好友推荐方法、装置、设备和存储介质制造方法及图纸

本发明专利技术公开了一种好友推荐方法、装置、设备和存储介质，方法包括：获取位置社交网络数据，并根据所述位置社交网络数据，构建社交异质多重图，所述社交异质多重图中的节点包括用户节点和兴趣点节点，当两个节点之间存在边时，所述两个节点之间存在至少一种边类型的边；将所述社交异质多重图输入训练好的异质多重图神经网络模型，输出各节点的最终特征向量；分别计算各用户节点的最终特征向量与其他用户节点的最终特征向量之间的相似度，并根据所述相似度进行好友推荐。本发明专利技术可很好地体现出位置社交网络不同要素之间复杂的连接关系，便于更加深入地挖掘其中的时空关系信息，从而可提高推荐准确性。可提高推荐准确性。可提高推荐准确性。

【技术实现步骤摘要】
好友推荐方法、装置、设备和存储介质


[0001]本专利技术涉及数据挖掘
，尤其涉及一种好友推荐方法、装置、设备和存储介质。

技术介绍

[0002]随着时代的进步，手机、电脑等网络终端逐渐走进每个人的生活中，用户每天的出行轨迹中都包含了大量的兴趣点（points
‑
of
‑
interest，POI）信息。一个常见的生活场景是：几位好友相约前往一家餐馆用餐，并在网络上留下关于这家餐馆的评论。这样的信息我们常常把它归为位置社交网络（location
‑
based social networks，LBSN）。位置社交网络不仅反映了用户的历史访问轨迹，同样也反映了用户的部分社交网络，这其中就隐藏着非常丰富的时空信息。给用户推荐现实生活中可能存在的好友不仅可以帮助用户扩展社交圈子，同时便于商家进行精准广告推送，还有利于城市管理者了解城市中的人口聚居和流动情况，因此从已有的用户位置社交网络中给用户推荐新的好友一直是一项重要的研究内容。
[0003]目前已有的工作主要围绕着用户和兴趣点之间的关系进行，以前的一些方法主要是从位置社交网络数据中挖掘出用户的爱好，然后通过用户爱好是否相同来直接简单粗暴地判断他们是否可能成为好友。随着深度学习技术的发展，大量的研究者试图使用深度学习的方法，建立关于用户和兴趣点之间的深度学习网络从而进行好友推荐。但是这些方法大多使用的是深度学习的基础知识，未能深度统一建模用户、兴趣点、时间这些因素。
[0004]在《Social Link Inference via Multiview Matching Network From Spatiotemporal Trajectories》（Zhang W，Lai X，Wang J，IEEE Transactions on Neural Networks and Learning Systems，2020）中，通过融合所有数据的不同的视图信息来分别从时间、空间、社交网络三个视图下对应设置时间序列匹配模块、位置匹配模块和关系匹配模块来挖掘时空关系，最后融合三个模块所挖掘出来的信息来判断用户是否为好友。该方法虽然从时间、空间、社交网络三个视图下对应设置时间序列匹配模块，但却把这三个要素割裂开来，特别是社交网络与时空信息，使得模型忽略了这些要素之间的互相影响。虽然模型设置的三个模块可能从不同视图挖掘出位置社交网络的各方面潜在信息特征，但是这种相互割裂开来的做法还是有一定的弊端。
[0005]在《Graph Convolutional Networks on User Mobility Heterogeneous Graphs for Social Relationship Inference》（Wu Y，Lian D，Jin S，et al）中，通过把位置社交网络建模成为一个三层的异质图：用户层、兴趣点层和用户—兴趣点交互层。用户层中用户节点之间的边权值为用户之间的见面次数，兴趣点层中兴趣点之间的边权值为两个兴趣点在所有用户轨迹中连续出现的次数。用户—兴趣点交互层中用户与兴趣点之间的边权值为用户访问这个兴趣点的次数。该方法把位置社交网络建模成异质图，但是在它所建模的异质图中，节点与节点之间的边（连接关系）只存在一种，如用户与兴趣点之间的边只存在访问签到这一种关系，然而现实世界中，兴趣点与用户之间的关系是多样的。同时，该方法中，
兴趣点之间的关系也仅仅局限于在用户轨迹的接连出现的次数。因此，该方法中的异质图的数据表示能力不足，无法更加深入地挖掘其中的时空关系信息。

技术实现思路

[0006]本专利技术所要解决的技术问题是：提供一种好友推荐方法、装置、设备和存储介质，可很好地体现出位置社交网络不同要素之间复杂的连接关系，便于更加深入地挖掘其中的时空关系信息，从而可提高推荐准确性。
[0007]第一方面，本专利技术提供了一种基于位置社交网络的好友推荐方法，包括：获取位置社交网络数据，并根据所述位置社交网络数据，构建社交异质多重图，所述社交异质多重图中的节点包括用户节点和兴趣点节点，当两个节点之间存在边时，所述两个节点之间存在至少一种边类型的边；将所述社交异质多重图输入训练好的异质多重图神经网络模型，输出各节点的最终特征向量；分别计算各用户节点的最终特征向量与其他用户节点的最终特征向量之间的相似度，并根据所述相似度进行好友推荐。
[0008]第二方面，本专利技术还提供了一种基于位置社交网络的好友推荐装置，包括：构建模块，用于获取位置社交网络数据，并根据所述位置社交网络数据，构建社交异质多重图，所述社交异质多重图中的节点包括用户节点和兴趣点节点，当两个节点之间存在边时，所述两个节点之间存在至少一种边类型的边；输入模块，用于将所述社交异质多重图输入训练好的异质多重图神经网络模型，输出各节点的最终特征向量；推荐模块，用于分别计算各用户节点的最终特征向量与其他用户节点的最终特征向量之间的相似度，并根据所述相似度进行好友推荐。
[0009]第三方面，本专利技术还提供了一种电子设备，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面提供的基于位置社交网络的好友推荐方法。
[0010]第四方面，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面提供的基于位置社交网络的好友推荐方法。
[0011]本专利技术的有益效果在于：通过构建社交异质多重图，可以使得位置社交网络数据成为一个整体，以便在后续更加深入地挖掘其中的时空关系信息，从而更好地辅助后续的好友推荐任务的实现；通过异质多重图神经网络模型，从社交异质多重图中挖掘出潜在的时空数据信息，聚合相连节点及其相连边上的信息，最终输出各节点的特征向量；最后通过计算特征向量之间的相似度来进行好友推荐，可以提高推荐的准确性。
附图说明
[0012]图1为本专利技术提供的一种基于位置社交网络的好友推荐方法的流程图；图2为本专利技术提供的一种基于位置社交网络的好友推荐装置的结构示意图；
图3为本专利技术提供的一种电子设备的结构示意图；图4为本专利技术实施例一的异质多重图神经网络模型的结构与流程的示意图；图5为简单图、异质简单图和异质多重图的示意图；图6为本专利技术实施例一的社交异质多重图的示意图；图7为本专利技术实施例一的异质多重图神经网络模型与现有推荐模型的对比示意图。
具体实施方式
[0013]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0014]在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于位置社交网络的好友推荐方法，其特征在于，包括：获取位置社交网络数据，并根据所述位置社交网络数据，构建社交异质多重图，所述社交异质多重图中的节点包括用户节点和兴趣点节点，当两个节点之间存在边时，所述两个节点之间存在至少一种边类型的边；将所述社交异质多重图输入训练好的异质多重图神经网络模型，输出各节点的最终特征向量；分别计算各用户节点的最终特征向量与其他用户节点的最终特征向量之间的相似度，并根据所述相似度进行好友推荐。2.根据权利要求1所述的基于位置社交网络的好友推荐方法，其特征在于，所述位置社交网络数据包括用户的好友关系和历史访问轨迹以及兴趣点的位置和类别，所述历史访问轨迹包括用户访问过的兴趣点及其对应的访问时间，所述社交异质多重图中的节点类型包括用户和兴趣点，边类型包括朋友、签到、同社区、同类别和共现；所述根据所述位置社交网络数据，构建社交异质多重图，包括：将一天划分多个预设时长的第一时间段；分别根据各用户的历史访问轨迹中的各兴趣点的位置，计算轨迹中心点位置，作为各用户的家庭住址；构建与各用户和各兴趣点一一对应的用户节点和兴趣点节点，并分别生成各节点的节点向量；若两个用户之间存在好友关系，则在所述两个用户对应的用户节点之间构建边类型为朋友的边，并根据所述两个用户的历史访问轨迹，分别统计所述两个用户在各第一时间段内的见面次数，作为所述边类型为朋友的边的权值向量；若一用户的历史访问轨迹中存在一兴趣点，则在所述一用户对应的用户节点和所述一兴趣点对应的兴趣点节点之间构建边类型为签到的边，并分别统计所述一用户在各第一时间段内访问所述一兴趣点的次数，作为所述边类型为签到的边的权值向量；若一用户的家庭住址与一兴趣点之间的距离小于预设的距离阈值，则在所述一用户对应的用户节点和所述一兴趣点对应的兴趣点节点之间构建边类型为同社区的边，并将所述一用户的家庭住址与一兴趣点之间的距离作为所述边类型为同社区的边的权值向量；若两个兴趣点属于同一类别，则在所述两个兴趣点对应的兴趣点节点之间构建边类型为同类别的边，并将所述两个兴趣点之间的距离作为所述边类型为同类别的边的权值向量；若两个兴趣点同时存在于同一用户的历史访问轨迹中，则在所述两个兴趣点对应的兴趣点节点之间构建边类型为共现的边，并将所述两个兴趣点的共现次数作为所述边类型为共现的边的权值向量。3.根据权利要求2所述的基于位置社交网络的好友推荐方法，其特征在于，所述根据所述两个用户的历史访问轨迹，分别统计所述两个用户在各第一时间段内的见面次数，作为所述边类型为朋友的边的权值向量，包括：根据所述两个用户的历史访问轨迹，判断所述两个用户是否访问过同一兴趣点；若否，则将所述两个用户在各第一时间段内的见面次数均设为0；若是，则分别获取所述两个用户对应所述同一兴趣点的访问时间，并计算访问时间差；
若所述访问时间差小于预设的见面时差阈值，则令所述两个用户在对应所述同一兴趣点的访问时间所属的第一时间段的见面次数加一。4.根据权利要求1所述的基于位置社交网络的好友推荐方法，其特征在于，所述将所述社交异质多重图输入训练好的异质多重图神经网络模型，输出各节点的最终特征向量，包括：将所述社交异质多重图输入异质多重图神经网络模型，输出各节点的特征向量；根据预设的训练集中的各用户节点对的好友关系以及各用户节点对中的两个用户节点的特征向量之间的相似度，计算各用户节点对的损失值，并根据所述训练集中的各用户节点对的损失值，计算模型损失值；根据所述模型损失值，通过反向传播算法更新所述异质多重图神经网络模型，并继续执行所述将所述社交异质多重图输入异质多重图神经网络模型，输出各节点的特征向量的步骤，直至达到预设的训练结束条件；获取达到预设的训练结束条件时所述异质多重图神经网络模型输出的各节点的特征向量，作为各节点的最终特征向量。5.根据权利要求4所述的基于位置社交网络的好友推荐方法，其特征在于，所述将所述社交异质多重图输入异质多重图神经网络模型，输出各节点的特征向量，包括：分别对所述社交异质多重图中各边的权值向量进行特征转换，得到特征转换后的权值向量，各边特征转换后的权值向量的维度相同；获取与一节点通过同一边类型的边相连的节点，作为所述一节点对应所述同一边类型的第一节点；根据所述一节点的节点向量、各所述第一节点的节点向量、所述一节点与各所述第一节点之间的所述同一边类型的边的权值向量以及K个第一可学习参数向量，分别计算所述一节点对应所述同一边类型的边关于各第一可学习参数向量的边级注意力向量，并进行拼接，得到所述一节点对应所述同一边类型的边的边级注意力向量；根据节点类型与所述一节点相同的各节点对应各边类型的边级注意力向量、所述一节点的节点类型对应的第二可学习向量参数、可学习的第二全连接层的权重和偏差，计算所述一节点的节点类型对应各边类型的注意力权值；根据所述一节点的节点类型对应各边类型的注意力权值，对所述一节点对应各边类型的边的边级注意力向量进行加权求和，得到所述一节点的特征向量。6.根据权利要求5所述的基于位置社交网络的好友推荐方法，其特征在于，所述分别对所述社交异质多重图中各边的权值向量进行特征转换，得到特征转换后的权值向量，各边特征转换后的权值向量的维度相同，包括：根据特征转换公式，对所述社交异质多重图中的一边的权值向量进行特征转换，得到所述一边特征转换后的权值向量，所述特征转换公式为h
e
’
=σ(W
r
...

【专利技术属性】
技术研发人员：宋轩，李永康，范子沛，尹渡，邓锦亮，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：