一种基于用户长短期偏好的自适应兴趣点推荐方法技术

本发明专利技术公开了一种基于用户长短期偏好的自适应兴趣点推荐方法，包括步骤：基于LBSNs历史签到数据集，构建用户签到的轨迹序列集合，并且按照签到记录的时间间隔采用动态时间窗口划分为历史签到轨迹序列和近期签到轨迹序列；基于所述历史签到轨迹序列采用融合时间因素的LSTM模型学习用户的历史偏好，基于所述近期签到轨迹序列采用结合时空因素的RNN模型学习用户的近期偏好，结合所述历史偏好和所述近期偏好得到用户的长短期兴趣偏好；结合所述长短期兴趣偏好对候选兴趣点进行概率预测，并把概率值排序靠前的若干兴趣点推荐给用户。本发明专利技术利用长短期学习结果进行兴趣点推荐，优化推荐效果。荐效果。荐效果。

【技术实现步骤摘要】
一种基于用户长短期偏好的自适应兴趣点推荐方法


[0001]本专利技术涉及一种兴趣点推荐方法，特别是一种基于用户长短期偏好的自适应兴趣点推荐方法。

技术介绍

[0002]基于位置社交网络(LBSNs)的兴趣点推荐能够为移动用户提供多样性、个性化并且从未访问过的地点。现有兴趣点推荐方法大多针对用户的连续签到轨迹序列采用深度学习方法来建模用户的连续签到行为，但是还存在以下问题：
[0003](1)用户的签到轨迹无法明显准确体现用户的长期偏好和短期偏好。现有方法把用户所有的签到记录都看作一个整体生成连续兴趣点签到轨迹序列，由于社交网络中移动用户签到的不规则性、随机性、差异性特征，只能体现用户的整体偏好，很难明确反映用户具体的历史偏好和近期偏好。有的方法虽然将用户的签到轨迹序列进行了划分，但是近期轨迹只依赖于最近签到的一个兴趣点，而现实生活中用户下一个兴趣点的选择往往受到近期多个连续签到兴趣点的影响，导致难以准确地体现用户近期的兴趣偏好。
[0004](2)没有解决近期签到轨迹序列较短的问题。在移动社交网络中存在一部分签到活跃度较低的用户，签到的数量较少且相邻签到的兴趣点之间的时间间隔和距离间隔较大，使得不活跃用户只有较短的签到轨迹序列并且连续性较差，尤其是严重缺乏足够的近期签到信息，导致很难进行短期兴趣挖掘，无法准确地获取用户的短期兴趣偏好，致使对该类用户难以有较好的推荐效果。
[0005](3)缺乏动态自适应的用户偏好学习模型。LBSNs用户具有各自不同的签到行为特征，然而现有兴趣点推荐方法没有考虑用户的兴趣偏好多样性，均采用单一的偏好学习模型对所有用户进行统一的偏好挖掘和推荐，导致用户偏好的学习模型灵活性较差，不能较好学习用户的不同偏好，降低了推荐性能。

技术实现思路

[0006]针对上述现有技术缺陷，本专利技术的任务在于提供一种基于用户长短期偏好的自适应兴趣点推荐方法，解决现有技术的兴趣点推荐难以反映用户长期及短期偏好，推荐效果较差的问题。
[0007]本专利技术技术方案如下：一种基于用户长短期偏好的自适应兴趣点推荐方法，包括以下步骤：
[0008]步骤1、基于LBSNs历史签到数据集，构建用户签到的轨迹序列集合，并且按照签到记录的时间间隔采用动态时间窗口划分为历史签到轨迹序列和近期签到轨迹序列；
[0009]步骤2、基于所述历史签到轨迹序列采用融合时间因素的LSTM模型学习用户的历史偏好，基于所述近期签到轨迹序列采用结合时空因素的RNN模型学习用户的近期偏好，结合所述历史偏好和所述近期偏好得到用户的长短期兴趣偏好；
[0010]步骤3：结合所述长短期兴趣偏好对候选兴趣点进行概率预测，并把概率值排序靠
前的若干兴趣点推荐给用户。
[0011]进一步地，所述步骤1中按照签到记录的时间间隔采用动态时间窗口划分是以签到时间对签到记录排序，计算排序后的签到记录中相邻签到记录的时间间隔，以最大时间间隔为所述动态时间窗口，将最早的第一次签到至所述动态时间窗口的签到轨迹序列定义为所述历史签到轨迹序列，将所述动态时间窗口之后的签到轨迹序列定义为所述近期签到轨迹序列。
[0012]进一步地，根据用户的所述近期签到轨迹序列的近期签到记录数划分为活跃用户和不活跃用户，计算所述活跃用户和所述不活跃用户的相似度，对所述不活跃用户选择相似度最高的若干活跃用户的近期签到轨迹序列合并至所述不活跃用户的近期签到轨迹序列。
[0013]进一步地，所述划分活跃用户和不活跃用户时，根据所有用户的近期签到轨迹序列的平均近期签到记录数设定活跃阈值和不活跃阈值，所述活跃阈值大于所述平均近期签到记录数，所述不活跃阈值小于所述平均近期签到记录数，所述近期签到轨迹序列的近期签到记录数达到所述活跃阈值的用户为活跃用户，所述近期签到轨迹序列的近期签到记录数未达到所述不活跃阈值的用户为不活跃用户。
[0014]进一步地，基于所述历史签到轨迹序列采用融合时间因素的LSTM模型学习用户的历史偏好时，所述融合时间因素的LSTM模型的细胞状态c
k
的更新如下
[0015][0016][0017]i
k
＝σ(W
i
[h
k
‑1,x
k
]+b
i
)
[0018]f
k
＝σ(W
f
[h
k
‑1,x
k
]+b
f
)
[0019]T
k
＝σ(W
q
q
lk
+W
t
s
k
+b
t
)
[0020]是权重矩阵，为偏置向量，x
k
＝[s
k
,q
lk
]为所述融合时间因素的LSTM模型的输入，表示地点的嵌入表示，表示所述历史签到轨迹序列中相邻两签到记录的时间间隔的特征向量，
[0021]所述历史偏好为p
k
＝tanh(V
l
c
k
)，为所述融合时间因素的LSTM模型需要学习的参数。
[0022]进一步地，所述基于所述近期签到轨迹序列采用结合时空因素的RNN模型学习用户的近期偏好时，所述结合时空因素的RNN模型的隐状态更新为
[0023][0024]为兴趣点l
i
的嵌入表示；是所述近期签到轨迹序列中相邻两签到记录的时间间隔的特征向量；为所述近期签到轨迹序列中相邻两兴趣点的距离间隔的特征向量；为输入兴趣点l
i
后模型更新的状态信息，状态用一个d维度的特征向量表示，用来记录近期签到轨迹序列的特征信息，σ为sigmod激活函数，为相关的权重矩阵，是模型待学习的参数，
[0025]所述近期偏好为p
i
＝tanh(V
s
h
i
)，为相关的权重矩阵是模型待学习的参
数。
[0026]进一步地，所述近期签到轨迹序列中相邻两兴趣点的距离间隔为d
i,i
‑1[0027][0028]C＝sin L at
i
*sin L at
i
‑1+cos L at
i
*cos L at
i
‑1*cos(Lon
i
‑1‑
Lon
i
)
[0029]其中R表示地球的平均半径，Pi为圆周率，l
i
＝{Lon
i
,Lat
i
}和l
i
‑1＝{Lon
i
‑1,Lat
i
‑1}表示相邻两兴趣点的经纬度。
[0030]进一步地，所述用户的长短期兴趣偏好为p
u
，p
u
＝p
i
+p
k
，p<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户长短期偏好的自适应兴趣点推荐方法，其特征在于，包括以下步骤：步骤1、基于LBSNs历史签到数据集，构建用户签到的轨迹序列集合，并且按照签到记录的时间间隔采用动态时间窗口划分为历史签到轨迹序列和近期签到轨迹序列；步骤2、基于所述历史签到轨迹序列采用融合时间因素的LSTM模型学习用户的历史偏好，基于所述近期签到轨迹序列采用结合时空因素的RNN模型学习用户的近期偏好，结合所述历史偏好和所述近期偏好得到用户的长短期兴趣偏好；步骤3：结合所述长短期兴趣偏好对候选兴趣点进行概率预测，并把概率值排序靠前的若干兴趣点推荐给用户。2.根据权利要求1所述的基于用户长短期偏好的自适应兴趣点推荐方法，其特征在于，所述步骤1中按照签到记录的时间间隔采用动态时间窗口划分是以签到时间对签到记录排序，计算排序后的签到记录中相邻签到记录的时间间隔，以最大时间间隔为所述动态时间窗口，将最早的第一次签到至所述动态时间窗口的签到轨迹序列定义为所述历史签到轨迹序列，将所述动态时间窗口之后的签到轨迹序列定义为所述近期签到轨迹序列。3.根据权利要求1所述的基于用户长短期偏好的自适应兴趣点推荐方法，其特征在于，根据用户的所述近期签到轨迹序列的近期签到记录数划分为活跃用户和不活跃用户，计算所述活跃用户和所述不活跃用户的相似度，对所述不活跃用户选择相似度最高的若干活跃用户的近期签到轨迹序列合并至所述不活跃用户的近期签到轨迹序列。4.根据权利要求3所述的基于用户长短期偏好的自适应兴趣点推荐方法，其特征在于，所述划分活跃用户和不活跃用户时，根据所有用户的近期签到轨迹序列的平均近期签到记录数设定活跃阈值和不活跃阈值，所述活跃阈值大于所述平均近期签到记录数，所述不活跃阈值小于所述平均近期签到记录数，所述近期签到轨迹序列的近期签到记录数达到所述活跃阈值的用户为活跃用户，所述近期签到轨迹序列的近期签到记录数未达到所述不活跃阈值的用户为不活跃用户。5.根据权利要求3所述的基于用户长短期偏好的自适应兴趣点推荐方法，其特征在于，所述将若干活跃用户的近期签到轨迹序列合并至所述不活跃用户的近期签到轨迹序列时，剔除活跃用户的近期签到轨迹序列中签到地点相同的签到记录，并且在合并后的所述不活跃用户的近期签到轨迹序列超出签到记录数最大值时剔除时间较早的签到记录至签到记录数达到签到记录数最大值。6.根据权利要求1所述的基于用户长短期偏好的自适应兴趣点推荐方法，其特征在于，基于所述历史签到轨迹序列采用融合时间因素的LSTM模型学习用户的历史偏好时，所述融合时间因素的LSTM模型的细胞状态c
k
的更新如下的更新如下i
k
＝σ(W
i
[h
k
‑1，x
k
]+b
i
)f
k
＝σ(W
f
[h
k
‑1，x
k
]+b
f
))是权重矩阵，为偏置向量，为所述融合时间因素的LSTM模型的...

【专利技术属性】
技术研发人员：司亚利，李峰，聂盼红，刘井莲，赵卫绩，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：