[發(fā)明專利]一種基于訓(xùn)練數(shù)據(jù)挖掘的位置預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202110114662.1
• 申請日: 2021-01-26
• 公開（公告）號: CN112800111B
• 公開（公告）日: 2022-08-02
• 發(fā)明（設(shè)計(jì)）人: 蘇暢;馮昊祥;謝顯中
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/29;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產(chǎn)權(quán)代理有限公司 11275
• 代理人: 趙榮之

本發(fā)明涉及一種基于訓(xùn)練數(shù)據(jù)挖掘的位置預(yù)測方法，屬于位置預(yù)測領(lǐng)域。該方法包括：S1：獲取用戶?位置交互數(shù)據(jù)；S2：分別對用戶和位置的特征進(jìn)行embedding；S3：選擇正負(fù)樣本；S4：使用基于流行度原則和信息量公式的負(fù)樣本抽樣算法抽取部分負(fù)樣本；S5：通過兩種不同的策略來挖掘Hard negative；S6：構(gòu)建Hard selection strategy來訓(xùn)練負(fù)樣本；S7：構(gòu)建NDA?GAN模型；S8：運(yùn)用訓(xùn)練好的NDA?GAN模型進(jìn)行位置預(yù)測，得到TOP?K排序，預(yù)測用戶下一時(shí)刻可能訪問的地點(diǎn)序列。本發(fā)明能夠更加準(zhǔn)確的預(yù)測用戶將會訪問的位置，提高位置預(yù)測系統(tǒng)的性能。

技術(shù)領(lǐng)域

本發(fā)明屬于位置預(yù)測領(lǐng)域，涉及一種基于NDA-GAN(負(fù)樣本增強(qiáng)生成對抗網(wǎng)絡(luò))和深度學(xué)習(xí)的位置預(yù)測方法。

背景技術(shù)

近年來，LBSN發(fā)展十分迅速，通過天氣時(shí)間社交等信息特征來預(yù)測用戶的訪問位置，根據(jù)用戶的下個(gè)訪問位置來進(jìn)行其他應(yīng)用，例如交通擁堵、位置推薦等，從而也推進(jìn)了社交網(wǎng)絡(luò)的發(fā)展。隨著信息技術(shù)的快速發(fā)展，在位置預(yù)測系統(tǒng)中用戶的信息變得多元化，各種各樣的輔助信息可以被利用，從社交網(wǎng)絡(luò)信息到天氣信息、從時(shí)間信息到運(yùn)動軌跡信息，從朋友信息到興趣相投的陌生人信息，這些信息維度隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展越來越高，從而使得位置預(yù)測系統(tǒng)能夠更加準(zhǔn)確的去描述用戶和位置的特征，提升用戶在位置預(yù)測系統(tǒng)中所提供服務(wù)的體驗(yàn)。

在位置預(yù)測領(lǐng)域，有很多研究者在該領(lǐng)域取得不錯的效果，從傳統(tǒng)的機(jī)器學(xué)習(xí)方法到深度學(xué)習(xí)方法都占有一席之地。隨著LBSN的迅速發(fā)展，從Top-k預(yù)測到社交關(guān)系再到長短期時(shí)序性預(yù)測，位置預(yù)測系統(tǒng)考慮的對象逐漸從評分?jǐn)?shù)據(jù)轉(zhuǎn)向用戶和位置的時(shí)序性的特征，因而位置預(yù)測系統(tǒng)所需處理多維數(shù)據(jù)的能力顯得尤為重要。大多數(shù)位置預(yù)測系統(tǒng)利用提取到的用戶特征和位置特征，通過這些特征預(yù)測用戶下一時(shí)刻可能訪問的位置，因而數(shù)據(jù)量和特征是準(zhǔn)確的預(yù)測用戶下一時(shí)刻可能訪問位置的重要因素。

現(xiàn)如今，有較多研究把深度學(xué)習(xí)運(yùn)用于位置預(yù)測系統(tǒng)，通過深度學(xué)習(xí)提取用戶與位置的潛在特征，但沒有考慮LBSN簽到數(shù)據(jù)集的正負(fù)樣本不平衡問題，不能夠?qū)τ脩?位置之間的關(guān)系進(jìn)行深入地挖掘，推薦效果不佳。基于生成對抗網(wǎng)絡(luò)的對抗式負(fù)樣本生成可以有效起到擴(kuò)充數(shù)據(jù)集的作用，作為樣本生成的重要方法之一，生成式對抗網(wǎng)絡(luò)(GAN)可以根據(jù)任意給定數(shù)據(jù)集中的數(shù)據(jù)分布生成樣本，但它在實(shí)際的訓(xùn)練過程中存在生成樣本紋理模糊，訓(xùn)練過程不穩(wěn)定以及模式坍塌等問題。而負(fù)樣本對于預(yù)測結(jié)果的精確性起到了至關(guān)重要的作用，負(fù)樣本的引入可以極大程度上提高預(yù)測的精度問題并解決普遍存在的數(shù)據(jù)稀疏問題，因此，如何提取有效且可置信的負(fù)樣本成為目前亟需解決的問題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種基于訓(xùn)練數(shù)據(jù)挖掘的位置預(yù)測方法，更加準(zhǔn)確的預(yù)測用戶將會訪問的位置，提高位置預(yù)測系統(tǒng)的性能。

為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于訓(xùn)練數(shù)據(jù)挖掘的位置預(yù)測方法，具體包括以下步驟：

S1：獲取用戶-位置交互數(shù)據(jù)；

S2：分別對用戶和位置的特征進(jìn)行embedding；

S3：選擇正負(fù)樣本；

S4：使用基于流行度原則和信息量公式的負(fù)樣本抽樣算法抽取部分負(fù)樣本；

S5：通過兩種不同的策略來挖掘Hard negative；

S6：構(gòu)建Hard selection strategy來訓(xùn)練負(fù)樣本；

S7：使用正負(fù)樣本訓(xùn)練生成對抗網(wǎng)絡(luò)模型，形成負(fù)樣本增強(qiáng)生成對抗網(wǎng)絡(luò)(NDA-GAN)模型，使其能夠辨別正負(fù)樣本，并生成可置信數(shù)據(jù)；

S8：運(yùn)用訓(xùn)練好的NDA-GAN模型進(jìn)行位置預(yù)測，得到TOP-K排序，預(yù)測用戶下一時(shí)刻可能訪問的地點(diǎn)序列。