一种好友和兴趣点推荐方法及终端技术

本发明专利技术公开一种好友和兴趣点推荐方法及终端，获取用户的位置社交网络数据；根据所述位置社交网络数据构建异质超图，所述异质超图包括用户节点和兴趣点节点；基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量，所述最终特征向量包括各类节点的最终节点特征向量；基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐，能够更好地表示复杂的语义信息，比如时空信息，并且针对异质超图提出异质超图神经网络模型进行向量嵌入表示，能够更准确地挖掘出其中的信息特征，从而提高好友和兴趣点推荐的准确性。推荐的准确性。推荐的准确性。

【技术实现步骤摘要】
一种好友和兴趣点推荐方法及终端


[0001]本专利技术涉及数据挖掘
，尤其涉及一种好友和兴趣点推荐方法及终端。

技术介绍

[0002]位置社交网络（location
‑
based social networks，LBSN）在我们的生活中是一种非常重要的数据，这类数据常见于现在的美团、小红书、大众点评等平台软件上，这种软件允许用户打卡访问某一个兴趣点（points
‑
of
‑
interest，POI）并进行记录与评论，然后把评论分享给自己在平台上面的好友们。兴趣点是学校、公寓、咖啡厅或者电影院等这类人们可以访问的场所的统称。通过分析这类位置社交网络，我们可以了解到城市中人群的移动轨迹与其好友社交网络，深入分析与挖掘可以为城市管理、个性化广告、兴趣点推荐、好友推荐等下游任务做服务。
[0003]现有技术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，最后仅仅使用全连接层来融合三个模块所挖掘出来的信息来判断用户是否为好友。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，但是这种方法还是把这三个要素割裂开，特别是社交网络与用户访问轨迹中的时空信息，使得模型忽略了这些要素之间的互相影响，并且虽然模型设置的三个模块可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的做法还是存在一定的弊端，并不利于模型对用户特征表示的学习。
专利技术内容
[0004]本专利技术所要解决的技术问题是：提供一种好友和兴趣点推荐方法及终端，能够提高好友和兴趣点推荐的准确性。
[0005]为了解决上述技术问题，本专利技术采用的一种技术方案为：一种好友和兴趣点推荐方法，包括步骤：获取用户的位置社交网络数据；根据所述位置社交网络数据构建异质超图，所述异质超图包括用户节点和兴趣点节点；基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量，所述最终特征向量包括各类节点的最终节点特征向量；基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐。
[0006]为了解决上述技术问题，本专利技术采用的另一种技术方案为：一种好友和兴趣点推荐终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取用户的位置社交网络数据；根据所述位置社交网络数据构建异质超图，所述异质超图包括用户节点和兴趣点
节点；基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量，所述最终特征向量包括各类节点的最终节点特征向量；基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐。
[0007]本专利技术的有益效果在于：获取用户的位置社交网络数据，根据位置社交网络数据构建异质超图，基于异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，基于各类节点的最终节点特征向量进行好友推荐和兴趣点推荐，通过异质超图来描述用户在城市中的位置社交信息，相较于异质图，能够更好地表示复杂的语义信息，比如时空信息，并且针对异质超图提出异质超图神经网络模型进行向量嵌入表示，能够更准确地挖掘出其中的信息特征，从而提高好友和兴趣点推荐的准确性。
附图说明
[0008]图1为本专利技术实施例的一种好友和兴趣点推荐方法的步骤流程图；图2为本专利技术实施例的一种好友和兴趣点推荐终端的结构示意图；图3为本专利技术实施例的好友和兴趣点推荐方法中的推荐流程示意图；图4为现有技术的简单图、异质简单图、超图与本专利技术实施例的好友和兴趣点推荐方法中的异质超图的对比示意图；图5为本专利技术实施例的好友和兴趣点推荐方法中的异质超图；图6为本专利技术实施例的好友和兴趣点推荐方法中的特征聚合前的初始图和特征聚合示意图；图7为本专利技术实施例的好友和兴趣点推荐方法中的初始异质超图和异质超图特征聚合示意图。
具体实施方式
[0009]为详细说明本专利技术的
技术实现思路
、所实现目的及效果，以下结合实施方式并配合附图予以说明。
[0010]请参照图1，本专利技术实施例提供了一种好友和兴趣点推荐方法，包括步骤：获取用户的位置社交网络数据；根据所述位置社交网络数据构建异质超图，所述异质超图包括用户节点和兴趣点节点；基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量，所述最终特征向量包括各类节点的最终节点特征向量；基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐。
[0011]从上述描述可知，本专利技术的有益效果在于：获取用户的位置社交网络数据，根据位置社交网络数据构建异质超图，基于异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，基于各类节点的最终节点特征向量进行好友推荐和兴趣点推荐，通过异质超图来描述用户在城市中的位置社交信息，相较于异质图，能够更好地表示复杂的语义信息，比如时空信息，并且针对异质超图提出异质超图神经网络模型进行向量嵌入表示，能够更准确地挖掘出其中的信息特征，从而提高好友和兴趣点推荐的准确性。
[0012]进一步地，所述位置社交网络数据包括用户轨迹点信息和用户好友信息；所述根据所述位置社交网络数据构建异质超图包括：根据所述用户轨迹点信息和用户好友信息构建异质超图。
[0013]由上述描述可知，根据用户轨迹点信息和用户好友信息构建异质超图，使得异质超图能够全面表示每一用户的位置社交信息。
[0014]进一步地，所述用户轨迹点信息包括所述用户访问过的兴趣点、所述兴趣点对应的兴趣点类型和访问时间；所述根据所述用户轨迹点信息和用户好友信息构建异质超图包括：分别根据所述用户、所述兴趣点、所述兴趣点类型和所述访问时间生成对应的用户节点、兴趣点节点、兴趣点类型节点和访问时间节点；根据所述用户好友信息生成好友超边，并根据所述用户访问过的兴趣点、所述兴趣点对应的兴趣点类型和访问时间生成签到超边和轨迹超边；根据所述用户节点、所述兴趣点节点、所述兴趣点类型节点、所述访问时间节点、所述好友超边、所述签到超边和所述轨迹超边构建异质超图。
[0015]由上述描述可知，根据用户节点、兴趣点节点、兴趣点类型节点、访问时间节点、好友超边、签到超边和轨迹超边构建异质超图，利用异质超图能够全面、准确地描述每一用户的位置社交信息，便于后续基于异质超图实现准确地好友和兴趣点推荐。
[0016]进一步地，所述基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量包括：将异质超图使用异质超图神经网络模型进行向量嵌入表示，得到特征向量；根据预设训练样本中的各用户节点的节点特征向量计算第一余弦相似度，根据所述预设训练样本中的各用户节点的节点特征向量与兴趣点节点的节点特征向量计算第二余弦相似度；基于所述第一余弦相似度确定好友推荐损失函数，并基于所述第二余弦相似度确定兴趣点推荐损失函数；根据所述好友推荐损失函数和所述兴趣点推荐损失函数得到对比学习损失函数；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种好友和兴趣点推荐方法，其特征在于，包括步骤：获取用户的位置社交网络数据；根据所述位置社交网络数据构建异质超图，所述异质超图包括用户节点和兴趣点节点；基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量，所述最终特征向量包括各类节点的最终节点特征向量；基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐。2.据权利要求1所述的一种好友和兴趣点推荐方法，其特征在于，所述位置社交网络数据包括用户轨迹点信息和用户好友信息；所述根据所述位置社交网络数据构建异质超图包括：根据所述用户轨迹点信息和用户好友信息构建异质超图。3.根据权利要求2所述的一种好友和兴趣点推荐方法，其特征在于，所述用户轨迹点信息包括所述用户访问过的兴趣点、所述兴趣点对应的兴趣点类型和访问时间；所述根据所述用户轨迹点信息和用户好友信息构建异质超图包括：分别根据所述用户、所述兴趣点、所述兴趣点类型和所述访问时间生成对应的用户节点、兴趣点节点、兴趣点类型节点和访问时间节点；根据所述用户好友信息生成好友超边，并根据所述用户访问过的兴趣点、所述兴趣点对应的兴趣点类型和访问时间生成签到超边和轨迹超边；根据所述用户节点、所述兴趣点节点、所述兴趣点类型节点、所述访问时间节点、所述好友超边、所述签到超边和所述轨迹超边构建异质超图。4.根据权利要求1所述的一种好友和兴趣点推荐方法，其特征在于，所述基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量包括：将异质超图使用异质超图神经网络模型进行向量嵌入表示，得到特征向量；根据预设训练样本中的各用户节点的节点特征向量计算第一余弦相似度，根据所述预设训练样本中的各用户节点的节点特征向量与兴趣点节点的节点特征向量计算第二余弦相似度；基于所述第一余弦相似度确定好友推荐损失函数，并基于所述第二余弦相似度确定兴趣点推荐损失函数；根据所述好友推荐损失函数和所述兴趣点推荐损失函数得到对比学习损失函数；根据所述对比学习损失函数使用反向传播算法训练所述异质超图神经网络模型，并重复执行所述将异质超图使用异质超图神经网络模型进行向量嵌入表示，得到特征向量步骤，直至所述训练达到预设训练次数；将达到所述预设训练次数的异质超图神经网络模型输出的特征向量确定为最终特征向量。5.根据权利要求4所述的一种好友和兴趣点推荐方法，其特征在于，所述好友推荐损失函数为：
；式中，表示所有用户节点的集合，表示所有用户的数量，表示所述预设训练样本中的第一预设训练正样本，表示所述预设训练样本中的第一预设训练负样本，表示所述第一预设训练正样本中第i个用户节点与第j个用户节点的第一余弦相似度，t表示预设温度参数，表示所述第一预设训练正样本和所述第一预设训练负样本中第i个用户节点与第z个用户节点的第一余弦相似度；所述兴趣点推荐损失函数为：；式中，表示所述预设训练样本中的第二预设训练正样本，表示所述预设训练样本中的第二预设训练负样本，表示所述第二预设训练正样本中第i个用户节点与第j个兴趣点节点...

【专利技术属性】
技术研发人员：宋轩，李永康，许天淇，张骥霄，时邓珩，范子沛，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：