[发明专利]一种基于图神经网络的兴趣点推荐方法

权利要求书

1.一种基于图神经网络的兴趣点推荐方法，其特征在于，包括以下步骤：

步骤S1：构建用户-兴趣点交互图和用户社交图，图神经网络学习图结构信息并在用户的嵌入向量中整合了协作信息和社交信息；

步骤S2：采用k-means算法对兴趣点按地理位置进行聚类，将聚类结果嵌入到向量中，连接通过在用户-兴趣点交互图中得到的嵌入向量，并输入到一个神经网络中得到兴趣点嵌入向量；

步骤S3：构建一个神经网络模型，模拟机器学习中的矩阵分解方法，将用户和兴趣点的嵌入向量输入到神经网络模型中根据用户的历史评分进行评分预测。

2.如权利要求1所述的基于图神经网络的兴趣点推荐方法，其特征在于，在步骤S1中，使用交互聚合器在用户-兴趣点交互图上学习并产生兴趣点空间的潜在向量，社交聚合器在社交图上学习产生社交空间的潜在向量，将兴趣点空间的潜在向量和社交空间的潜在向量结合得到用户的嵌入向量。

3.如权利要求2所述的基于图神经网络的兴趣点推荐方法，其特征在于，所述步骤S2中，基于k-means的兴趣点聚类先随机选取k个兴趣点作为初始的聚类中心，然后计算每个兴趣点与各个聚类中心之间的距离，把每个兴趣点分配给距离它最近的聚类中心。

4.如权利要求3所述的基于图神经网络的兴趣点推荐方法，其特征在于，所述步骤S2中，基于k-means算法的兴趣点聚类的处理过程如下：

1)从数据集中随机选择k个兴趣点作为初始聚类中心；

2)计算剩余兴趣点到聚类中心的欧式距离ρ，将最接近的兴趣点放入类别中，形成新的类，ρ的计算方法为：

其中v_i＝(lat_i，lon_i)和v_j＝(lat_j，lon_j)为兴趣点数据集V＝{v₁，v₂，......，v_n}中的两个兴趣点；

3)取当前类的所有兴趣点的均值，作为中心点，更新距离类的中心最近的兴趣点；

4)直到目标函数收敛或聚类中心不变，否则将转移到步骤2)；

5)输出聚类结果。