一种区分用户探索性模式和时空重访问模式的POI推荐方法及装置制造方法及图纸

本发明专利技术公开了一种区分用户探索性模式和时空重访问模式的POI推荐方法及装置，其中的方法首先建模了用户在探索性模式下的偏好和用户的时空重访问模式下的偏好，利用时间间隔和空间间隔计算了时空相关性系数，接着分别计算了两种模式下POI候选集中所有POI的评分。然后计算了探索性模式和时空重访问模式的转换概率，最后结合两种模式下POI的评分和两种模式的转换概率计算了最终的POI推荐得分，对最终的POI推荐得分进行排序选择，推荐得分最高的前N个POI。本发明专利技术具备高效的POI推荐性能，可服务于网约车、旅行推荐等平台用于提升用户出行体验。行体验。行体验。

【技术实现步骤摘要】
一种区分用户探索性模式和时空重访问模式的POI推荐方法及装置


[0001]本专利技术涉及出行推荐
，尤其涉及一种区分用户探索性模式和时空重访问模式的POI推荐方法及装置。

技术介绍

[0002]下一个兴趣点(POI)推荐已经被许多互联网公司应用于提升用户的旅游体验，如网约车平台、旅行推荐平台等企业积累了大量的用户签到数据。这些签到数据包括签到位置的经纬度、签到的时间戳、用户信息等。随着深度学习大数据技术的快速发展，基于用户历史签到数据建模用户偏好的智能推荐系统也得到了新的提升和突破。
[0003]用户的签到行为一般而言，可以分为探索性的偏好和多次重访问的意图，例如用户喜爱在周末探索一部分美食的POI，例如用户经常在早高峰时期在网约车平台上将公司作为下一个期望的目的地。通过建模用户历史的签到活动行为可以预测用户的行为特征，挖掘用户的出行模式，有助于出行平台更好地服务用户出行，增强出行体验，进一步为建筑选址、城市发展规划等提供决策支持。
[0004]本申请专利技术人在实施本专利技术的过程中，发现现有技术的方法，至少存在如下技术问题：
[0005]现有的POI推荐技术只是单纯的对用户偏好进行建模，尚未对用户探索性行为和重访问行为进行区分，因此POI推荐性能也无法进一步突破瓶颈。

技术实现思路

[0006]本专利技术提供了一种区分用户探索性模式和时空重访问模式的POI推荐方法及装置，用以解决或者至少部分解决现有技术中存在的推荐性能不佳的技术问题。
[0007]为了解决上述技术问题，本专利技术第一方面提供了一种区分用户探索性模式和时空重访问模式的POI推荐方法，包括：
[0008]S1：获取所有用户的历史签到数据，其中用户的历史签到数据包括用户编号、签到时间、POI编号、POI的空间位置；
[0009]S2：根据用户的历史签到数据中的用户编号、POI编号以及POI的空间位置，随机初始化用户嵌入向量、POI嵌入向量和空间嵌入向量，并根据用户嵌入向量、POI嵌入向量和空间嵌入向量生成嵌入向量e
q
、e
k
、e
v
；
[0010]S3：建模用户的探索性模式偏好，将用户的序列表示E输入到自注意力网络中进行学习，输出新的序列表示，其中，新的序列表示中的最后一个向量为用户探索性模型的偏好，输出在探索性模式下POI候选集中所有POI的评分，用户的序列表示根据嵌入向量e
q
、e
k
、e
v
获得，POI候选集根据所有用户的历史签到数据获得；
[0011]S4：建模用户的时空重访问模式偏好，计算时空相似性系数，并根据输入时空相似性系数、新的序列表示以及新的序列表示中的最后一个向量，计算在时空重访问模式下POI
候选集中所有POI的评分；
[0012]S5：根据时空相似性系数、新的序列表示以及新的序列表示中的最后一个向量，计算探索性模式的转换概率和时空重访问模式的转换概率；
[0013]S6：根据在探索性模式下POI候选集中所有POI的评分、探索性模式的转换概率、在时空重访问模式下POI候选集中所有POI的评分以及时空重访问模式的转换概率，计算POI推荐的最终得分；
[0014]S7：对POI推荐的最终得分进行排序，对最终得分最高的N个得分对应的POI进行推荐。
[0015]在一种实施方式中，S1中POI的空间位置包括POI经纬度。
[0016]在一种实施方式中，步骤S2包括：
[0017]S2.1：将用户的历史签到数据固定为一个长度为m的序列；
[0018]S2.2：随机初始化用户嵌入向量、POI嵌入向量和空间嵌入向量，分别定义为e
user
、e
poi
和e
spatial
；
[0019]S2.3：根据用户嵌入向量、POI嵌入向量和空间嵌入向量生成嵌入向量e
q
、e
k
、e
v
，其中，嵌入向量e
q
表示为e
q
＝e
user
+e
poi
+e
spatial
，嵌入向量e
k
表示为e
k
＝e
user
+e
poi
+e
spatial
，嵌入向量e
v
表示为e
v
＝e
poi
+e
spatial
。
[0020]在一种实施方式中，步骤S3包括：
[0021]S3.1：将用户的序列表示E作为自注意力网络的输入，其中，E＝{e1,e2,
…
,e
m
}，第τ个序列e
τ
＝<e
q
,e
k
,e
v
>，对e
q
,e
k
,e
v
进行线性变化生成新的嵌入向量Q、K和V，Q＝e
q
W
Q
,K＝e
k
W
K
,V＝e
v
W
V
，W
Q
,W
K
,是可学习参数；
[0022]S3.2：将Q、K、V输入到自注意机制中进行计算，公式如下：
[0023]SA(Q,K,V)＝softmax(QK
T
)V
[0024]E
′
＝FFN(O)＝ReLU((SA(Q,K,V)W1+b1)W2+b2)
[0025]其中，W1,W2是可学习矩阵，b1,b2是偏置值，输出E
′
＝{e
′1,e
′2,
…
,e
′
m
}，e
′
m
为新的序列表示E
′
中的最后一个向量；
[0026]S3.3：使用点积运算计算POI候选集中I所有POI的探索性模式推荐评分p，POI候选集中的POI嵌入向量为POI编号所对应的POI嵌入向量e
poi
，p的公式如下：
[0027][0028]其中，为POI候选集中第i个POI的嵌入向量，T为对嵌入向量进行转置，e
′
m
为新的序列表示中的最后一个向量。
[0029]在一种实施方式中，步骤S4包括：
[0030]S4.1：根据用户的历史签到数据获得用户签到序列，利用用户签到之间的时间间隔Δ
t
和空间间隔Δ
s
，计算时间相似性系数和空间相似性系数二者相加得到最终的时空相似性系数Δ，公式如下：
[0031][0032]其中，和为可学习参数，max(
·
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种区分用户探索性模式和时空重访问模式的POI推荐方法，其特征在于，包括：S1：获取所有用户的历史签到数据，其中用户的历史签到数据包括用户编号、签到时间、POI编号、POI的空间位置；S2：根据用户的历史签到数据中的用户编号、POI编号以及POI的空间位置，随机初始化用户嵌入向量、POI嵌入向量和空间嵌入向量，并根据用户嵌入向量、POI嵌入向量和空间嵌入向量生成嵌入向量e
q
、e
k
、e
v
；S3：建模用户的探索性模式偏好，将用户的序列表示E输入到自注意力网络中进行学习，输出新的序列表示，其中，新的序列表示中的最后一个向量为用户探索性模型的偏好，输出在探索性模式下POI候选集中所有POI的评分，用户的序列表示根据嵌入向量e
q
、e
k
、e
v
获得，POI候选集根据所有用户的历史签到数据获得；S4：建模用户的时空重访问模式偏好，计算时空相似性系数，并根据输入时空相似性系数、新的序列表示以及新的序列表示中的最后一个向量，计算在时空重访问模式下POI候选集中所有POI的评分；S5：根据时空相似性系数、新的序列表示以及新的序列表示中的最后一个向量，计算探索性模式的转换概率和时空重访问模式的转换概率；S6：根据在探索性模式下POI候选集中所有POI的评分、探索性模式的转换概率、在时空重访问模式下POI候选集中所有POI的评分以及时空重访问模式的转换概率，计算POI推荐的最终得分；S7：对POI推荐的最终得分进行排序，对最终得分最高的N个得分对应的POI进行推荐。2.如权利要求1所述的区分用户探索性模式和时空重访问模式的POI推荐方法，其特征在于，S1中POI的空间位置包括POI经纬度。3.如权利要求1所述的区分用户探索性模式和时空重访问模式的POI推荐方法，其特征在于，步骤S2包括：S2.1：将用户的历史签到数据固定为一个长度为m的序列；S2.2：随机初始化用户嵌入向量、POI嵌入向量和空间嵌入向量，分别定义为e
user
、e
poi
和e
spatial
；S2.3：根据用户嵌入向量、POI嵌入向量和空间嵌入向量生成嵌入向量e
q
、e
k
、e
v
，其中，嵌入向量e
q
表示为e
q
＝e
user
+e
poi
+e
spatial
，嵌入向量e
k
表示为e
k
＝e
user
+e
poi
+e
spatial
，嵌入向量e
v
表示为e
v
＝e
poi
+e
spatial
。4.如权利要求1所述的区分用户探索性模式和时空重访问模式的POI推荐方法，其特征在于，步骤S3包括：S3.1：将用户的序列表示E作为自注意力网络的输入，其中，E＝{e1，e2，...，e
m
}，第τ个序列e
τ
＝<e
q
，e
k
，e
v
>，对e
q
，e
k
，e
v
进行线性变化生成新的嵌入向量Q、K和V，Q＝e
q
W
Q
，K＝e
k
W
K
，V＝e
v
W
V
，是可学习参数；S3.2：将Q、K、V输入到自注意机制中进行计算，公式如下：SA(Q，K，V)＝softmax(QK
T
)VE
′
＝FFN(O)＝ReLU((SA(Q，K，V)W1+b1)W2+b2)其中，W1，W2是可学习矩阵，b1，b2是偏置值，输出E
′
＝{e
′1，e
′2，...，e
′
m
}，e
′
m
为新的序列表示E
′
中的最后一个向量；
S3.3：使用点积运算计算POI候选集中I所有POI的探索性模式推荐评分p，POI候选集中的POI嵌入向量为POI编号所对应的POI嵌入向量e
poi
，p的公式如下：其中，为POI候选集中第i个POI的嵌入向量，T为对嵌入向量进行转置，e...

【专利技术属性】
技术研发人员：乐鹏，李皓，李尚城，
申请(专利权)人：东风畅行科技股份有限公司，
类型：发明
国别省市：