[发明专利]基于多粒度自注意力的下一个兴趣点推荐方法

权利要求书

1.基于多粒度自注意力的下一个兴趣点推荐方法，其特征在于，包括：

构建多粒度自注意力网络模型，所述多粒度自注意力网络模型包括：对时间进行感知编码的第一编码器、对空间进行感知编码的第二编码器、对POI特征进行解码的解码器；

采集多个用户历史签到数据，将部分用户的历史签到数据作为训练集对所述多粒度自注意力网络模型进行训练，将另一部分用户的历史签到数据作为测试集，利用训练好的多粒度自注意力网络模型预测用户的下一个兴趣点；

其中，训练集训练的过程和测试集测试的过程包括：根据用户历史签到数据提取包含时间特征和空间特征的POI序列，根据用户历史签到数据提取包含时间特征和空间特征的POI商圈序列；

将POI序列和POI商圈序列作为输入序列，通过所述多粒度自注意力网络模型处理得到用户下一个POI id。

2.如权利要求1所述的基于多粒度自注意力的下一个兴趣点推荐方法，其特征在于，用户历史签到数据包括用户id、POI id、签到时间、POI所属类别、POI种类和POI地理位置。

3.如权利要求2所述的基于多粒度自注意力的下一个兴趣点推荐方法，其特征在于，所述解码器包括对POI种类进行解码的第一解码器、对POI所属类别进行解码的第二解码器以及对POI id进行解码的第三解码器。

4.如权利要求3所述的基于多粒度自注意力的下一个兴趣点推荐方法，其特征在于，所述第一编码器和第二编码器均由特征层、聚合层和自注意力网络组成。

5.如权利要求4所述的基于多粒度自注意力的下一个兴趣点推荐方法，其特征在于，将POI序列和POI商圈序列作为输入序列，通过所述多粒度自注意力网络模型处理得到用户下一个POI id的过程包括：

使用第一编码器对POI序列中的时间特征进行编码得到POI序列的时间感知编码，使用第二编码器对POI序列中的空间特征进行编码得到POI序列的空间感知编码，综合POI序列的时间感知编码和POI序列的空间感知编码得到POI序列表示；

使用第一编码器对POI商圈序列中的时间特征进行编码得到POI商圈序列的时间感知编码，使用第二编码器对POI商圈序列中的空间特征进行编码得到POI商圈序列的空间感知编码，综合POI商圈序列的时间感知编码和POI商圈序列的空间感知编码得到POI商圈序列表示；

将POI序列的时间感知编码与POI商圈序列的时间感知编码作为输入量，通过第一解码器处理得到下一个POI种类预测值；

将POI序列中的时间特征在编码过程中得到的聚合表示与POI商圈序列中的时间特征在编码过程中得到的聚合表示作为输入量，通过第二解码器处理得到下一个POI所属类别预测值；

将POI序列表示、POI商圈序列表示、下一个POI种类预测值以及下一个POI所属类别预测值作为输入量，通过第三解码器处理得到用户下一个POI id。

6.如权利要求4所述的基于多粒度自注意力的下一个兴趣点推荐方法，其特征在于，所述自注意力网络加入了一层前馈神经网络，使用的激活函数为ReLu函数。

7.如权利要求5所述的基于多粒度自注意力的下一个兴趣点推荐方法，其特征在于，所述第一解码器的激活函数为sigmoid函数，损失函数为交叉熵损失函数。

8.如权利要求5所述的基于多粒度自注意力的下一个兴趣点推荐方法，其特征在于，所述第二解码器的损失函数为BPR损失函数。

9.如权利要求5所述的基于多粒度自注意力的下一个兴趣点推荐方法，其特征在于，所述第三解码器的损失函数为BPR损失函数。

10.如权利要求5所述的基于多粒度自注意力的下一个兴趣点推荐方法，其特征在于，所述多粒度自注意力网络模型训练过程中使用了AdaGrad优化器。