[发明专利]一种基于图神经网络的兴趣点推荐方法

说明书

本发明公开了一种基于图神经网络的兴趣点推荐方法，步骤为：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；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，输入到一个神经网络中得到兴趣点嵌入向量；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。本发明在用户的向量表示中嵌入协作信息和社交网络中的信息，在兴趣点的向量表示中嵌入协作信息以及兴趣点的位置信息，将用户和兴趣点的向量表示输入到神经网络中进行推荐。

技术领域

本发明属于神经网络和推荐系统的技术领域，尤其涉及一种基于图神 经网络的兴趣点推荐方法。

背景技术

近年来，随着移动互联网技术和智能设备的飞速发展，用户可以方便 地获取个人的实时位置信息，同时基于位置的社交网络(LBSNs)和兴趣点 推荐技术(POIrecommendation)也受到了广泛关注。协同过滤是推荐系统 中广泛使用的方法，其基本思想是，通过分析用户的兴趣偏好找到与某个 用户偏好相似的其他用户，然后综合这些相似用户对兴趣点的评价，预测 该用户对兴趣点的偏好程度。学习用户和兴趣点的向量表示是协同过滤推 荐的研究热点。随着词嵌入技术的发展，很多方法将描述用户和兴趣点的 特征信息进行嵌入作为用户和兴趣点的向量表示，捕获了用户的偏好以及 兴趣点的特征，但是该方法没有捕获用户-兴趣点交互图中的协作信息， 产生的嵌入向量不足以捕获协同过滤影响。图神经网络被提出学习图数据 中的向量表示，可以整合图中的节点信息、边信息以及拓扑结构，它的主 要思想是使用神经网络从邻居节点中迭代的转换和聚合特征信息，与此同 时，在转换和聚合之后节点信息也可以在图上传播。图神经网络由于能够 整合节点信息和拓扑结构，所以在学习向量表示上取得了成功。例如，使 用图神经网络在用户-项目交互图中学习用户和项目的嵌入向量。

位置信息是兴趣点的基本属性，是兴趣点推荐算法必须考虑的关键因 素。例如，用户可能往往选择物理距离据自己相近的兴趣点。社交关系在 兴趣点推荐中吸引了很多关注，用户可以通过他的朋友、同事等获得或传 播信息，这意味着用户潜在的社交关系在用户过滤信息时起着一定作用。 Wang等人通过研究发现，两个用户之间签到行为的相似性与他们在社交 网络中的相关性有很强的联系。Gowalla和Foursquare数据集报告了超过5％、20％和40％的社交、邻居和地理位置朋友的相似度大于0.2，证明了 用户朋友对用户的决策行为存在一定影响。现有模型很多都是只考虑了用 户社交网络中的朋友，忽略了用户的决策行为可能受用户的朋友的朋友的 影响，用户之间的信息传递不仅限于用户的朋友，用户之间的信息传递存 在信息扩散现象，只考虑用户社交网络中的朋友，不足以捕获社交网络中 传递的信息带来的影响。

发明内容

针对现有技术的不足，本发明所解决的技术问题在于提供一种基于图 神经网络的兴趣点推荐方法，构造成社交图和用户-兴趣点交互图，在用 户的向量表示中嵌入了协作信息和社交网络中的信息，同时在兴趣点的向 量表示中嵌入了协作信息以及兴趣点的位置信息，进而将用户和兴趣点的 向量表示输入到神经网络中进行推荐。

为了解决上述技术问题，本发明通过以下技术方案来实现：

本发明提供一种基于图神经网络的兴趣点推荐方法，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。