[发明专利]一种利用包含社会地理信息的多媒体网络学习最大边界多媒体网络表达的方法

权利要求书

1.利用包含社会地理信息的多媒体网络进行最大边界多媒体网络表达学习的方法，其特征在于包括如下步骤：

1)针对于一组社交网络用户、感兴趣地点、感兴趣地点的类别及用户与感兴趣地点相互之间的关系集合，形成异质的包含社会地理信息的多媒体网络——GMN网络；

2)对于步骤1)所得到的GMN网络，构建样本路径，对于路径中的点，利用卷积神经网络与单词映射结合的方法获取感兴趣地点的综合表达，利用最大边界损失函数结合用户及感兴趣地点的映射表达得到目标函数，利用该目标函数进行训练，得到令目标函数最小的用户及感兴趣地点的映射表达；

所述步骤2)其具体步骤为:

2.1)对于步骤1)形成的GMN网络，利用随机游走的方法获取样本路径，利用卷积神经网络与单词映射结合的方法获取感兴趣地点的综合表达；

2.2)获取用户映射表达，对于步骤1)形成的GMN网络，结合其中感兴趣地点及用户之间的相互关系获取用户间关系矩阵与用户签到信息矩阵；

2.3)利用步骤2.1)得到的感兴趣地点的综合表达与步骤2.2)得到的用户间关系矩阵与用户签到信息矩阵，结合最大边界损失函数与用户的映射表达得到目标函数，按照该目标函数进行训练，得到最终的能够反映用户对于感兴趣地点可能感兴趣程度的模型即用户与感兴趣地点的有效映射表达；

所述的步骤2.3)具体为：

结合步骤2.2)获取的用户映射表达U＝{u₁,...,u_n}，感兴趣地点的种类映射C＝{c₁,...,c_n}，步骤2.1)获取的感兴趣地点的综合表达Z＝{z₁,...,z_n}，针对于步骤2.1)获取的采样路径中的节点，按照如下公式作为其损失值函数：

其中，h_i为所取的感兴趣地点的综合表达Z或者用户映射表达U中的第i个感兴趣地点的综合表达或者第i个用户的映射表达，P为该采样路径，α代表最大边界损失函数l₁(.)与最大边界损失函数l₂(.)之间的权衡参数，最大边界损失函数l₁(.)代表用户在特定感兴趣地点签到的损失函数，最大边界损失函数l₂(.)代表学习感兴趣地点结合其种类信息的表达的损失函数，l₁(.)与l₂(.)的具体公式如下所示：

其中，m₁与m₂均为控制最大距离值的超参数，L即为感兴趣地点的综合表达Z；

对于步骤2.1)获取的采样路径，按照该损失值计算方法计算其中所有节点的损失值并累加起来，且将模型中所有的参数集合设为θ，按照如下目标函数公式计算整个模型的总体损失值并更新整合模型的参数值：

其中，λ代表模型损失函数与模型参数的权衡参数；对于模型的更新，采用随机梯度下降的方式进行优化；

经过模型优化之后，便可得到能够反映用户对于感兴趣地点可能感兴趣程度的模型即用户与感兴趣地点的有效表达；

3)利用步骤2)学习得到的用户及感兴趣地点的映射表达对于用户对某地点的感兴趣程度进行预测。