[发明专利]位置嵌入解释方法、装置、计算机设备及存储介质

说明书

本发明公开了一种位置嵌入解释方法、装置、计算机设备及存储介质。该方法包括：获取原始数据集，并对原始数据集进行预处理；获取多个位置数据对应的多个位置；根据预处理后的原始数据集中的多个位置上下文序列，利用Skip‑gram模型学习得到多个位置嵌入向量；获得多个位置类别数据对应的多个位置类别；利用Skip‑gram模型学习得到多个位置类别嵌入向量，使多个位置嵌入向量与多个位置类别嵌入向量均位于原始向量空间中；按照预定的规则，将每个位置嵌入向量从原始向量空间转换到语义向量空间，得到每个位置嵌入向量对应的位置语义表示。该方法能够学习更多的语义信息，使每个维度的向量都有可解释性。

技术领域

本发明实施例涉及机器学习技术领域，尤其涉及一种位置嵌入解释方法、装置、计算机设备及存储介质。

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。

针对嵌入模型的学习主要分为两大类别：第一种是受词嵌入模型成功的启发，可以采用词向量(Word2vec)框架从签到数据中学习位置嵌入(即位置嵌入向量)。可以对签到序列进行建模，并捕获线性上下文的影响以学习位置嵌入，这些嵌入可用于个性化场所推荐。除了顺序模式，后续开始考虑动态的用户偏好和学习位置表示的时间因素。时间位置嵌入模型根据地理信息区分访问的位置，并将地理影响纳入到成对偏好排序方法之中。也可以提出一个通用的多上下文轨迹嵌入模型，该模型在相同的潜在空间中投影用户、轨迹、地点、类别标签和时间因素。还可以利用外部信息(例如文本内容)来学习位置嵌入。但是，所有这些签到嵌入方法都没有注意位置嵌入维度的可解释性。

同时，可以基于卷积神经网络学习位置嵌入的模型，某些方法利用循环神经网络进行建模签到的顺序模式，并学习将位置嵌入作为模型生成的结果。时空分层长短期记忆(Long Short-Term Memory)LSTM模型利用历史访问信息和时空位置预测的因素进行位置预测。时空递归神经网络(Spatial Temporal-Recursive Neural Network，ST-RNN)用于为挖掘移动性模式建模本地时空上下文。使用循环神经网络捕获移动轨迹中顺序相关性的网络。然而，这些基于递归神经网络(Recursive Neural Network，RNN)的方法着重于挖掘序列中的长期转变，而不是位置表示的质量性和健壮性。同时，也忽略了位置嵌入物的可解释性。

综上所述，相关技术中的位置嵌入模型都忽视了模型的可解释性，使得学习得到的向量每一个维度都没有具体的意义，无法满足业务场景需求。

发明内容

本发明提供一种位置嵌入解释方法、装置、计算机设备及存储介质，以解决现有技术中存在的上述问题。

第一方面，本发明实施例提供了一种位置嵌入解释方法。该方法包括：

S10：获取原始数据集，并对所述原始数据集进行预处理，其中，预处理后的原始数据集由多个位置数据和多个位置类别数据组成，每个位置数据对应一个位置类别数据；

S20：获取所述多个位置数据对应的多个位置，其中，每个位置对应至少一个位置数据；根据所述预处理后的原始数据集中的多个位置上下文序列，利用Skip-gram模型学习得到多个位置嵌入向量，其中，每个位置对应一个位置嵌入向量；

S30：获得所述多个位置类别数据对应的多个位置类别，其中，每个位置类别对应至少一个位置类别数据；利用Skip-gram模型学习得到多个位置类别嵌入向量，使所述多个位置嵌入向量与所述多个位置类别嵌入向量均位于原始向量空间中，其中，每个位置类别对应一个位置类别嵌入向量；

S40：按照预定的规则，将每个位置嵌入向量从所述原始向量空间转换到语义向量空间，得到所述每个位置嵌入向量对应的位置语义表示，其中，所述语义向量空间为以M个位置类别为维度的向量空间，M为大于或等于1的整数。