[发明专利]一种注意力融合感知网络的下一个兴趣点推荐方法

说明书

本发明涉及计算机兴趣点推荐技术领域，涉及一种注意力融合感知网络的下一个兴趣点推荐方法，包括获取用户历史签到数据；将数据组成序列组；划分为长期签到序列数据和短期签到序列数据；分别送到模型进行训练，通过不同神经网络捕获用户不同偏好表示，构建偏好预测单元，利用注意力机制有机结合偏好，经过随机搜索方式学习最优参数，输出排名前K的兴趣点；将训练模型部署在多个服务器中；记录用户下一签到地点以及相对应的类别信息。本发明能够实现更加准确、高效的下一个兴趣点推荐。

技术领域

本发明涉及计算机兴趣点推荐技术领域，具体地说，涉及一种注意力融合感知网络的下一个兴趣点推荐方法。

背景技术

在计算机兴趣点推荐领域，深度神经网络经过良好的训练能够有效捕捉到用户不断变化的兴趣偏好，对用户接下来的行为预测展现出极好的性能。高效的推荐系统不仅可以为服务商带来流量和收益，还可以帮助用户更准确快速的选择感兴趣的兴趣点。然而，由于用户偏好具有不确定性和多样性，目前的大多研究没有有效利用不同序列签到信息，对于冷启动和数据稀疏性的处理能力不够好。

传统的兴趣点推荐算法主要集中采用协同过滤的方法来估计用户偏好，在数据集完善、内容丰富的条件下，能够获得较高的准确率，同时计算简单，能够实现快速响应。但一方面，随着系统用户数量的增大，新用户的加入等情况，算法计算时间会显著增长，同时难以准确对下一个兴趣点进行推荐。另一方面，由于这种方法只对用户静态偏好进行建模，没有考虑用户动态偏好对下一兴趣点访问的影响。随着深度学习的不断发展，神经网络在计算机兴趣点推荐领域展现出了强大的能力，主要集中采用可以有效捕捉具有序列特性的数据,挖掘数据中的时序信息的循环神经网络。但RNN无法实现并行化运算，另外积累的数据带来追踪用户实际兴趣机会的同时，早期的数据交互可能会影响用户当前的选择，用户过去的签到序列并没有得到十分有效的利用。因此，现有设计需要一种可灵活迭代更新的模型，通过深度学习的方式有效捕捉用户不同偏好的关系，并能够将模型部署在移动端或者服务器上，来提高对用户下一兴趣点推荐预测的准确率。

发明内容

本发明的内容是提供一种注意力融合感知网络的下一个兴趣点推荐方法，其对于用户复杂的兴趣偏好以及签到数据稀疏带来的预测准确度底的问题，能够较高准确性的预测在未来的某个时间段内用户感兴趣的POI。

根据本发明的一种注意力融合感知网络的下一个兴趣点推荐方法，其包括以下步骤：

步骤一、从社交网络中采集用户的历史签到数据；

步骤二、提取历史签到数据中用户、用户访问过的兴趣点及位置、访问时间以及兴趣点类别形成用户的一个签到记录；

步骤三、将每个签到记录分为长期签到序列数据和短期签到序列数据进行语义空间映射，得到每个签到记录特征矢量，再将用户所有签到记录特征矢量组成用户的轨迹特征向量；

步骤四、将用户的签到序列数据推送给模型进行训练，经过随机搜索的方式学习出适应该区域的最优超参数；所述模型动态提取用户对兴趣点的长期偏好特征和短期偏好特征，两种特征表达为两个特征嵌入向量，将两种特征进行注意力机制计算，通过得分进行排序，输出排名为前K的兴趣点；K为设定值；

步骤五、将训练模型部署在多个服务器中，按一定频率将用户签到数据序列传入不同服务器中进行预测，并根据用户ID将预测结果传回用户端；

步骤六、记录用户下一签到地点以及相对应的类别信息，得到反馈数据用于优化模型，通过反馈及新用户签到序列定期更新模型。

作为优选，步骤一中，从社交网络大数据平台中获取用户签到数据构成的信息集合，其中包含签到数据涉及到的用户ID、兴趣点ID、用户-兴趣点交互时间、兴趣点位置以及兴趣点类别信息。

作为优选，步骤二中，根据用户的行为将一天的签到数据组成一个序列组，对序列组进行清洗，去掉一天签到次数少的序列，去掉签到总次数少于5次的用户数据以及签到次数少于5次的兴趣点。