基于超图嵌入的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基于超图嵌入的POI推荐方法及装置，方法包括：接收用户的历史轨迹和候选POI列表，利用超图嵌入方法将每个节点映射到一个低维向量空间中，以使得不同节点之间的相似度通过向量之间的距离或余弦相似度来计算；采用时空注意力网络表示用户行为模式和POI之间的关系，所述时空注意力网络包括两个自注意力机制和一个双向注意力机制；根据时空注意力网络学习到的信息生成推荐结果。本发明专利技术使用超图嵌入算法将用户的签到信息视作超图，在用户

【技术实现步骤摘要】
基于超图嵌入的POI推荐方法及装置


[0001]本专利技术涉及人工智能的
，特别是一种基于超图嵌入的POI推荐方法及装置。

技术介绍

[0002]POI推荐是指根据用户的个人偏好、社交关系、地理位置等信息，为用户推荐感兴趣的地点，如餐厅、商场、景点等。POI推荐是一种重要的位置服务，可以帮助用户发现新的地点，提高用户满意度和忠诚度。
[0003]目前的技术一般是在POI推荐过程中使用随机初始化的方法来生成嵌入向量，随机初始化可能会导致嵌入向量之间存在不合理的距离，导致推荐结果不准确。其次可能会导致模型收敛速度缓慢，需要更多的数据和时间才能得到准确的推荐结果。并且随机初始化不能有效利用用户历史签到信息的特点，导致推荐结果不够个性化。现有技术中还有利于传统图嵌入的方法，将用户的历史签到信息表示为图的节点，通过图嵌入算法学习节点的嵌入向量，从而提高POI推荐的准确性和个性化程度。具体来说，该方法采用节点2vec算法来生成节点的嵌入向量，该算法使用随机游走方法在图中生成节点序列，通过最大化节点序列出现的概率来学习节点的嵌入向量。但是，嵌入向量的维度通常很高，导致模型训练和推理的时间成本较高。图嵌入算法可能会受到图的大小和结构的影响，较大或稀疏的图可能会导致算法的效果下降。图嵌入算法需要大量的数据来学习嵌入向量，因此在数据稀缺的情况下可能无法得到准确的嵌入向量。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于超图嵌入的POI推荐方法及装置，采用超图嵌入算法，可以更好地利用用户的历史签到信息，从而提高推荐的准确性和个性化程度。
[0005]为了达到上述目的，本专利技术采用以下技术方案：
[0006]第一方面，本专利技术提供了一种基于超图嵌入的POI推荐方法，包括下述步骤：
[0007]接收用户的历史轨迹和候选POI列表，利用超图嵌入方法将每个节点映射到一个低维向量空间中，以使得不同节点之间的相似度通过向量之间的距离或余弦相似度来计算，由此得到对于任意一条签到信息i的嵌入表示
[0008]采用时空注意力网络表示用户行为模式和POI之间的关系，所述时空注意力网络包括两个自注意力机制和一个双向注意力机制，所述自注意力机制用于捕捉历史轨迹中不同位置之间的关系，并且根据每个位置与其他位置之间的相似度分配不同权重；所述双向注意力机制则考虑POI之间的相互作用，并且根据每个POI与历史轨迹之间的相似度分配不同权重；
[0009]根据时空注意力网络学习到的信息生成推荐结果。
[0010]作为优选的技术方案，所述超图嵌入方法具体如下：
[0011]构建网络图，将社交网络中的节点和边构建成一个网络图，节点包括用户、地点和时间，边表示节点的用户、地点和时间之间的联系；
[0012]随机游走生成序列，从每个节点开始，采用随机游走算法生成一系列用户节点序列；
[0013]构建节点上下文信息，根据生成的随机游走序列，构建每个节点的上下文信息；
[0014]训练节点嵌入向量，优化过程分为两种类型，即用户节点之间的优化以及超边的优化，即在遍历随机游走序列的优化过程中，每一个用户节点除了和邻居节点做优化外，还会和该用户节点自身所有的签到超边做优化；
[0015]应用嵌入向量：将训练好的节点嵌入向量替代原先节点随机初始化的向量，应用到POI推荐的任务中。
[0016]作为优选的技术方案，在构建网络图的步骤中，所述网络图存在两种类型的边，一种是节点数目为2的用户
‑
用户之间，代表社交关系；另一种是节点数目为3的(用户，时间，地点)组成的超边，代表签到信息。
[0017]作为优选的技术方案，在构建网络图的步骤中，随机游走生成序列的步骤中，在随机游走过程中设置随机游走的长度和数量，另外本步骤仅在用户
‑
用户的图上进行。
[0018]作为优选的技术方案，构建节点上下文信息的步骤中，对于每个节点，将其周围若干个节点作为上下文信息，这些节点可以是其邻居节点、其邻居节点的邻居节点。
[0019]作为优选的技术方案，在构建网络图的步骤中，训练节点嵌入向量的步骤中，采用一个对于n节点通用的优化方法，具体如下：
[0020]首先定义最佳拟合向量使这n节点的嵌入向量在余弦空间中到的距离最短：
[0021][0022]由于最佳拟合向量出现在方程两端，需要进行一些变化，余弦距离最短即最大化余弦相似度，于是：
[0023][0024]令代入上式可得：
[0025][0026]上式即代表使和的余弦相似度最大，当且仅当和相同，即的计算可以简化为：
[0027][0028]在给定的n个节点序列中上式可以直接计算出来，由此，通过将节点序列{v
i
|i＝1,2,
…
,n}和的余弦相似度最大化，得到目标方程：
[0029][0030]其中对于一个节点序列而言，是唯一确定的，至此，使用随机梯度下降等优化器对目标方程进行优化即可。
[0031]作为优选的技术方案，所述根据时空注意力网络学习到的信息生成推荐结果，具体为：
[0032]对于每一个输入的用户历史轨迹，将计算出的每个分配注意力后的候选POI与该历史轨迹之间的相似度得分进行排序，并选择得分最高的几个POI作为推荐结果，这些推荐结果根据用户个人偏好进行进一步筛选和排序，以生成最终的推荐列表。
[0033]第二方面，本专利技术提供了一种基于超图嵌入的POI推荐系统，应用于所述的基于超图嵌入的POI推荐方法，包括超图嵌入模块、时空注意力模块以及任务推荐模块；
[0034]所述超图嵌入模块，用于接收用户的历史轨迹和候选POI列表，利用超图嵌入方法将每个节点映射到一个低维向量空间中，以使得不同节点之间的相似度通过向量之间的距离或余弦相似度来计算，由此得到对于任意一条签到信息i的嵌入表示
[0035]所述时空注意力模块，用于采用时空注意力网络表示用户行为模式和POI之间的关系，所述时空注意力网络包括两个自注意力机制和一个双向注意力机制，所述自注意力机制用于捕捉历史轨迹中不同位置之间的关系，并且根据每个位置与其他位置之间的相似度分配不同权重；所述双向注意力机制则考虑POI之间的相互作用，并且根据每个POI与历史轨迹之间的相似度分配不同权重；
[0036]所述任务推荐模块，用于根据时空注意力网络学习到的信息生成推荐结果。
[0037]第三方，本专利技术提供了一种电子设备，所述电子设备包括：
[0038]至少一个处理器；以及，
[0039]与所述至少一个处理器通信连接的存储器；其中，
[0040]所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的基于超图嵌入的POI推荐。
[0041]第四方面，本专利技术提供了一种计算机可读存储介质，存储有程序，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超图嵌入的POI推荐方法，其特征在于，包括下述步骤：接收用户的历史轨迹和候选POI列表，利用超图嵌入方法将每个节点映射到一个低维向量空间中，以使得不同节点之间的相似度通过向量之间的距离或余弦相似度来计算，由此得到对于任意一条签到信息i的嵌入表示采用时空注意力网络表示用户行为模式和POI之间的关系，所述时空注意力网络包括两个自注意力机制和一个双向注意力机制，所述自注意力机制用于捕捉历史轨迹中不同位置之间的关系，并且根据每个位置与其他位置之间的相似度分配不同权重；所述双向注意力机制则考虑POI之间的相互作用，并且根据每个POI与历史轨迹之间的相似度分配不同权重；根据时空注意力网络学习到的信息生成推荐结果。2.根据权利要求1所述的基于超图嵌入的POI推荐方法，其特征在于，所述超图嵌入方法具体如下：构建网络图，将社交网络中的节点和边构建成一个网络图，节点包括用户、地点和时间，边表示节点的用户、地点和时间之间的联系；随机游走生成序列，从每个节点开始，采用随机游走算法生成一系列用户节点序列；构建节点上下文信息，根据生成的随机游走序列，构建每个节点的上下文信息；训练节点嵌入向量，优化过程分为两种类型，即用户节点之间的优化以及超边的优化，即在遍历随机游走序列的优化过程中，每一个用户节点除了和邻居节点做优化外，还会和该用户节点自身所有的签到超边做优化；应用嵌入向量：将训练好的节点嵌入向量替代原先节点随机初始化的向量，应用到POI推荐的任务中。3.根据权利要求2所述的基于超图嵌入的POI推荐方法，其特征在于，在构建网络图的步骤中，所述网络图存在两种类型的边，一种是节点数目为2的用户
‑
用户之间，代表社交关系；另一种是节点数目为3的(用户，时间，地点)组成的超边，代表签到信息。4.根据权利要求2所述的基于超图嵌入的POI推荐方法，其特征在于，在构建网络图的步骤中，随机游走生成序列的步骤中，在随机游走过程中设置随机游走的长度和数量，另外本步骤仅在用户
‑
用户的图上进行。5.根据权利要求2所述的基于超图嵌入的POI推荐方法，其特征在于，构建节点上下文信息的步骤中，对于每个节点，将其周围若干个节点作为上下文信息，这些节点可以是其邻居节点、其邻居节点的邻居节点。6.根据权利要求2所述的基于超图嵌入的POI推荐方法，其特征在于，在构建网络图的步骤中，训练节点嵌入向量的步骤中，采用一个对于n节点通用的优化方法，具体如下：首先定义最佳拟合向量使这n节点的嵌入向量在余弦空间中到的距离最...

【专利技术属性】
技术研发人员：李树栋，刘子辰，吴晓波，陈嘉伟，黄倩岚，卢丹娜，刘文斌，
申请(专利权)人：广州大学，
类型：发明
国别省市：