【技术实现步骤摘要】
本专利技术属于数据挖掘与推荐系统，具体涉及一种结合非连续性和多层次周期性的兴趣点推荐方法。
技术介绍
1、近年来，由于支持gps的移动设备的普及，基于位置的服务(location-basedservice,lbs)取得了显著的进步。foursquare、gowalla和大众点评等服务提供商允许用户通过签到兴趣点(例如，餐厅或商场)来和他们的朋友分享他们的位置和体验。随着大量时空签到数据的累积，这为研究兴趣点推荐提供了机会。兴趣点推荐不仅为可以为商家带来商业价值，还能挖掘用户的移动规律和个性化偏好。对于商家而言，通过分析用户的个性化偏好，并针对用户提供个性化的服务，进而提高用户体验和平台的知名度。对于用户而言，通过挖掘用户的移动规律和个性化偏好，不仅可以给用户的出行提供建议，给用户出行带来便利，而且能够帮助用户了解生活环境和所在城市环境，提高生活乐趣。下一个兴趣点推荐能够预测用户在指定时间点最有可能访问的兴趣点，具有强时效性，因此受到了工业界和学术界的广泛关注。
2、现有的兴趣推荐技术可分为传统的推荐方法和基于深度学习的推荐方法，传统的推荐方法主要关注用户和poi隐含特征的学习(即，矩阵分解)和顺序转换(如，马尔可夫链)。近年来，深度学习被广泛的应用到兴趣点推荐中，深度学习相较于传统的推荐方法能够从数据中挖掘更深层次的结构关系，取得了更好的性能表现。例如，受循环神经网络在顺序数据建模方面的成功的启发，基于循环神经网络及其变体的方法在下一个兴趣点推荐领域变得普遍。然而，基于循环神经网络的方法在处理长时间序列时容易出现梯度
3、由于transformer模型在自然语言处理方面取得重大突破，并且注意力机制的长期序列建模能力优于循环神经网络及其变体，研究者尝试将注意力机制应用于兴趣点推荐任务中，以更好地建模用户的静态和动态偏好。
4、虽然对兴趣点推荐模型进行了大量的研究，并取得了很好的结果，但仍存在几个问题：其一，大多数研究只对用户的签到序列中的连续活动进行建模，然而，用户将要访问的下一个地点受空间距离和时间间隔的影响，会出现非连续的访问地点的情况。因此，在建模时不仅要考虑签到序列中的连续性签到，还需要考虑非连续签到的影响。其二，缺乏考虑挖掘用户在历史签到轨迹中的多层次周期性规律，目前的研究方法对用户周期性兴趣研究时往往针对某一个特定兴趣点或特定兴趣点类别的周期兴趣，而多层次周期性是指用户在某一时间点的活动具有周期性，且用户某一天的活动也具有周期性，当为用户推荐下一个地点是，可以考虑当前的时间和当前的签到轨迹来提高推荐准确度。其三，用户的偏好是随着时间动态变化的，多数方法只能对用户长期稳定的偏好进行建模，忽略了用户存在短期的偏好。
技术实现思路
1、针对上述尚没有解决的关键问题，本专利技术提出了一种结合非连续性和多层次周期性的兴趣点推荐方法，目的是克服现有技术的缺陷，提高推荐的精确度。
2、为实现上述目的，本专利技术采用如下的技术方案：
3、一种结合非连续性和多层次周期性的兴趣点推荐方法包括以下步骤：
4、步骤1、输入用户的历史签到数据，其中每个签到记录包括用户的id、兴趣点id、兴趣点类别、签到时间和签到时间模式；
5、步骤2、将用户的历史签到记录按照访问时间排序，得到用户签到序列，以天为单位将用户的签到序列划分为轨迹，根据时间窗口将用户签到轨迹划分为多个长短期轨迹；
6、步骤3、对每个长短期轨迹中的长期轨迹和短期轨迹分别计算时间间隔权重矩阵和空间距离权重矩阵；
7、步骤4、将每个长短期轨迹和对应的时空间隔信息输入到自注意力编码器中，并自适应调整时间和空间信息的影响，提取轨迹的连续性和非连续性特征；
8、步骤5、对于经过编码的短期轨迹，经过自注意力聚合得到用户的短期偏好；
9、步骤6、对于经过编码的长期轨迹，首先，使用短期轨迹最后的签到时间注意聚合长期轨迹的签到记录；其次，使用用户的短期偏好注意长期轨迹；最后，使用用户注意聚合长期轨迹，得到用户的长期偏好；
10、步骤7、将长期偏好和短期偏好拼接，经过全连接神经网络和softmax函数解码，得到当前长短期轨迹中下一步访问各个兴趣点的概率；
11、步骤8、采用交叉熵损失进行训练，得到兴趣点推荐模型；
12、作为优选，步骤1中的用户签到记录形式如下：
13、r＝(u,l,c,t,m)
14、其中，r表示用户签到记录；u表示用户id；l表示兴趣点id；c表示兴趣点类别；t表示签到的时间戳；m表示当前的时间模式，当前时间如果为工作日则为0，当前时间为周末则为1，旨在更好的提取周期性特征。
15、作为优选，步骤2中的数据处理步骤包括：
16、步骤2-1：对用户的历史签到记录按照访问时间排序，得到用户签到序列，以天为单位将用户的签到序列划分为轨迹表示用户u在第i天的签到序列，该签到序列包括条签到记录r。
17、步骤2-2：对签到轨迹数据进行数据清洗；如果一条轨迹中的签到次数小于3，则认为该条签到轨迹不具有代表性，删除该条轨迹；如果某用户的签到轨迹条数小于3，则认为该用户及其签到数据不具有代表性，删除该用户及其数据。
18、步骤2-3：将用户的轨迹数据按照时间窗口划分为多个长短期轨迹数据，时间窗口大小设置为正整数，推荐设置为30，表示一个长短期轨迹最多包含30天的签到记录，每个长短期轨迹数据表示为其中表示长期签到轨迹，表示短期签到轨迹，n为长短期轨迹中的轨迹条数,u表示用户id。
19、作为优选，步骤3的轨迹时空信息计算方法如下：
20、步骤3-1：计算轨迹的时间间隔权重矩阵，对于用户的某一天的签到轨迹计算轨迹中任意两个签到记录的时间间隔，公式为表示第i个签到时间戳和第j个签到时间戳的时间间隔。接下来，将时间间隔转换为时间间隔权重，计算公式为表示第i个签到时间戳和第j个签到时间戳时间间隔的权重，得到轨迹的时间间隔权重矩阵，表示为：
21、
22、其中，b表示用户在该天的签到次数，时间间隔权重矩阵wt中的t表示该矩阵为时间间隔权重矩阵。
23、步骤3-2：计算轨迹的空间距离权重矩阵，对于用户的某一天的签到轨迹计算轨迹中任意两个签到记录的空间距离，表示为表示第i个签到地点的经纬度gpsi,和第j个签到地点的经纬度gps的空间距离，haversine公式广泛应用于各种地理信息系统和导航应用中，用于计算地球上两个位置之间的距离。接下来，将空间距离转换为空间距离权重，计算公式为得到轨迹的空间距离权重矩阵，表示为：
24、
25、其中，b表示用户在该天的签到次数，空间距离权重矩阵ws中的s表示该矩阵为空间距离权重矩阵。
26、作为优选，步骤4所述将长短期轨迹及其时空信息输入自注意力编码器，包括：
27、步骤4-1：对于用户的长短期轨迹，将轨迹本文档来自技高网...
【技术保护点】
1.一种结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，包括以下步骤：
2.如权利要求1所述的结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，步骤1中的用户签到记录形式如下：
3.如权利要求1所述的结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，步骤2中的数据处理步骤包括：
4.如权利要求1所述的结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，步骤3的轨迹时空信息计算方法如下：
5.如权利要求1所述的结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，步骤4所述将长短期轨迹及其时空信息输入自注意力编码器，包括：
6.如权利要求1所述的结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，步骤5所述聚合短期轨迹方法如下：
7.如权利要求1所述的结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，步骤6所述聚合长期轨迹步骤如下：
8.如权利要求1所述的结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，步骤7所述将用户的长期偏好和短期偏好拼接，并经过全连接
9.如权利要求1所述的结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，步骤8所述交叉熵损失函数如下：
...【技术特征摘要】
1.一种结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，包括以下步骤：
2.如权利要求1所述的结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，步骤1中的用户签到记录形式如下：
3.如权利要求1所述的结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，步骤2中的数据处理步骤包括：
4.如权利要求1所述的结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，步骤3的轨迹时空信息计算方法如下：
5.如权利要求1所述的结合非连续性和多层次周期性的兴趣点推荐方法，其特征在于，步骤4所述将长短期轨迹及其...
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。