[发明专利]一种基于深度学习的用户兴趣点推荐方法与系统

说明书

本发明公开了一种基于深度学习的用户兴趣点推荐方法及系统，包括：获取用户的历史签到数据；基于历史签到数据对深度学习模型进行训练；将用户最新的签到数据输入到训练好的深度学习模型，输出预测的用户兴趣点；其中，所述深度学习模型自动提取用户对POI类别偏好特征和对POI偏好特征，两种特征表达为两个特征Embedding；然后，将两种特征Embedding同候选集POI Embedding进行欧氏距离计算，通过得分进行排序，输出排名为前N的POI；N为设定值。本发明考虑到拥有巨大POI语料库的检索空间会影响推荐精确度在POI类别的偏好编码器之后，链接过滤模块，缩减POI检索空间，减小CatDM检索的难度同时提高推荐的精确度。

技术领域

本发明涉及数据分析技术领域，尤其涉及一种基于深度学习的用户兴趣点推荐方法与系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

近年来,随着基于位置的社会网络(Location-Based Social Network,简称LBSN)，例如GoWalla，JiePang和Foursquare，发展迅速，热度不断增加,为用户推荐下一个兴趣点(Point-Of-Interests，简称POI)也显得越来越重要。在此类在线平台上，允许用户使用其移动设备在兴趣点(POI)处进行签到。随着对应的各种应用搜集到的用户的行为时间、地理、好友以及标签等信息的增多，使得LBSN积累了大量有关POI访问的用户签到数据。这样的用户签到数据为了解用户行为并向用户做出POI推荐提供了宝贵的机会。

现有的用于进行用户POI推荐的方法主要包括协同过滤、个性化马尔科夫链、张量分解及神经网络等。然而，现有的这些方法仅考虑预测用户下一步将要去哪里，而忽略了何时会发生此行为；而且，由于签到数据非常稀疏，要准确地捕获用户偏好并为其做出推荐存在一定的困难，预测准确度低。

发明内容

为了解决上述问题，本发明提出了一种基于深度学习的用户兴趣点推荐方法与系统，能够预测在未来的某个时间段内用户感兴趣的POI，同时能够克服签到数据稀疏带来的预测准确度低的问题。

在一些实施方式中，采用如下技术方案：

一种基于深度学习的用户兴趣点推荐方法，包括：

获取用户的历史签到数据；

基于历史签到数据对深度学习模型进行训练；

将用户最新的签到数据输入到训练好的深度学习模型，输出预测的用户兴趣点；

其中，所述深度学习模型自动提取用户对POI类别偏好特征和对POI偏好特征，两种特征表达为两个特征Embedding；然后，将两种特征Embedding同候选集POIEmbedding进行欧氏距离计算，通过得分进行排序，输出排名为前N的POI；N为设定值。

在另一些实施方式中，采用如下技术方案：

一种基于深度学习的用户兴趣点推荐系统，包括：

数据获取模块，用于获取用户的历史签到数据；

模型训练模块，用于基于历史签到数据对深度学习模型进行训练，本申请所提到的Embedding都会在深度学习训练过程中不断调整；

POI预测模块，用于将带预测用户最新的签到数据输入到训练好的深度学习模型，输出预测的用户兴趣点；

其中，所述深度学习模型自动提取用户对POI类别偏好特征和对POI偏好特征，两种特征表达为两个特征Embedding；然后，将两种特征Embedding同候选集POI Embedding进行欧氏距离计算，通过得分进行排序，输出排名为前N的POI；N为设定值。

在另一些实施方式中，采用如下技术方案：