CN112801749A - 融合用户连续签到行为序列上下文特征的兴趣点推荐方法 - Google Patents

Abstract

本发明属于社交网络兴趣点推荐领域，具体涉及一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，该方法包括：获取数据，提取数据的相关属性特征；根据用户对兴趣点的评分信息提取用户和兴趣点的特征向量；将用户连续签到行为序列时空特征信息输入到基于注意力机制的双向网络结构中，得到用户的动态行为偏好；根据用户的动态行为偏好在候选兴趣点列表中选取推荐兴趣点，得到有序推荐集合；在有序推荐集合中选取最优的推荐兴趣点；通过本方法有助于商家掌握用户行为特性分布，分析***，获得良好的经济、社会效益。

Description

融合用户连续签到行为序列上下文特征的兴趣点推荐方法

技术领域

本发明属于社交网络兴趣点推荐领域，具体涉及一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法。

背景技术

随着移动终端设备和无线定位技术的快速发展和广泛应用以及社会经济的快速发展，人们选择出行的方式以及出行的地点越来越广泛。人们的兴趣点(point ofinterest，POI)如：旅游景点、电影院、博物馆、餐厅等也不断增加，然而，面对大量的POIs，如何根据个人喜好快速选择与自己兴趣相关的兴趣点成为了用户的一个难题。兴趣点推荐不但能够帮助用户快速发现有兴趣的位置，还能够帮助商家实现精准营销。对于用户，可以帮助用户更方便地了解周围的信息从而辅助自己的决策。对于商家，可以帮助商家分析用户行为喜好，为用户提供具有个性化的服务，提高平台的用户体验，从而提高平台经济收益，以及帮助商家分析用户的出行行为特征，挖掘热点区域，实现精准营销。

近年来，基于位置的社交网络兴趣点推荐方法越来越受到物联网和电商的青睐。在对兴趣点进行推荐的方法中，个性化推荐技术对改善用户体验和提高服务质量起到了重要的作用。现有的兴趣点推荐技术可分为协同过滤、矩阵分解和基于深度学习。基于协同过滤的推荐方法从用户或兴趣点出发，通过分析用户或兴趣点的同类相似度产生推荐；基于矩阵分解的推荐方法主要从用户对兴趣点的行为数据出发，如通过用户对兴趣点的评分构建评分矩阵，通过对矩阵分解求解的方式产生推荐；基于深度学习的推荐方法综合考虑用户、兴趣点和环境信息，从用户签到行为信息中提取用户、兴趣点和环境信息，利用神经网络拟合出用户和兴趣点之间的联系，从而为目标用户产生兴趣点推荐。

虽然对兴趣点推荐模型进行了大量的研究，并取得了较好的成果，但仍存在一些挑战：

1.在对用户和兴趣点特征向量进行表示过程中，采用One-Hot或词嵌入的方式表示用户和兴趣点特征向量，使得用户和兴趣点的特征向量稀疏。

2.在用户连续签到行为上下文序列特征中，仅考虑用户签到行为信息，忽略了用户连续签到行为上下序列特征，从而忽略了用户连续行为偏好，不能准确的为目标用户推荐合适的新的兴趣点集合。

3.在兴趣点推荐中，基于协同过滤和矩阵分解的兴趣点推荐未能充分发挥上下文时空特征的影响，使其不能较好的获取用户的动态偏好，造成推荐误差。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，该方法包括：

S1：获取原始数据，并对原始数据进行预处理，得到新数据集；所述原始数据包括用户评分数据、签到序列数据和时空信息数据；

S2：提取新数据集的相关属性；所述相关属性包括用户对兴趣点的评分信息和用户连续签到行为序列时空特征信息；

S3：根据用户对兴趣点的评分信息分别提取用户和兴趣点的特征向量，根据特征向量构建候选兴趣点列表；

S4：将用户连续签到行为序列时空特征信息输入到基于注意力机制的双向网络结构中，得到用户的动态行为偏好；

S5：根据用户的动态行为偏好在候选兴趣点列表中选取推荐兴趣点，得到有序推荐集合；

S6：在有序推荐集合中选取最优的推荐兴趣点进行推荐。

优选的，对原始数据进行预处理的过程包括对原始数据进行清洗；设置签到阈值；统计清洗后数据中所有用户对兴趣点的签到次数和所有兴趣点被用户签到的次数；若用户对兴趣点的签到次数小于签到阈值，则删除该用户的数据，若兴趣点被用户签到的次数小于签到阈值，则删除该兴趣点，得到新的数据集。

进一步的，设置的签到阈值为5。

优选的，提取新数据集的相关属性的过程包括：

S21：从新数据集中的用户评分数据中提取用户对兴趣点的评分信息；用户评分数据中包含了用户对兴趣点的评分信息，从中选取出用户对兴趣点的评分信息；

S22：从新数据集中的签到序列数据和时空信息数据中提取用户连续签到时间特征；用户连续签到时间特征为用户连续两个签到时间的时间间隔；

S23：从新数据集中的签到序列数据和时空信息数据中提取用户连续签到兴趣点的空间位置特征信息；用户连续签到兴趣点的空间位置特征信息为用户每连续两个兴趣点之间的距离。

优选的，根据用户对兴趣点的评分信息提取用户和兴趣点的特征向量的过程包括：

S31：根据评分信息构建评分矩阵，采用矩阵分解算法对评分矩阵进行分解，得到用户特征向量p_u和兴趣点特征向量q_l；

S32：根据用户兴趣点的特征向量计算用户对兴趣点之间的相似度；

S33：根据用户对兴趣点之间的相似度选取候补兴趣点。

进一步的，计算用户对兴趣点的兴趣度和兴趣点之间的相似度的公式为：

优选的，得到用户的动态行为偏好的具体过程包括：

S41：采用双向网络结构对用户连续签到行为序列时空特征信息进行融合，得到融合特征信息；

S42：采用注意力机制对融合信息特征进行选取，得到用户的动态行为偏好。

进一步的，计算融合的公式为：

D_t＝σ(W_dΔD_t+b_d)

T_t＝σ(W_tΔT_t+b_t)

r_t＝σ(W_r[h_t-1,x_t]+b_r)

z_t＝σ(W_z[h_t-1，x_t]+b_z)

进一步的，采用注意力机制对融合信息特征进行计算的公式为：

优选的，据用户的动态行为偏好在候选兴趣点列表中选取推荐兴趣点的过程包括：

S51：获取到指定数目的候选兴趣点列表；

S52：根据用户的动态行为偏好对候选兴趣点列表进行推荐预测，得到候选兴趣点的推荐预测概率；计算公式为：

S53：将推荐集合中用户对兴趣点的签到概率大小进行降序排序，以TOP-N的方式向目标用户推荐用户未曾访问过的兴趣点集合。

本发明采用用户签到行为数据，从用户和兴趣点的角度对双向循环神经网络和注意力机制进行改进，构建兴趣点推荐模型，为目标用户产生新的兴趣点推荐集合；本发明综合用户评分信息和上下文序列时空信息，分析用户日常出行模式，为目标用户推荐用户未曾访问过的兴趣点集合；通过本发明所述的方法可帮助用户快速探索和熟悉新的场所和区域；有助于商家掌握用户行为特性分布，分析***，获得良好的经济、社会效益。

附图说明

图1为本发明的融合用户连续签到行为序列上下文时空特征的兴趣点推荐实现模型图；

图2为本发明的融合用户连续签到行为序列上下文时空特征的兴趣点推荐流程图。

图3为本发明的双向网络结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，如图2所示，该方法包括：

S1：获取原始数据，并对原始数据进行预处理，得到新数据集；所述原始数据包括用户评分数据、签到序列数据和时空信息数据；

S2：提取新数据集的相关属性；所述相关属性包括用户对兴趣点的评分信息和用户连续签到行为序列时空特征信息；

S3：根据用户对兴趣点的评分信息分别提取用户和兴趣点的特征向量，根据特征向量构建候选兴趣点列表；

S4：将用户连续签到行为序列时空特征信息输入到基于注意力机制的双向网络结构中，得到用户的动态行为偏好；

S5：根据用户的动态行为偏好在候选兴趣点列表中选取推荐兴趣点，得到有序推荐集合；

S6：在有序推荐集合中选取最优的推荐兴趣点进行推荐。

数据源的获取可以直接从现有的基于社交网络的研究型推荐***的网站中下载或者利用成熟的社交平台的公共API获取。

对原始数据进行预处理的过程包括对原始数据进行清洗；由于获取的原始数据为非结构化数据，不能直接用于数据分析，通过简单的数据清洗可以使大部分非结构化数据结构化，例如，删除重复数据、清理无效节点等。设置签到阈值；统计清洗后数据中所有用户对兴趣点的签到次数和所有兴趣点被用户签到的次数；若用户对兴趣点的签到次数小于签到阈值，则删除该用户的数据，若兴趣点被用户签到的次数小于签到阈值，则删除该兴趣点，得到新的数据集。

优选的，设置的签到阈值为5。

提取新数据集的相关属性的过程包括：

S21：从获取到的用户评分数据中提取用户对兴趣点的评分信息。用户评分数据中包含了用户对兴趣点的评分信息，从中选取出用户对兴趣点的评分信息。

S22：从获取到的数据中提取用户连续签到行为的序列特征信息；用户连续签到行为的序列特征信息包括用户连续签到时间特征信息和用户连续签到兴趣点的空间位置特征信息。

S221：从获取到的数据中提取用户连续签到时间特征信息。用户连续签到时间特征为用户连续两个签到时间的时间间隔。

S222：从获取到的数据中提取用户连续签到兴趣点的空间位置特征信息。用户连续签到兴趣点的空间位置特征信息为用户每连续两个兴趣点之间的距离。

在构建兴趣点推荐模型过程中，主要分为三个阶段，如图1所示，第一阶段利用评分数据提取用户和兴趣点的特征向量，计算候选兴趣点。第二阶段，构建融合序列和时空特征的双向网络结构，将注意力机制引入到模型中，获取用户动态偏好。第三阶段，候选兴趣点推荐预测，为目标用户推荐用户未曾访问过的兴趣点集合。具体的过程为：

S31：利用评分数据提取用户和兴趣点的特征向量，计算候选兴趣点。

S311：根据评分信息构建评分矩阵，采用矩阵分解算法对评分矩阵进行分解，得到用户特征向量

和兴趣点的特征向量

k表示特征维度。

S312：根据用户兴趣点的特征向量计算用户对兴趣点的兴趣度和兴趣点之间的相似度，计算公式如下：

其中，inter(u,l)表示用户u对兴趣点l的兴趣度，u表示用户，l表示兴趣点，

表示p_u的转置，T表示转置的数学符号表示，q_l表示兴趣点l的特征向量，k表示特征向量中第k个特征值，K表示特征维度。

S313：根据用户对兴趣点的兴趣点和兴趣点之间的形似度选取指定数量的候选兴趣点。

S32：构建融合序列和时空特征的双向网络结构，将注意力机制引入到模型中，获取用户动态偏好。

S321：融合序列和时空特征，融合过程的计算公式如下：

D_t＝σ(W_dΔD_t+b_d)

T_t＝σ(W_tΔT_t+b_t)

r_t＝σ(W_r[h_t-1,x_t]+b_r)

z_t＝σ(W_z[h_t-1,x_t]+b_z)

其中，ΔT_t表示时间间隔，ΔD_t表示距离间隔，D_t表示控制空间距离间隔的空间门限，T_t表示控制时间间隔的时间门限，x_t表示兴趣点的特征向量输入，h_t表示网络结构中第t个网络单元输出的隐含状态，σ和tanh为神经网络单元中的激活函数。W_d为拟合空间特征的参数，W_t为拟合时间特征的参数，W_r、W_z、W_h为网络中需要拟合参数，b_d为拟合空间特征的偏置参数，b_t为拟合时间特征的偏置参数，b_r,b_z,b_h为网络中需要拟合的偏置参数，⊙表示点乘。

S322：将注意力机制引入到模型中，计算公式如下：

其中，a_t表示网络结构中第t个网络单元输出隐含状态的权重占比，T表示网络结构中总的网络单元个数，

表示总的权重值。

表示正向网络第i个网络单元输出隐含状态，

表示反向网络第i个网络单元输出隐含状态，h_i表示整体网络结构第i个网络单元输出隐含状态，e(h_t)表示，W^a表示，a表示。

如图3所示，双向网络结构包括：正向部分和反向部分，分别为图3中的左半部分和右半部分。双向网络结构中的输入除了上一层网络结构的隐含状态外，还包含了当前网络层的三个输入，即当前兴趣点的特征向量x_t、当前兴趣点和前一兴趣点的签到时间间隔ΔT_t以及当前兴趣点和上一兴趣点之间的空间距离间隔ΔD_t，网络结构的输出为当前网络层的隐含状态。网络结构中主要包括四个门限控制，用于控制数据的流向与具体计算，分别为重置门限r_t、更新门限z_t、时间门限T_t、空间门限D_t，重置门限用于控制上一层网络输出状态有多少信息被写入到当前网络层，重置门限越小，上一层网络输出的信息被写入的越少；更新门限用于控制上一层网络的状态信息被带入到当前状态中的程度，更新门限的值越大说明上一层网络输出的状态信息带入越多；时间门限用于控制输入时间特征ΔT_t；空间门限用于控制输入空间特征ΔD_t。

S33：候选兴趣点推荐预测

S331：获取到指定数目的候选兴趣点列表。

S332：使用模型对候选兴趣点进行推荐预测，计算公式如下：

其中，

表示候选兴趣点i的特征向量，V_u,l表示推荐预测概率，即用户u对兴趣点l的签到概率，

表示向量拼接操作，W_o表示网络最后输出层的参数。

S333：将推荐集合中用户对兴趣点的签到概率大小进行降序排序以TOP-N的方式向目标用户推荐用户未曾访问过的兴趣点集合。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，包括：

S1：获取原始数据，并对原始数据进行预处理，得到新数据集；所述原始数据包括用户评分数据、签到序列数据和时空信息数据；

S2：提取新数据集的相关属性；所述相关属性包括用户对兴趣点的评分信息和用户连续签到行为序列时空特征信息；

S3：根据用户对兴趣点的评分信息分别提取用户和兴趣点的特征向量，根据特征向量构建候选兴趣点列表；

S4：将用户连续签到行为序列时空特征信息输入到基于注意力机制的双向网络结构中，得到用户的动态行为偏好；

S5：根据用户的动态行为偏好在候选兴趣点列表中选取推荐兴趣点，得到有序推荐集合；

S6：在有序推荐集合中选取最优的推荐兴趣点进行推荐。

2.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，对原始数据进行预处理的过程包括对原始数据进行清洗；设置签到阈值；统计清洗后数据中所有用户对兴趣点的签到次数和所有兴趣点被用户签到的次数；若用户对兴趣点的签到次数小于签到阈值，则删除该用户的数据，若兴趣点被用户签到的次数小于签到阈值，则删除该兴趣点，得到新的数据集。

3.根据权利要求2所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，设置的签到阈值为5。

4.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，提取新数据集的相关属性的过程包括：

S21：从新数据集的用户评分数据中获取用户对兴趣点的评分信息；

S22：从新数据集的签到序列数据和时空信息数据中提取用户连续签到时间特征；用户连续签到时间特征为用户连续两个签到时间的时间间隔；

S23：从新数据集中的签到序列数据和时空信息数据中提取用户连续签到兴趣点的空间位置特征信息；用户连续签到兴趣点的空间位置特征信息为用户每次连续签到两个兴趣点之间的距离。

5.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，根据用户对兴趣点的评分信息分别提取用户和兴趣点特征向量的过程包括：

S31：根据评分信息构建评分矩阵，采用矩阵分解算法对评分矩阵进行分解，得到用户特征向量p_u和兴趣点特征向量q_l；

S32：根据用户兴趣点的特征向量计算用户对兴趣点之间的相似度；

S33：根据用户对兴趣点之间的相似度选取候补兴趣点。

6.根据权利要求5所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，计算用户对兴趣点的兴趣度和兴趣点之间的相似度的公式为：

其中，inter(u，l)表示用户u对兴趣点l的兴趣度，u表示用户，l表示兴趣点，

表示用户u的特征向量p_u的转置，T表示转置，q_l表示兴趣点l的特征向量，k表示特征向量中第k个特征值，K表示特征维度。

7.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，得到用户的动态行为偏好的具体过程包括：

S41：采用双向网络结构对用户连续签到行为序列时空特征信息进行融合；

S42：采用注意力机制对融合信息特征进行选取，得到用户的动态行为偏好。

8.根据权利要求7所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，计算融合的公式为：

D_t＝σ(W_dΔD_t+b_d)

T_t＝σ(W_tΔT_t+b_t)

r_t＝σ(W_r[h_t-1,x_t]+b_r)

z_t＝σ(W_z[h_t-1,x_t]+b_z)

其中，ΔT_t表示时间间隔，ΔD_t表示距离间隔，D_t表示控制空间距离间隔的空间门限，T_t表示控制时间间隔的时间门限，x_t表示兴趣点的特征向量输入，h_t表示网络结构中第t个网络单元输出的隐含状态，⊙表示点乘，σ和tanh均为神经网络单元中的激活函数，W_d为拟合空间特征的参数，W_t为拟合时间特征的参数,W_r,W_z,W_h均为网络中的拟合参数，b_d为拟合空间特征的偏置参数，b_t为拟合时间特征的偏置参数,b_r,b_z,b_h均为网络中拟合的偏置参数。

9.根据权利要求7所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，采用注意力机制对融合信息特征进行计算的公式为：

其中，

表示总的权重值，T表示网络结构中总的网络单元个数，h_i表示整体网络结构第i个网络单元输出隐含状态，a_t表示网络结构中第t个网络单元输出隐含状态的权重占比，

表示正向网络第i个网络单元输出隐含状态，

表示反向网络第i个网络单元输出隐含状态，

表示向量拼接操作，e(h_t)表示当前注意力机制层的权重，W^a表示注意力机制层的参数，a表示注意力机制层的权重占比。

10.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，据用户的动态行为偏好在候选兴趣点列表中选取推荐兴趣点的过程包括：

S51：获取到指定数目的候选兴趣点列表；

S52：根据用户的动态行为偏好对候选兴趣点列表进行推荐预测，得到候选兴趣点的推荐预测概率；计算公式为：

S53：将推荐集合中用户对兴趣点的签到概率大小进行降序排序，以TOP-N的方式向目标用户推荐用户未曾访问过的兴趣点集合；

其中，

表示候选兴趣点i的特征向量，V_u,l表示推荐预测概率，即用户u对兴趣点l的签到概率，

表示总的权重值，W_o表示网络最后输出层的参数，

表示向量拼接操作。

Images