[发明专利]基于多粒度自注意力的下一个兴趣点推荐方法

说明书

本发明公开了一种基于多粒度自注意力的下一个兴趣点推荐方法，其包括：构建多粒度自注意力网络模型，该网络模型包括：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，对上述网络模型进行训练，利用训练好的网络模型预测用户的下一个兴趣点；训练和预测的过程包括：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，通过上述网络模型处理得到用户下一个POI id。本发明在综合考虑POI序列和POI商圈序列后再应用多粒度自注意力网络，可以更准确的推荐下一个兴趣点。

技术领域

本发明涉及信息处理技术领域。更具体地说，本发明涉及一种基于多粒度自注意力的下一个兴趣点推荐方法。

背景技术

随着智能设备的快速发展，微信、微博和Facebook等社交网络吸引了数十亿用户进行信息交流和分享。近年来，社交网络应用的一个显著进步是定位系统的引入，这导致了基于位置的社交网络(LBSNs)的出现，如Foursquare和Yelp。兴趣点(POI)推荐系统在社交网络中起着至关重要的作用，它可以帮助用户发现当地有趣的景点或设施。此外，它还可以帮助服务提供商根据用户的签到序列推荐个性化服务(如广告)。然而，大多的下一个兴趣点推荐只关注于在POI序列上的转移模式，而忽略了POI商圈之间的转移模式，导致下一个兴趣点推荐的准确性不高。

发明内容

本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

本发明还有一个目的是提供一种基于多粒度自注意力的下一个兴趣点推荐方法，在综合考虑POI序列和POI商圈序列后再应用多粒度自注意力网络，可以更准确的推荐下一个兴趣点。

为了实现根据本发明的这些目的和其它优点，提供了一种基于多粒度自注意力的下一个兴趣点推荐方法，其包括：

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。

优选的是，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。

优选的是，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。

优选的是，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。

优选的是，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；