[发明专利]基于深度学习模型的地图兴趣点推荐方法及系统

说明书

本公开提供了一种基于深度学习模型的地图兴趣点推荐方法及系统，所述方案包括：获取地图中的兴趣点数据以及各兴趣点所产生的订单数据；基于所述订单数据生成用户轨迹数据以及喜好标签数据；基于所述用户轨迹数据和喜好标签数据，以及预先训练的基于项目时序关联的RNN网络模型，对目标用户进行地图兴趣点的推荐；其中，所述基于项目时序关联的循环神经网络模型，在RNN网络模型结构中引入遗忘门思想，在每一层的信息传播过程中对前一个隐藏层的信息、当前隐藏层的信息以及序列中的当前元素所携带的信息进行有选择地整合，并将整合后的信息输入至下一个隐藏层中进行再次分析。

技术领域

本公开属于地图兴趣点推荐技术领域，尤其涉及一种基于深度学习模型的地图兴趣点推荐方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

在推荐领域中，基于主观评分信息的感兴趣项目挖掘是最常用的技术手段，其中包括协同过滤、矩阵分解以及基于前两者改进的算法，而上述方法的准确度依赖于数据的稠密性以及评分信息是否精确客观。

发明人发现，在地图兴趣点推荐的应用场景中，用户的兴趣点访问轨迹主要体现在与兴趣点相关的历史订单(如快餐店或超市的订单)以及主观评价中，并且用户之间的兴趣倾向是分散的，拥有多个共同评价项目的用户可能并不多见。因此，任何直接以稀疏评分矩阵为基准计算用户相似度或预估喜好分数的方法在一开始上线的时候会表现出较差的性能。也就是说会遇到冷启动的问题。一般来讲，针对冷启动问题的解决，用户特征建模往往是最有效的方式之一，然而用户特征建模的效果取决于用户特征的细化程度，如果没有足够多的可供参考的偏好标签，那么在数据稀疏的情况下推荐算法只能以用户最基本的特征为参考做出较为宽泛的推荐，无法根据用户的独特之处进行推荐结果的细化，因此，用户特征建模一般用于新用户问题的解决。

发明内容

本公开为了解决上述问题，提供了一种基于深度学习模型的地图兴趣点推荐方法及系统，所述方案提出了一种基于项目时序关联性的RNN网络，基于该网络对社区服务平台中的旅游路线规划功能进行优化，以用户在当前时间内所产生的行为轨迹为准对目标用户未来可能访问的兴趣点进行预测，提高了预测精度和效率。

根据本公开实施例的第一个方面，提供了一种基于深度学习模型的地图兴趣点推荐方法，包括：

获取地图中的兴趣点数据以及各兴趣点所产生的订单数据；

基于所述订单数据生成用户轨迹数据以及喜好标签数据；

基于所述用户轨迹数据和喜好标签数据，以及预先训练的基于项目时序关联的RNN网络模型，对目标用户进行地图兴趣点的推荐；

其中，所述基于项目时序关联的循环神经网络模型，在RNN网络模型结构中引入遗忘门思想，在每一层的信息传播过程中对前一个隐藏层的信息、当前隐藏层的信息以及序列中的当前元素所携带的信息进行有选择地整合，并将整合后的信息输入至下一个隐藏层中进行再次分析。

进一步的，所述基于项目时序关联的循环神经网络模型的训练过程，具体为：基于社区服务平台中的历史数据，构建训练数据集；其中，所述训练数据据中的样本包括预设长度的用户历史轨迹中的兴趣点序列以及下一时刻的兴趣点；基于所述数据集，对所述基于项目时序关联的循环神经网络模型进行训练，获得训练好的模型。

进一步的，所述基于所述用户轨迹数据和喜好标签数据，以及预先训练的基于项目时序关联的RNN网络模型，对目标用户进行地图兴趣点的推荐，具体为：对于历史轨迹中兴趣点序列长度满足预设要求的用户，将预设长度的兴趣点序列输入预先训练的网络模型中，获得推荐的兴趣点。

进一步的，对于兴趣点序列长度不满足预设要求的新用户，计算该用户与其它用户之间的喜好标签特征相似度，随机推荐邻近用户访问过的兴趣点。

进一步的，所述新用户的喜好标签基于其在社区服务平台注册时的初始预设值来获得。