【技术实现步骤摘要】
本专利技术涉及兴趣点推荐，特别涉及一种基于超图神经网络和扩散模型的地点推荐方法。
技术介绍
1、随着基于位置的社交网络(lbsns)的发展及其应用程序使用量的激增，用户的签到数据被广泛收集。因此，研究人员对兴趣点(poi)推荐模型的研究兴趣也在不断增加，这些模型旨在通过分析签到历史来揭示用户的访问习惯。下一个poi推荐的主要目标是为用户推荐下次最有可能访问的位置。
2、与传统的推荐方法不同，poi推荐需要深入分析用户时空特征及其意图，以帮助做出最合适的预测。目前，研究人员越来越关注基于深度学习的方法来建模序列数据。为了有效捕获用户轨迹中的长期周期和短期特征，并从轨迹中提取关键信息，递归神经网络(rnns)及其变体和自注意力机制被广泛使用。不幸的是，这些基于序列的方法并没有利用来自其他用户的协作信息。近年来，随着图神经网络(gnn)的发展，由于它们能够捕获邻居之间的相互作用并建模复杂关系，许多gnn方法或超图神经网络(hgnn)方法被用来描述pois之间的转换和位置关系。
3、尽管上述方法已经表现出了相对先进的性能，但本专利技术认为目前的工作存在局限性，限制了poi推荐的推荐模型的性能。首先，大多数现有研究利用完整的签到历史来建模以推测用户意图，然而这种方法往往忽视了用户意图在轨迹中的动态变化与复杂性。在poi推荐中，用户意图通常受到种类、空间距离、时间等多维因素的影响。然而，当前基于图或超图的方法更多地侧重于静态或全局模式，未能充分考虑用户行为的细粒度和多维特征，从而难以准确捕捉轨迹中复杂的用户意图。其次
技术实现思路
1、针对现有技术存在的上述问题，本专利技术要解决的技术问题是：如何更准确的预测下一兴趣点。
2、为解决上述技术问题，本专利技术采用如下技术方案：一种基于超图神经网络和扩散模型的地点推荐方法，构建兴趣点推荐模型，所述兴趣点推荐模型依次包括局部轨迹流超图模块、时空特征编码、多维特征融合网络、全局超图表征学习模块、特征优化模块、聚合层、频域学习层和线性预测层。
3、s1：采用局部轨迹流超图模块获得类别感知的用户意图表征xl：获取若干用户的轨迹序列构成数据集，为每个用户的轨迹序列构建基于poi的超图gp＝(vp,ep)和基于poi地点类别的poi类别超图gc＝(vc,ec)，其中vp代表gp的签到地点的集合，vc代表gc中的签到地点类别的集合，ep和ec分别代表gp和gc中超边的集合，表示两种超图的加权关联矩阵和的定义如下：
4、
5、其中，r表示超边中poi的签到次数，n表示在滑动窗口下poi地点在超边上面出现的次数。
6、采用双阶段信息传递聚合计算方法对poi超图gp计算poi的意图表征xv，对poi类别超图gc计算poi类别的意图表征xc；再通过xv和xc计算每条轨迹序列对应的初步用户意图表征xcv，最后计算每条轨迹序列对应的位置感知的用户意图表征xl。
7、采用时空特征编码计算每条轨迹序列对应的时空表征ef；
8、采用多维特征融合网络得到每条轨迹序列对应的最终用户意图表征xf；
9、将每个用户的轨迹序列分割为以24小时为界限的短轨迹，基于所有用户的多条短轨迹构建一个全局短轨迹交互超图gtra＝(vtra,etra)。其中vtra代表超图的节点集合，而etra是超边集合。表示该超图拓扑结构的关联矩阵的定义如下：
10、
11、其中，关联矩阵中元素为1的实际意义为该行代表的地点出现在该列代表的短轨迹上。针对代表用户这条轨迹的超边e∈etra,它的度为该超边连接的节点数，表示了用户轨迹覆盖的地点数量，因此其表示为所有超边的度构成对角超边度矩阵dtrae。分配权重we给每一条超边，所有超边权重共同构成了一个对角矩阵其中，每一个节点v∈vtra,该节点的度由对角矩阵以及超边权重的矩阵乘法获得所有节点的度构成对角节点度矩阵dtrav。
12、设计全局超图卷积网络，计算每条轨迹的全局视角下的用户意图表征γtra，使用自注意力机制将ef、γtra和xl进行融合得到xf。
13、s2：采用全局超图表征学习模块得到最终全局端表征xglobel：
14、构建全局用户交互超图gg＝(vg,eg)，其中vg代表超图的节点集合也就是签到地点的集合。而eg是用户的超边集合。使用计算γtra一样的运作机制，得到用户的行为模式表征xg。
15、所述gtra根据时间阈值24小时划分得到，以此得到全局时间超图表征xtem。
16、构造一个基于空间阈值的全局空间超图，并利用haversine formula计算了点间的空间距离δs。当δs小于空间阈值时候说明两个签到点在一条超边上，由此构建全局空间超图gspa＝(vspa,espa)，其中vspa代表超图的节点集合也就是签到地点的集合。而espa是空间区域的超边集合。使用计算γtra一样的运作机制，得到用户全局空间超图表征xspa。
17、最后，通过嵌入层根据用户id嵌入用户表征然后融合入xg、xtem、xspa和xuser得到每条轨迹序列对应的最终全局表征xglobel，如公式所示：
18、
19、其中，代表着向量拼接的操作，ωglobel可学习权重矩阵。
20、s3：特征优化模块中使用改进的扩散模型得到每条轨迹序列对应的使用全局表征特征优化后的意图表征xdif。
21、s4：在聚合层，将xdif与xglobel和xl进行相加得到每条轨迹序列对应的综合表征xfinal：
22、
23、s5：在频域学习层将xfinal转换到频域后得到序列表示并对进行编码得到将作为在线性预测层的输入，输出为预测的每条轨迹序列对应的用户的下一个兴趣点兴趣点的访问时间和兴趣点的类别
24、计算损失并根据更新兴趣点推荐模型中的所有参数，当损失不再下降即得到最优兴趣点推荐模型。
25、s6：对于一个新用户，获取该新用本文档来自技高网...
【技术保护点】
1.一种基于超图神经网络和扩散模型的地点推荐方法，其特征在于：构建兴趣点推荐模型，所述兴趣点推荐模型依次包括局部轨迹流超图模块、时空特征编码、多维特征融合网络、全局超图表征学习模块、特征优化模块、聚合层、频域学习层和线性预测层；
2.如权利要求1所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在于：所述S1中，计算Xl的过程如下：
3.如权利要求2所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在于：所述S1中，计算每条轨迹序列对应的时空表征ef的过程如下：
4.如权利要求3所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在于：所述S1中，计算Xf的过程为：
5.如权利要求4所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在于：所述S3中，计算Xdif的过程如下：
6.如权利要求5所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在于：所述S5中，计算和的过程如下：
7.如权利要求6所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在于：所述S5中，计算
...【技术特征摘要】
1.一种基于超图神经网络和扩散模型的地点推荐方法，其特征在于：构建兴趣点推荐模型，所述兴趣点推荐模型依次包括局部轨迹流超图模块、时空特征编码、多维特征融合网络、全局超图表征学习模块、特征优化模块、聚合层、频域学习层和线性预测层；
2.如权利要求1所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在于：所述s1中，计算xl的过程如下：
3.如权利要求2所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在于：所述s1中，计算每条轨迹序列对应的时空表征ef的过程如下...
【专利技术属性】
技术研发人员：曾骏，潘胤辰，李跃，郭岳屹，柳玲，高旻，
申请(专利权)人：重庆大学，
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。