【技术实现步骤摘要】
本专利技术涉及兴趣点推荐技术，具体涉及一种兴趣点推荐方法。
技术介绍
1、轨迹数据的收集已经变得普遍，因为它们在多个领域中的应用日益增多。例如，移动设备、汽车、物流运输系统和gps跟踪器都能够生成轨迹数据。这些数据通常包含了时间和地理位置信息，形成了用户、车辆或物体的轨迹。轨迹数据的分析对于理解用户行为、交通流量管理、路径规划和位置服务至关重要。
2、在处理轨迹数据时，poi(point of interest，兴趣点)是轨迹数据的重要组成部分。它一般指的是地图或地理区域中具有特殊兴趣或价值的特定点或地点。
3、一般来说poi包含以下信息：
4、名称(name)：poi的名称，例如商店的名称、餐馆的名称、景点的名称等。
5、地理坐标(geographical coordinates)：poi的精确地理位置，通常用经度(longitude)和纬度(latitude)表示，这是导航和定位的关键信息。
6、类别(category)：poi所属的类别或类型。例如，餐馆、酒店、医院、公园、购物中心等；类别信息有助于用户根据兴趣查找poi。
7、营业时间(operating hours)：poi的开放和关闭时间，以便用户知道何时可以访问。
8、其他关于poi的描述信息，如联系方式、图片和特殊服务或设施等。
9、这些信息通常以结构化数据的形式存储在地理信息数据库或地图服务中，以便用户能够轻松地搜索、浏览和获取与poi相关的信息。这些数据对于导航、旅
10、在现实世界中，许多场景下都存在着下一个poi推荐的问题，如预测轨迹的终点，有助于导航应用和路径规划、识别轨迹中的异常行为，如交通事故或突发事件等。而人类移动性问题就是通过构建模型去有效利用和挖掘已知poi从而对人类的下一个poi做出预测。
11、在现有的兴趣点推荐系统中，传统的推荐方法主要是基于模式或数据驱动的方法，如马尔科夫链和矩阵分解[where you like to go next:successive point-of-interest recommendation,”in proceedings of the twenty-third internationaljoint conference on artificial intelligence,ser.ijcai13.aaaipress,2013,p.2605–2611.]；同时，协同过滤相关的方法也取得了一定的效果，但仍然面临着数据稀疏性和冷启动等问题。
12、此外，由于用户与兴趣点之间的关系复杂多样，且受到多种因素的影响，如地理位置、社交关系、时间周期等，传统的基于点的推荐方法往往难以准确捕捉这些关系。因此，如何将这些复杂关系进行有效地表示和建模，成为了提高推荐系统性能的关键。
13、随着深度学习技术的广泛应用，兴趣点推荐相关的研究也得到了启发。深度循环神经网络rnns及其变体lstm和gru能够很好的捕捉序列之间的依赖关系，而得到了广泛的应用，例如deepmove[deepmove:predicting human mobility with attentionalrecurrent networks,”in proceedings of the 2018world wide web conference,2018,pp.1459–1468]使用循环神经网络学习人类移动的短期偏好与长期偏好，再将二者进行结合的方式使得准确率获得了提升。
14、尽管rnn家族在序列学习中表现惊人，但是受到其计算速度的限制，难以在较长的序列中使用。因此，注意力机制凭借着对全局依赖的学习能力，得到了广泛的关注，如cfprec[“next point-of-interest recommendation with inferring multi-stepfuture preferences,”in proceedings of the 31st international joint conferenceon artificial intelligence(ijcai),2022,pp.3751–3757.]通过自注意力网络去捕获用户的历史偏好，并计算点到预测点的距离对poi进行分类，并分配不同的注意力权重值，以实现准确预测下一个用户的偏好。
15、但当前深度神经网络模型在人类移动性推荐上尚面临以下关键问题：
16、一、如何在推荐中缓解poi流行度偏见带来的问题，提升poi表示学习隐空间向量的信息量，以保证推荐目标poi时能更准确的定位到相关的语意信息附近；
17、二、如何针对用户的时变偏好进行学习，进一步捕获poi的序列关系与用户个性化之间的相互依赖，以提升模型的个性化推荐能力。
18、因此，我们认为短期兴趣与长期兴趣之间如何保持一致性以及一个良好的分类器同样非常重要。
技术实现思路
1、本专利技术所要解决的技术问题是：提出一种兴趣点推荐方法，其能够保持短期兴趣与长期兴趣之间的一致性，提高对用户下一个兴趣点的预测准确性。
2、本专利技术解决上述技术问题采用的技术方案是：
3、一种兴趣点推荐方法，包括以下步骤：
4、a、训练兴趣点推荐模型
5、a1、构建训练集
6、获取签到数据，所述签到数据包括签到用户标签和签到兴趣点信息，所述兴趣点信息包括兴趣点标签以及兴趣点的位置信息和签到时间；
7、基于签到用户信息，分别从签到数据中，提取各用户的兴趣点信息并根据时间线排列，构建各用户的历史轨迹；分别对各用户的历史轨迹，按预设的时间间隔进行划分，获得各用户的一组训练轨迹；针对各训练轨迹，将其按时间线排列的最后一个兴趣点作为真实签到，将其除真实签到以外的剩余兴趣点所组成的轨迹构成当前轨迹；
8、分别基于各当前轨迹构建训练样本，所述训练样本包括当前轨迹、与该当前轨迹属于同一训练轨迹的真实签到以及该当前轨迹所属训练轨迹所属的历史轨迹；基于训练样本构建训练集；
9、a2、从训练集中，提取至少一个训练样本，作为本轮训练的输入；针对输入的每一个训练样本，分别按如下步骤进行处理：
10、a21、对输入训练样本的历史轨迹所包含各兴趣点，分别进行编码，获得各兴趣点的嵌入表示；根据各兴趣点的签到时间的先后顺序，为各兴趣点的嵌入表示添加位置编码向量，获得各兴趣点的特征表示；
11、a22、以输入训练样本的当前轨迹所包含各兴趣点的特征表示作为输入，对其所包含各兴趣点进行自注意力计算，基于自注意力得分，获得训练样本的短期活动隐藏状态；
12、a23、以输入训练样本的历史轨迹所包含各兴趣点的特征表示，拼接构成历史轨迹的特征矩阵；利用历史轨迹的特征矩阵和训练样本的短期活动隐藏状态，基于交叉注意力机制，获得训练样本的本文档来自技高网...
【技术保护点】
1.一种兴趣点推荐方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种兴趣点推荐方法，其特征在于：步骤A24中，所述推理网络包括由全连接网络构成的兴趣点分类器：基于输入训练样本的短期活动隐藏状态和长期偏好张量利用兴趣点分类器，按如下公式，预测下一个兴趣点：
3.如权利要求1所述的一种兴趣点推荐方法，其特征在于，
4.如权利要求3所述的一种兴趣点推荐方法，其特征在于，
5.如权利要求4所述的一种兴趣点推荐方法，其特征在于：
6.如权利要求5所述的一种兴趣点推荐方法，其特征在于：步骤C5中，利用步骤C4所获得兴趣点的嵌入表示，按如下公式，利用锚点同正样本集合所包含兴趣点之间以及锚点同负样本集合所包含兴趣点之间进行对比学习，基于最小化期望进行关系蒸馏，更新兴趣点嵌入矩阵：
7.如权利要求4所述的一种兴趣点推荐方法，其特征在于：
8.如权利要求7所述的一种兴趣点推荐方法，其特征在于，
9.如权利要求3～8任一所述的一种兴趣点推荐方法，其特征在于，
10.如权利要求1～8任一
11.如权利要求1～8任一所述的一种兴趣点推荐方法，其特征在于，
12.如权利要求1～8任一所述的一种兴趣点推荐方法，其特征在于，
13.如权利要求5～8任一所述的一种兴趣点推荐方法，其特征在于，
14.如权利要求13所述的一种兴趣点推荐方法，其特征在于，
...【技术特征摘要】
1.一种兴趣点推荐方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种兴趣点推荐方法，其特征在于：步骤a24中，所述推理网络包括由全连接网络构成的兴趣点分类器：基于输入训练样本的短期活动隐藏状态和长期偏好张量利用兴趣点分类器，按如下公式，预测下一个兴趣点：
3.如权利要求1所述的一种兴趣点推荐方法，其特征在于，
4.如权利要求3所述的一种兴趣点推荐方法，其特征在于，
5.如权利要求4所述的一种兴趣点推荐方法，其特征在于：
6.如权利要求5所述的一种兴趣点推荐方法，其特征在于：步骤c5中，利用步骤c4所获得兴趣点的嵌入表示，按如下公式，利用锚点同正样本集合所包含兴趣点之间以及锚点同负样本集合所包含...
【专利技术属性】
技术研发人员：高强，黄鹂，丁浩伦，刘贵松，刘力，尹诗白，刘铠，付正文，
申请(专利权)人：西南财经大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。