【技术实现步骤摘要】
本专利技术涉及终端定位推荐领域，尤其是基于用户偏好和个性化偏好转移的异地兴趣点推荐方法。
技术介绍
1、智能手机等位置感知设备的普及以及使用，使得用户可以通过各种基于位置的社交网络(如foursquare和yelp)自由地分享他们的签到活动。大量用户贡献的签到数据使得开发有效的兴趣点(point-of-interest)推荐模型成为可能。这不仅能够引导用户探索更多的有趣的兴趣点，同时还可以帮助位置服务提供商进行定向的广告投放。然而，当用户离开自己的居住地来到一个新的目的地区域时传统的poi推荐模型可能无法提供很好的服务，因为传统的poi推荐模型主要专注于在特定的区域内给用户进行poi推荐。
2、与传统的poi推荐相比异地poi中，用户的居住地偏好不能直接用户异地推荐，因为用户的居住地偏好与异地偏好之间存在差异也就是偏好转移，虽然已有的一些研究来努力解决用户的兴趣转移问题，例如，有些研究提出一个概率生成模型ts-lda，根据每个用户在每个区域签到的兴趣点的类别文本信息来学习个人依赖区域的偏好。还有提出了trainor的异地poi推荐模型，通过构建一个多层感知机作为非线性映射来进行用户的偏好转移。然而，这些方法都没有考虑到用户的个性化的偏好转移，因为不同用户的居住地偏好不同从而也会导致转移后的偏好也不同，进而产生了用户的个性化的偏好转移。此外，还有一些研究，通过利用用户活动轨迹的相近性实现异地区域的推荐而不是poi的推荐，有研究提出一种针对异地用户的推荐方法考虑了用户的偏好、社交影响以及地理的相近性。然而这些模型在用户签
技术实现思路
1、本专利技术需要解决的技术问题是提供一种基于用户偏好和个性化偏好转移的异地兴趣点推荐方法，解决了信息不完整和信息错误以及用户个性化的偏好转移问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是：
3、一种基于用户偏好和个性化偏好转移的异地兴趣点推荐方法，包括以下步骤：
4、s1、根据用户的签到记录以用户、区域、poi、位置、类别为五种不同类型的节点构造异质超图，再通过模型的训练方法得到用户偏好的表征；
5、s2、构建兴趣点-类别图，通过连续跳字实现兴趣点的表征学习；构建注意力网络以poi的表征为输入得到用户可转移的特征；
6、s3、通过多层感知机构建参数学习网络并以用户可转移的特征为输入，同样以多层感知机构建转移网络并以用户的偏好表征为输入以及参数学习网络的输出为参数从而实现用户的个性化的偏好转移；
7、s4、对于异地poi的表征，为了体现poi之间地理位置的影响，基于经纬度构建poi之间的地理图，通过卷积网络学习嵌入表示；
8、s5、将用户转移后的偏好与异地poi的嵌入表征做计算进而得到每个poi的得分，从而完成最终的推荐。
9、本专利技术技术方案的进一步改进在于：s1中，用户的偏好表征，包括：
10、以用户的签到记录为基础，分别把用户、区域、poi、位置、类别看作不同类型的节点，五种不同类型的节点构造成一个异质超边，通过这种方式构造的超边会使得同一个用户签到的不同poi的在区域上有所区分，同时不同区域的poi会通过用户节点产生联系；
11、基于异质超图定义一个大小为|z|×|εhh|的关联矩阵h，其中|z|＝(|u|+|v|+|l|+|c|+|g|)，u为用户，v为区域，l为poi，c为位置，g为类别，并且h(z,ec)＝1表示z∈ec，否则就为0；对于异质超图中的顶点z∈z，顶点的度由定义；记dv为包含顶点度的对角矩阵；然后异质超图的邻接矩阵a定义为a＝hht-dv，其中ht是h的转置；邻接矩阵中的值表示了两个节点之间的共现次数；邻接矩阵a的第i行表示顶点zi的邻域结构；将邻接矩阵a作为输入，使用自编码器作为模型来保留邻域结构；编码器和解码器如下公式所示：
12、xi＝σ(w(1)*ai+b(1))
13、
14、其中，σ为sigmoid函数，ai∈r|z|是邻接矩阵的第i行，w(1)∈rd×|z|和是权重矩阵，b(1)∈rd和是偏置向量；
15、自编码器的目标是最小化输入和输出之间的重构误差，重构的过程将使得具有相似邻域的节点的嵌入表示也相似，进而保留了二阶相近性；由于异质超图的邻接矩阵非常稀疏，为了加快模型的训练速度只重构邻接矩阵中的非零元素；重构误差如下所示：
16、
17、其中，sign是符号函数；
18、采用多层感知机并使用非线性的方式建模；
19、将五个节点的嵌入表征作为输入，其中，五个节点分别代表了用户、poi、poi的位置、poi的类别以及poi所在区域对应节点的嵌入表征；将它们连接起来并通过一个非线性映射，因此它们的联合表示如下所示：
20、
21、其中σ为sigmoid函数，w(2)∈rd×d是权重矩阵，b(2)∈rd是偏置向量；
22、在获得lijklm∈rd后，再通过一个非线性层将其映射到一个概率空间，以获得相似度：
23、sijklm＝σ(w(3)*lijklm+b(3))
24、其中σ为sigmoid函数，w(3)∈rd×d是权重矩阵，b(3)∈rd是偏置向量；
25、对于用户的偏好表征来说，通过一个注意力网络来聚合表征；经过训练后的异质超图网络，其中异质超边可以由其中包含的节点来表示，如下公式所示：
26、
27、其中，ehh是异质超边的嵌入表征；它由所包含节点的嵌入表征按位求平均得到；
28、异质超图中的每一个异质超边都可以看作是用户的一个签到，因此用户的偏好可由用户所有签到记录对应的超边聚合得到；用户的所有签到对于用户的偏好贡献度是不同的，所以采用注意力网络来实现；用户的偏好表征如下所示：
29、
30、其中ui∈rd表示用户i的偏好，αj表示的注意力分数；对于注意力分数的获取，通过设计注意力网络来得到；其公式上的表述如下：
31、
32、
33、其中和w∈rd×d是注意力网络的权重参数，b∈rd是偏置向量，σ是sigmoid函数。
34、本专利技术技术方案的进一步改进在于：s2具体包括以下步骤：
35、s21、构建兴趣点-类别图，通过连续跳字实现兴趣点的表征学习；
36、为了用户可转移特征能够更好的表征，从而在模型的推理之前进行一个预训练的过程以得到poi的表征；通过构建注意力网络以用户签到过的poi的表征为输入来提取用户可转移的特征，因此输入的用户签到过的poi的表征的质量决定了用户可转移特征的质量；
37、因为每个poi都与多个文本描述相关联，这种信息可以比较容易地构建一本文档来自技高网...
【技术保护点】
1.一种基于用户偏好和个性化偏好转移的异地兴趣点推荐方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于用户偏好和个性化偏好转移的异地兴趣点推荐方法，其特征在于：S1中，用户的偏好表征，包括：
3.根据权利要求1所述的基于用户偏好和个性化偏好转移的异地兴趣点推荐方法，其特征在于：S2具体包括以下步骤：
4.根据权利要求1所述的基于用户偏好和个性化偏好转移的异地兴趣点推荐方法，其特征在于：S3中，用户的目的地的偏好和用户可转移特征存在有特定的联系；以多层感知机为基础设计一个参数学习网络，它以用户可转移特征为输入，然后生成转移网络的权重参数；参数学习网络的表示为：
5.根据权利要求1所述的基于用户偏好和个性化偏好转移的异地兴趣点推荐方法，其特征在于：S4中异地POI的表征，包括：
6.根据权利要求1所述的基于用户偏好和个性化偏好转移的异地兴趣点推荐方法，其特征在于：S5中，在模型的参数优化后，可以使用该模型对用户进行目标区域的POI推荐；
【技术特征摘要】
1.一种基于用户偏好和个性化偏好转移的异地兴趣点推荐方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于用户偏好和个性化偏好转移的异地兴趣点推荐方法，其特征在于：s1中，用户的偏好表征，包括：
3.根据权利要求1所述的基于用户偏好和个性化偏好转移的异地兴趣点推荐方法，其特征在于：s2具体包括以下步骤：
4.根据权利要求1所述的基于用户偏好和个性化偏好转移的异地兴趣点推荐方法，其特征在于：s3中，用户的目的地的...
【专利技术属性】
技术研发人员：胡心专，郭景峰，魏宁，李山山，张丽艳，
申请(专利权)人：燕山大学，
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。