[发明专利]一种基于多头注意力机制的连续兴趣点包推荐方法

说明书

本发明的一种基于多头注意力机制的连续兴趣点包推荐方法，其包括以下步骤：一、获取用户打卡历史信息，将打卡数据组成序列；二、将打卡数据组成序列组；三、将序列组推送给模型进行训练；通过编码器与多头注意力机制得到序列中的兴趣点变化信息，将得到的信息输入解码器中进行拟合，解码器结构与编码器对称，经过管道搜索的方式学习出适应该区域用户的最优超参数；四、将训练模型部署在多个服务器中，输入区域内用户近一周的访问序列，将后续一周内的行程安排建议打包推送给用户；五、记录用户接下来一周内的打卡地点序列以及对访问兴趣点的评价。本发明能为用户提供一周内的后续行程安排建议。

技术领域

本发明涉及兴趣点推荐技术领域，具体地说，涉及一种基于多头注意力机制的连续兴趣点包推荐方法。

背景技术

随着移动社交平台的快速发展，人们每天会在各种平台分享自己的行程。这样的行为使我们获得了大量用户打卡数据。这些打卡数据有助于帮助我们建立一种兴趣点的推荐系统，提高用户在城市中的体验。

高效的推荐系统不仅可以带给服务商流量和利润，同时，还可以帮助用户计划后续一段时间的行程安排。传统的推荐兴趣点推荐算法往往没用考虑到最近访问的兴趣点相互的影响，这导致系统性能还有很大的提升空间。现有技术通过用户自身偏好对用户没有访问过的兴趣点进行推荐，但是一方面它使用的是传统协同过滤的思想对冷启动和数据稀疏性的处理能力不够好。另一方面它仅仅考虑了用户偏好对未访问兴趣点的影响而没有考虑到历史访问兴趣点对下一兴趣点访问的影响。还有一种技术通过语境、广告、受众三者的最佳匹配来找出个性化的推荐。虽然该技术考虑的因素很多，但是对于兴趣点推荐来说，它没有把握兴趣点与时间的关系。因为从大规模数据来看，用户访问兴趣点具有明显的周期性。且以上两种技术都是对用户接下来几天内甚至几个月内的兴趣点进行割裂式推荐。使得用户被推荐的兴趣点单一且不符合用户当下的需求，这在实际应用中实用性不强无法适应快速的社会发展。

因此，如何为用户提供连续兴趣点包推荐成为了本领域的技术人员需要解决的一个问题。

发明内容

本发明的内容是提供一种基于多头注意力机制的连续兴趣点包推荐方法，其能够克服现有技术的某种或某些缺陷。

根据本发明的一种基于多头注意力机制的连续兴趣点包推荐方法，其包括以下步骤：

步骤一、获取用户打卡历史信息，将每一个用户一周内的打卡数据组成序列；

步骤二、将所有用户一周内的打卡数据组成序列组，序列组内每一条序列为一个用户一周内的序列打卡兴趣点，即该序列组包含在该区域内各有效用户一周内的打卡序列；

步骤三、将序列组推送给模型进行训练；通过编码器与多头注意力机制得到序列中的兴趣点变化信息，将得到的信息输入解码器中进行拟合，解码器结构与编码器对称，经过管道搜索的方式学习出适应该区域用户的最优超参数；

步骤四、将训练模型部署在多个服务器中，在一周内按一定频率将实时的用户打卡数据序列组分成多部分传入不同服务器中进行预测，为用户推荐后续一周内行程的兴趣点序列，并根据用户ID将预测结果打包实时传回用户端；

步骤五、记录用户接下来一周内的打卡地点序列以及对访问兴趣点的评价，得到用户反馈数据用于优化模型，通过用户反馈以及新用户打卡序列定期更新模型。

作为优选，步骤一中，从移动应用运营商大数据平台中获取用户打卡历史信息，用户打卡历史信息包括用户ID、打卡地点、打卡时间、打卡经纬度和用户评分。

作为优选，步骤二中，组成序列组后，对序列组进行清洗，剔除一周内打卡次数少的序列。

作为优选，步骤二中，清洗是将打卡次数少于5次的新用户剔除，剔除少于5次被打卡的兴趣点，剔除一周内打卡少于10次的序列。

作为优选，步骤三中，模型采用深度学习的方式，并在Tensorflow框架上进行模型训练。