[发明专利]基于难度采样元学习的地点推荐方法及装置

说明书

本发明公开了一种基于难度采样元学习的地点推荐方法及装置，其中，该方法包括：根据不同城市的不同用户的交互数据生成训练数据和测试数据；构建推荐模型，利用训练数据和测试数据训练并优化推荐模型；利用元学习框架优化推荐模型的参数；通过推荐模型为用户进行城市推荐。该方法可以在数据稀疏的冷启动城市中取得更高的推荐性能。

技术领域

本发明涉及智能推荐技术领域，特别涉及一种基于难度采样元学习的地点推荐方法及装置。

背景技术

下一个地点推荐(Next Point-Of-Interest Recommendation)技术是地图类应用产品(如谷歌地图、微软Bing地图、百度地图、Foursquare等)的重要技术，近年来受到学术界与工业界的广泛关注。应用这一技术，地图类产品可以依据用户当前所处的时空及其历史数据，为用户自动推荐下一个可能感兴趣的检索(或打卡)地点。这种智能推荐服务可以帮助用户提高检索效率、探寻周边地点，在提升用户体验与留存率上具有重要价值。

地点推荐与常见的商品推荐的本质区别在于，地点推荐问题与用户当前所处的时间空间环境高度相关。传统的地点推荐方法包括两类：一类基于统计机器学习方法，将矩阵分解、马尔科夫链等模型与地理信息融合进行推荐；另一类基于深度学习方法，利用图网络嵌入、循环神经网络等模型刻画用户与地点交互数据的时空关联。这些方法的主要缺陷在于：它们都依赖大量的训练数据。在一些小城市或新开发地区，受城市规模和用户数量的限制，可供训练的数据较少，导致传统推荐方法产生过拟合，效果很差。将这类数据稀疏的地区统称为“冷启动城市”。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于难度采样元学习的地点推荐方法，该方法可以在数据稀疏的冷启动城市中取得更高的推荐性能。

本发明的另一个目的在于提出一种基于难度采样元学习的地点推荐装置。

为达到上述目的，本发明一方面实施例提出了一种基于难度采样元学习的地点推荐方法，包括：

S1，根据不同城市的不同用户的交互数据生成训练数据和测试数据；

S2，构建推荐模型，利用训练数据和测试数据训练并优化所述推荐模型；

S3，利用元学习框架优化所述推荐模型的参数；

S4，通过所述推荐模型为用户进行城市推荐。

为达到上述目的，本发明另一方面实施例提出了一种基于难度采样元学习的地点推荐装置，包括：

生成模块，用于根据不同城市的不同用户的交互数据生成训练数据和测试数据；

训练模块，用于构建推荐模型，利用训练数据和测试数据训练并优化所述推荐模型；

优化模块，用于利用元学习框架优化所述推荐模型的参数；

推荐模块，用于通过所述推荐模型为用户进行城市推荐。

本发明实施例的基于难度采样元学习的地点推荐方法及装置，就有以下有益效果：

(1)可以有效应对“城际迁移”应用中，不同城市之间共享数据的稀疏性。元学习框架中，不同城市都有自己独立的地点集合和用户集合，元学习的本质是一种算法迁移，而非跨域学习的表征迁移；

(2)可以让样本难度充分可感知，从而刻画“城际迁移”问题中，不同城市和用户交互模式的多样性；

(3)可以在数据稀疏的冷启动城市中取得更高的推荐性能。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明