传统的注意力机制也存在计算复杂,内存使用率高的严重问题,影响了兴趣点推荐算法的效率。
技术实现思路
1、本专利技术提供了一种基于双向长短期记忆递归神经网络和概率稀疏注意力机制的兴趣点推荐方法,以弥补上述现有技术存在的不足。
2、为实现上述目的,本专利技术提供了一种基于双向长短期记忆递归神经网络和概
3、s1、获取行人非连续的用户签到轨迹,对数据集进行预处理;
4、s2、对数据集进行嵌入操作,将轨迹数据映射到连续的低维向量空间中;
5、s3、采用正余弦位置编码器,获取轨迹点的正余弦位置编码,将其与轨迹点拼接在一起;
6、s4、采用双向长短期记忆递归神经网络,将轨迹点与正余弦位置编码拼接后得到的张量输入所述的网络中,得到所有时间步的隐藏状态、最后一个时间步的隐藏状态及最后一个时间步的细胞状态;
7、s5、采用概率稀疏注意力机制,基于所有时间步的隐藏状态、最后一个时间步的隐藏状态及最后一个时间步的细胞状态获得上下文向量;
8、s6、将所述上下文向量与所有时间步的隐藏状态拼接,获取预测兴趣点;
9、s7、基于预测兴趣点计算损失,利用损失值对所述兴趣点推荐模型进行优化。
10、本专利技术的有益效果是:
11、(1)本专利技术采用的双向长短期记忆递归神经网络,能够同时进行从前向后处理时间序列和从后向前处理时间序列,在捕捉长期依赖关系时可以同时利用正向和反向的上下文信息,通过这种处理,在进行兴趣点预测时可以获得更全面的时间序列信息,有助于提高模型在序列任务中的性能;
12、(2)本专利技术采用的概率稀疏注意力机制,对比其他的注意力机制,通过筛选参数中的重要部分,减少了相似度计算,进而提升了整个模型的运行效率,同时维持预测的准确率没有明显下降。本专利技术不仅可应用于行人兴趣点推荐,还可以应用在其它领域的时间序列预测。
本文档来自技高网...【技术保护点】
1.一种基于双向长短期记忆递归神经网络和概率稀疏注意力机制的兴趣点推荐方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的基于双向长短期记忆递归神经网络和概率稀疏注意力机制的兴趣点推荐方法,其特征在于,所述S1中对离散轨迹数据集进行预处理,包括以下分步骤:
3.根据权利要求1所述的基于双向长短期记忆递归神经网络和概率稀疏注意力机制的兴趣点推荐方法,其特征在于,所述S3中正余弦位置编码器的公式如下:
4.根据权利要求1所述的基于双向长短期记忆递归神经网络和概率稀疏注意力机制的兴趣点推荐方法,其特征在于,所述S5中概率稀疏注意力机制的公式如下:
5.根据权利要求1所述的基于双向长短期记忆递归神经网络和概率稀疏注意力机制的兴趣点推荐方法,其特征在于,所述S6中获取预测轨迹点,包括以下分步骤:
【技术特征摘要】
1.一种基于双向长短期记忆递归神经网络和概率稀疏注意力机制的兴趣点推荐方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的基于双向长短期记忆递归神经网络和概率稀疏注意力机制的兴趣点推荐方法,其特征在于,所述s1中对离散轨迹数据集进行预处理,包括以下分步骤:
3.根据权利要求1所述的基于双向长短期记忆递归神经网络和概率稀疏注意力机制的兴趣点...
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。