[發(fā)明專利]一種用于興趣點(diǎn)推薦的獲取時(shí)間偏好融合序列偏好的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110002497.0
• 申請(qǐng)日: 2021-01-04
• 公開（公告）號(hào): CN112765493B
• 公開（公告）日: 2022-07-05
• 發(fā)明（設(shè)計(jì)）人: 彭蓉;李松
• 申請(qǐng)（專利權(quán)）人: 武漢大學(xué)
• 主分類號(hào): G06F16/9537
• 分類號(hào): G06F16/9537;G06F16/9535;G06K9/62
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 許蓮英

本發(fā)明提出了一種用于興趣點(diǎn)推薦的獲取時(shí)間偏好融合序列偏好的方法。本發(fā)明首先通過數(shù)據(jù)預(yù)處理，得到興趣點(diǎn)的特征時(shí)間戳，初始化興趣點(diǎn)的嵌入向量、時(shí)間戳差值的嵌入向量，得到用戶的正、負(fù)樣本興趣點(diǎn)嵌入向量序列和其對(duì)應(yīng)的簽到時(shí)間戳差值嵌入向量序列，然后將正、負(fù)樣本興趣點(diǎn)嵌入向量和其對(duì)應(yīng)的簽到時(shí)間戳差值嵌入向量融入GRU模型，進(jìn)而構(gòu)建用戶的嵌入向量，計(jì)算用戶對(duì)正、負(fù)樣本興趣點(diǎn)的序列偏好和時(shí)間偏好，將序列偏好和時(shí)間偏好進(jìn)行融合，得到用戶對(duì)正樣本興趣點(diǎn)和負(fù)樣本興趣點(diǎn)的融合偏好值。更進(jìn)一步，利用正、負(fù)樣本興趣點(diǎn)的融合偏好值構(gòu)造損失函數(shù)，優(yōu)化相關(guān)模型參數(shù)。最后將優(yōu)化后的模型用于推薦任務(wù)。

技術(shù)領(lǐng)域

本發(fā)明屬于推薦系統(tǒng)領(lǐng)域，特別涉及一種用于興趣點(diǎn)推薦的獲取時(shí)間偏好融合序列偏好的方法。

背景技術(shù)

隨著移動(dòng)互聯(lián)網(wǎng)的蓬勃發(fā)展，基于位置的社交網(wǎng)絡(luò)(LBSN)日益普及，例如Foursquare，Yelp和Facebook Places。用戶在某一個(gè)興趣點(diǎn)可以輕松的分享與位置關(guān)聯(lián)的內(nèi)容，用戶在興趣點(diǎn)上留下的大量簽到記錄已經(jīng)被用于改善LSBN用戶體驗(yàn)的興趣點(diǎn)推薦上。不管是在工業(yè)界還是學(xué)術(shù)界，對(duì)于用戶興趣點(diǎn)的推薦都已經(jīng)成為了一個(gè)非常熱門的話題。在用戶興趣點(diǎn)的推薦中，人們到某個(gè)興趣點(diǎn)的簽到時(shí)間是一個(gè)非常重要的影響因素。人們?nèi)ツ骋粋€(gè)興趣點(diǎn)會(huì)帶有比較明顯的時(shí)間傾向，比如，人們總是在特定的時(shí)間去餐館吃晚餐，總是周末去電影院。已經(jīng)有充分的研究表明，人員的流動(dòng)有很強(qiáng)的時(shí)間周期性，人們的簽到模式可能是以一天或者是以一周為周期,因此，很多方法中引入時(shí)間窗口的概念，主要包括日模式和周模式，兩種模式都對(duì)推薦的結(jié)果有提升，而周模式更符合實(shí)際的時(shí)間格式，方法的預(yù)測(cè)準(zhǔn)確性在工作日保持穩(wěn)定，在周末則不太穩(wěn)定，主要也是因?yàn)橛脩糁苣┑幕顒?dòng)往往具有不確定性。已有方法都考慮了時(shí)間窗口對(duì)人們簽到的影響，但他們都沒有考慮到人們?cè)L問興趣點(diǎn)的序列特征，并且在對(duì)用戶個(gè)人對(duì)時(shí)間的偏好上考慮的較少。

為了更好的捕捉人們?cè)L問興趣點(diǎn)的序列特征，有研究將馬爾科夫鏈應(yīng)用于興趣點(diǎn)推薦，F(xiàn)PMC-LR基于一階馬爾科夫鏈捕獲用戶簽到的序列特征。而以RNN為基礎(chǔ)的模型表達(dá)能力強(qiáng)于馬爾科夫鏈，STRNN充分運(yùn)用了RNN的結(jié)構(gòu)特性，提出一種時(shí)空遞歸神經(jīng)網(wǎng)絡(luò)(ST-RNN),在每一層中用不同的時(shí)間轉(zhuǎn)移矩陣和空間轉(zhuǎn)移矩陣分別表示不同的時(shí)間間隔和空間距離來建模局部時(shí)間和空間上下文。Bi-STDDP為了更好的捕捉連續(xù)性的序列特征，從補(bǔ)全遺失的簽到記錄出發(fā)，從雙向依賴的角度充分利用其歷史簽到序列和將來的簽到序列。但在上述方法中，考慮時(shí)間因素對(duì)人們簽到記錄影響時(shí)，都是從簽到記錄的近期簽到時(shí)間出發(fā)，而沒有考慮到用戶長(zhǎng)期的簽到序列中的時(shí)間周期性特征對(duì)其簽到行為的影響，更沒有考慮到簽到時(shí)間點(diǎn)的差異性對(duì)用戶偏好的影響。

為了解決上述研究中存在的問題，我們提出了一種新的同時(shí)兼顧用戶簽到記錄序列偏好和時(shí)間偏好的新方法，該方法利用了GRU模型在捕捉序列化信息，特別是較長(zhǎng)的序列信息時(shí)的優(yōu)勢(shì)，捕捉用戶的序列偏好；同時(shí)，考慮到用戶長(zhǎng)期的簽到記錄中所有簽到時(shí)間點(diǎn)所包含的信息，基于不同簽到點(diǎn)之間的時(shí)間間隔，提出一種刻畫用戶在不同簽到時(shí)間點(diǎn)的差異性而產(chǎn)生的時(shí)間偏好，最終將序列偏好和時(shí)間偏好融合。在方法的損失函數(shù)中，為了獲取負(fù)樣本地點(diǎn)的簽到時(shí)間，提出為地點(diǎn)選定特征時(shí)間戳。該方法用于興趣點(diǎn)的推薦，效果比較好。

發(fā)明內(nèi)容

為克服現(xiàn)有技術(shù)存在的缺陷和不足，本發(fā)明提出一種用于興趣點(diǎn)推薦的獲取時(shí)間偏好融合序列偏好的方法

本發(fā)明所采用的技術(shù)方案是：一種用于興趣點(diǎn)推薦的獲取時(shí)間偏好融合序列偏好的方法，其特征在于，包括：

步驟1：數(shù)據(jù)預(yù)處理，得到興趣點(diǎn)的特征時(shí)間戳，初始化興趣點(diǎn)的嵌入向量、時(shí)間戳差值的嵌入向量，得到用戶的正、負(fù)樣本興趣點(diǎn)嵌入向量序列和其對(duì)應(yīng)的簽到時(shí)間戳差值嵌入向量序列；

步驟2：將單個(gè)用戶的簽到序列作為一批數(shù)據(jù)進(jìn)行訓(xùn)練，將興趣點(diǎn)嵌入向量、時(shí)間戳差值嵌入向量融入GRU模型；

步驟3：構(gòu)建用戶的嵌入向量，計(jì)算用戶對(duì)興趣點(diǎn)的序列偏好以及用戶對(duì)興趣點(diǎn)的時(shí)間偏好；