一种基于时序门控图神经网络的兴趣点推荐方法技术

本发明专利技术涉及图神经网络、深度学习与推荐系统领域，特别涉及一种基于时序门控图神经网络的兴趣点推荐方法；该方法构建并训练用户长期偏好模型，采用训练好的用户长期偏好模型为用户推荐兴趣点；所述用户长期偏好模型包括签到序列图构造模块、时序门控图神经网络模块(TGGNN模块)、注意力机制模块和概率预测模块；本发明专利技术通过构建兴趣点(POI)签到序列图来表示用户的签到活动，实现有效特征的传播，设计时序门控图神经网络融合时间上下文信息来动态更新节点向量，充分考虑了签到序列图中节点之间的时间关系，同时也能得到不同签到点之间的复杂转换。复杂转换。复杂转换。

【技术实现步骤摘要】
一种基于时序门控图神经网络的兴趣点推荐方法


[0001]本专利技术涉及图神经网络、深度学习与推荐系统领域，特别涉及一种基于时序门控图神经网络的兴趣点推荐方法。

技术介绍

[0002]随着智能手机的广泛使用和全球定位系统的快速发展，智能终端所能提供的定位功能变得越来越准确。在这种背景下，基于位置的社交网络(LBSN)服务如Gowalla、Yelp和Facebook Places等迅速发展，受到了许多用户的喜爱。
[0003]与传统的社交网络相比，LBSN的优势在于用户能够以签到的形式发布他们的地理签到信息，并与朋友分享他们的经验，为用户提供了一个独特的社交机会。通过这些优势使得LBSNs平台的用户规模急速扩张，同时带来了大量可用性数据，这为兴趣点(POI，Point of Interest)推荐提供了新的机会，POI推荐是推荐系统中一个充满活力的独立子领域，近年来获得了用户和业务方面的大量关注。
[0004]在地理信息系统中，一个POI可以是一栋房子、一个商铺、一个公交站等。POI推荐是利用用户的历史签到和其他相关信息来向用户推荐他们感兴趣的下一组POI。POI推荐可以帮助用户在位置社交网络的大量数据中找到自己感兴趣的信息，并访问新的地理位置，让他们的生活更加便利。对于POI的研究层出不穷，但仍然存在几个问题：
[0005]在现有的许多方法中，用户的签到行为数据通常被建模为序列。用户的签到行为通常包含许多尚未被充分利用的有用特性，当签到序列变得相当复杂时，特别是当有大量的POI可用时，很难从用户的签到序列中直接捕获用户的顺序行为模式以及用户的偏好。
[0006]现有的POI推荐算法通过门控图神经网络(GGNN)更新序列图的节点，从而得到不同签到点之间的复杂转换。但是，该方法存在一个问题，即没有考虑到序列图中节点之间的时间关系。然而，研究表明时间信息对于POI推荐是很重要的。

技术实现思路

[0007]为解决上述问题，本专利技术提供了一种基于时序门控图神经网络的兴趣点推荐方法，该方法构建并训练用户长期偏好模型，采用训练好的用户长期偏好模型为用户推荐兴趣点；所述用户长期偏好模型包括签到序列图构造模块、TGGNN模块、注意力机制模块和概率预测模块；
[0008]用户长期偏好模型的训练过程包括以下步骤：
[0009]S1.获取用户的签到活动序列，所述签到活动序列包括按照时间排序的各个位置的特征向量；
[0010]S2.签到序列图构造模块根据用户的签到活动序列生成POI签到序列图；
[0011]S3.通过TGGNN模块获取POI签到序列图中每个位置节点的输出状态表示；
[0012]S4.注意力机制模块结合每个位置节点的输出状态表示计算出POI签到序列图的最终向量；
[0013]S5.概率预测模块通过softmax函数计算每个候选POI的概率，采用交叉熵损失函数计算损失并反向传播训练模型，直至模型收敛。
[0014]进一步的，用户的签到活动序列表示为进一步的，用户的签到活动序列表示为表示用户u在时间点t
i
访问的位置的特征向量；步骤S2根据用户的签到活动序列构建POI签到序列图G＝(Q,E)，为位置节点集合，表示第i个位置节点的向量，E为边集合。
[0015]进一步的，通过TGGNN模块获取POI签到序列图中每个位置节点的输出状态表示的过程：
[0016]S31.计算POI签到序列图中每条边分别作为输入边和输出边时的时间权重，得到带有时间信息的POI签到序列图；
[0017]S32.将带有时间信息的POI签到序列图转换为邻接矩阵和时间连接矩阵；
[0018]S33.通过邻接矩阵和时间连接矩阵转换POI签到序列图中的每个位置节点的向量，得到每个位置节点对应的图输入向量和图时间输入向量；
[0019]S34.基于每个位置节点对应的图输入向量和图时间输入向量，采用改进后的更新函数动态更新POI签到序列图得到每个位置节点的输出状态表示。
[0020]进一步的，步骤S31计算POI签到序列图中每条边分别作为输入边和输出边时的时间权重的公式为：
[0021][0022][0023]其中，表示POI签到序列图中输入边的时间权重，表示POI签到序列图中输出边的时间权重，W
T
(v
j
,v
i
)表示位置节点v
j
与位置节点v
i
间的时间间隔的权重，W
T
(v
k
,v
i
)表示位置节点v
k
与位置节点v
i
间的时间间隔的权重，N
in
(i)表示位置节点v
i
的前向节点集合，N
out
(i)表示位置节点v
i
的后向节点集合。
[0024]进一步的，位置节点v
j
与位置节点v
i
间的时间间隔的权重的计算公式为：
[0025][0026]其中，Δt
j,i
表示位置节点v
j
与位置节点v
i
间的时间间隔，tt表示时间比例因子。
[0027]进一步的，步骤S33计算每个位置节点的图输入向量和图时间输入向量的公式为：
[0028][0029][0030]其中，表示第i个位置节点的图输入向量，表示POI签到序列图的节点向量列表，表示入度邻接矩阵A
in
的第i行，表示出度邻接矩阵A
out
的第i行，
表示第i个位置节点的图时间输入向量，表示入度时间连接矩阵的第i行，表示出度时间连接矩阵的第i行；W
in
和W
out
都是参数矩阵。
[0031]进一步的，步骤S34采用的改进后的更新函数表示为：
[0032][0033][0034][0035][0036]其中，表示第i个位置节点经过复位门的结果，表示第i个位置节点的图输入向量，表示第i个位置节点的图时间输入向量，表示第i个位置节点在t
‑
1时刻的隐藏状态，表示第i个位置节点在t时刻的隐藏状态，表示第i个位置节点经过更新门的结果，表示第i个位置节点在t时刻的候选隐藏状态，b
r
、b
z
、b
q
都是偏置向量，W
ra
、W
time_ra
、W
za
、W
time_za
、W
hr
、W
qa
、W
time_qa
都是参数矩阵，σ是sigmoid函数。
[0037]进一步的，步骤S4计算POI签到序列图的最终向量的过程包括：
[0038]S41.计算POI签到序列图中每个位置节点的权重并与其对应的输出状态表示相乘，将所有相乘结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序门控图神经网络的兴趣点推荐方法，其特征在于，构建并训练用户长期偏好模型，采用训练好的用户长期偏好模型为用户推荐兴趣点；所述用户长期偏好模型包括签到序列图构造模块、TGGNN模块、注意力机制模块和概率预测模块；用户长期偏好模型的训练过程包括以下步骤：S1.获取用户的签到活动序列，所述签到活动序列包括按照时间排序的各个位置的特征向量；S2.签到序列图构造模块根据用户的签到活动序列生成POI签到序列图；S3.通过TGGNN模块获取POI签到序列图中每个位置节点的输出状态表示；S4.注意力机制模块结合每个位置节点的输出状态表示计算出POI签到序列图的最终向量；S5.概率预测模块通过softmax函数计算每个候选POI的概率，采用交叉熵损失函数计算损失并反向传播训练模型，直至模型收敛。2.根据权利要求1所述的一种基于时序门控图神经网络的兴趣点推荐方法，其特征在于，用户的签到活动序列表示为于，用户的签到活动序列表示为表示用户u在时间点t
i
访问的位置的特征向量；步骤S2根据用户的签到活动序列构建POI签到序列图G＝(Q,E)，为位置节点集合，表示第i个位置节点的向量，E为边集合。3.根据权利要求1所述的一种基于时序门控图神经网络的兴趣点推荐方法，其特征在于，通过TGGNN模块获取POI签到序列图中每个位置节点的输出状态表示的过程：S31.计算POI签到序列图中每条边分别作为输入边和输出边时的时间权重，得到带有时间信息的POI签到序列图；S32.将带有时间信息的POI签到序列图转换为邻接矩阵和时间连接矩阵；S33.通过邻接矩阵和时间连接矩阵转换POI签到序列图中的每个位置节点的向量，得到每个位置节点对应的图输入向量和图时间输入向量；S34.基于每个位置节点对应的图输入向量和图时间输入向量，采用改进后的更新函数动态更新POI签到序列图得到每个位置节点的输出状态表示。4.根据权利要求3所述的一种基于时序门控图神经网络的兴趣点推荐方法，其特征在于，步骤S31计算POI签到序列图中每条边分别作为输入边和输出边时的时间权重的公式为：为：其中，表示POI签到序列图中输入边的时间权重，表示POI签到序列图中输出边的时间权重，W
T
(v
j
,v
i
)表示位置节点v
j
与位置节点v
i
间的时间间隔的权重，W
T
(v
k
,v
i
)表示位置节点v
k
与位置节点v
i
间的时间间隔的权重，N
in
(i)表示位置节点v
i
的前向节点集合，N
out
(i)表示位置节点v
i
的后向节点集合。
5.根据权利要求4...

【专利技术属性】
技术研发人员：唐宏，刘斌，杨浩澜，张静，金哲正，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：