[发明专利]基于图增强时间-空间模型的位置预测系统及方法

权利要求书

1.一种基于图增强时间-空间模型的兴趣点推荐方法，其特征在于，包括：

步骤1)数据预处理：将访问记录的格式进行统一，并对记录做简单的清洗；按照时间顺序为每一位用户生成历史访问序列；

步骤2)构建兴趣点语义图：根据所有兴趣点的坐标信息与所有用户-兴趣点交互记录构建基于地理距离的语义图与基于转移关系的语义图，分别用以保存兴趣点之间的距离关系与转移关系；

步骤3)构建并训练图增强时间-空间模型，该模型包括：空间依赖模块、时间依赖模块和空间-时间依赖聚合模块，其中：空间依赖模块首先采用嵌入操作获得兴趣点关于距离关系与转移关系的嵌入向量，再根据步骤2)构建的两种兴趣点语义图，对该两种兴趣点语义图进行图嵌入操作用以获得对应的兴趣点的空间依赖表示；时间依赖模块首先采用嵌入操作获得兴趣点自身的嵌入表示，再采用LSTM对用户的历史访问序列进行建模，将序列的最后一个输出作为用户的时间依赖信息；空间-时间依赖聚合模块根据注意力机制将上述获得的兴趣点空间依赖信息与用户的时间依赖信息进行聚合，首先将时间依赖信息作为注意力机制的查询，将序列中兴趣点的空间依赖表示作为注意力机制的键与值进行聚合，并将该聚合后获得的结果与兴趣点的空间依赖加和以获得用户特异的空间依赖，再将时间依赖，用户特异的空间依赖加和后的得到用户对兴趣点的偏好分数；

步骤4)生成推荐结果：在推荐阶段，利用模型生成的用户在下一个时间点的动态偏好计算用户对兴趣点的访问概率；选择访问概率大的兴趣点推荐给用户。

2.根据权利要求1所述的基于图增强时间-空间模型的兴趣点推荐方法，其特征是，所述的空间依赖模块采用高斯核函数对距离进行建模：其中：dist(l_i，l_j)表示两个兴趣点之间的空间距离，表示高斯核函数，转移关系指兴趣点之间的直接转移关系，即在所有用户序列中，兴趣点l_j在l_i之后访问的次数。

3.根据权利要求2所述的基于图增强时间-空间模型的兴趣点推荐方法，其特征是，所述的高斯核函数，其阈值Δd为1km。

4.根据权利要求1所述的基于图增强时间-空间模型的兴趣点推荐方法，其特征是，所述的嵌入操作为：e_l＝Ev_l，其中，e_l为学到的嵌入表示，E为可学习的嵌入矩阵，v_l为兴趣点的独热表示。

5.根据权利要求1所述的基于图增强时间-空间模型的兴趣点推荐方法，其特征是，所述的时间依赖模块，通过LSTM计算过程：T_1t＝σ(W_x1x_t+σ(Δt_tW_t1)+b₁)，T_2t＝σ(W_x2x_t+σ(Δt_tW_t2)+b₂)，i_t＝tanh(W_ix_t+W_ih_t-1+b_i)，o_t＝tanh(W_ox_t+W_oh_t-1+b_o)，其中：W_cx，W_x1，W_x2，W_i，W_o为可训练的参数矩阵，b_c，b₁，b₂，b_i，b_o为可训练的偏置项。⊙是点积，tanh是tanh函数，x_t为上一时刻的兴趣点的向量表示。