[发明专利]一种融入多视图的基于自注意力机制的POI推荐方法

权利要求书

1.一种融入多视图的基于自注意力机制的POI推荐方法，其特征在于，包括如下步骤：

步骤1，获取所有用户的签到数据；

步骤2，对用户的签到数据进行预处理；

步骤3，对POI和POI类别信息进行跨视图融合，得到用户的行为偏好；

步骤3.1，基于自注意力模型的编码器分别更新POI和POI类型的序列；

步骤3.2，利用面向POI和POI类别信息的交叉融合注意力网络，对POI和POI类别信息进行跨视图融合，得到用户的行为偏好；

步骤4，利用候选集过滤器缩小候选POI范围；

步骤4.1，通过K-means聚类得到用户合适的簇数，对于每一簇中的所有POI生成最大凸包，每一簇会生成一个中心点；

步骤4.2，将最大凸包或单个POI生成距离为τkm的缓冲区，作为用户的活动范围，筛除不在用户活动范围的POI；

步骤5，将步骤3得到的用户的行为偏好与步骤4筛选得到的候选集匹配，生成推荐信息。

2.如权利要求1所述的一种融入多视图的基于自注意力机制的POI推荐方法，其特征在于：步骤1中令用户集合为U＝{u₁,u₂,...,u_|U|}，POI集合为L＝{l₁,l₂,...,l_|L|}，所有POI的类别集合为C＝{c₁,c₂,...,c_|C|}，|U|、|L|、|C|分别为用户、POI和POI类别的数量；对于用户u∈U，其历史签到的序列可表示为其中是用户签到的POI，是用户签到的POI类别，是签到的时间戳，最终目标为预测用户u在时刻访问的POI点。

3.如权利要求2所述的一种融入多视图的基于自注意力机制的POI推荐方法，其特征在于：步骤2中对用户的签到数据进行预处理包括以下几个子步骤：

步骤2.1，将每个用户的签到数据处理为相同长度的序列；

步骤2.2，对用户的签到时间做周期化处理；

步骤2.3，将周期化处理的数据向量化；

随机初始化POI和POI类型的特征向量，分别定义为e^poi∈R^d和e^category∈R^d，定义序列中的POI和POI类型的特征向量分别表示为e^l＝e^poi+e^t和e^c＝e^category+e^t。

4.如权利要求3所述的一种融入多视图的基于自注意力机制的POI推荐方法，其特征在于：步骤2.1中统一所有用户的签到序列到一个固定长度为L₁，L₁为模块能够处理的最大序列长度，如果用户原始序列的签到数量大于L₁，则选取时间最近的L₁个签到生成新的序列，如果用户原始签到序列小于L₁，则在序列的左侧补零直到序列长度等于L₁。

5.如权利要求4所述的一种融入多视图的基于自注意力机制的POI推荐方法，其特征在于：步骤2.2中由于用户签到时间不会重复，且具有稀疏性，因此对时间进行周期化处理，将每周分为7×24＝168小时，则时间嵌入的索引大小为168，每个签到的时间嵌入向量e^t∈R^d，t由其时间戳对应的小时决定，d为向量特征维度。