[發(fā)明專利]一種影響力感知驅(qū)動的連續(xù)興趣點實時推薦方法

有效

• 申請?zhí)枺?/td>: 202110246458.5
• 申請日: 2021-03-05
• 公開（公告）號: CN112948709B
• 公開（公告）日: 2022-03-25
• 發(fā)明（設計）人: 楊青;程興和;張敬偉
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/9537;G06N3/04;G06N3/08;G06Q50/00
• 代理公司: 成都東恒知盛知識產(chǎn)權代理事務所(特殊普通合伙) 51304
• 代理人: 羅江

本發(fā)明涉及興趣點推薦技術領域，涉及一種影響力感知驅(qū)動的連續(xù)興趣點實時推薦方法，包括：一、獲取用戶打卡歷史信息，將打卡數(shù)據(jù)組成序列；二、將打卡數(shù)據(jù)組成序列組；三、將序列組推送給模型進行訓練；通過門控循環(huán)單元加注意力機制得到一段序列中每一個興趣點所占影響力向量，將得到的向量輸入全連接神經(jīng)網(wǎng)絡擬合，經(jīng)過管道搜索的方式學習出適應該區(qū)域的最優(yōu)超參數(shù)；四、將訓練模型部署在多個服務器中；五、記錄用戶下一打卡地點以及對興趣點的評分。本發(fā)明能實現(xiàn)精確、實時的對用戶下一興趣點的推薦。

技術領域

本發(fā)明涉及興趣點推薦技術領域，具體地說，涉及一種影響力感知驅(qū)動的連續(xù)興趣點實時推薦方法。

背景技術

隨著移動社交平臺的快速發(fā)展，人們每天會在各種平臺分享自己的行程。這樣的行為使我們獲得了大量用戶打卡數(shù)據(jù)。這些打卡數(shù)據(jù)有助于幫助我們建立一種興趣點的推薦系統(tǒng)，提高用戶在城市中的體驗。

高效的推薦系統(tǒng)不僅可以帶給服務商流量和利潤，同時，還可以幫助用戶選擇他們更感興趣的興趣點。傳統(tǒng)的推薦興趣點推薦算法往往沒用考慮到最近訪問的興趣點相互的影響，這導致系統(tǒng)性能還有很大的提升空間。現(xiàn)有技術通過用戶自身偏好對用戶沒有訪問過的興趣點進行推薦，但是一方面它使用的是傳統(tǒng)協(xié)同過濾的思想對冷啟動和數(shù)據(jù)稀疏性的處理能力不夠好。另一方面它僅僅考慮了用戶偏好對未訪問興趣點的影響而沒有考慮到歷史訪問興趣點對下一興趣點訪問的影響。還有一種技術通過語境、廣告、受眾三者的最佳匹配來找出個性化的推薦。雖然該技術考慮的因素很多，但是對于興趣點推薦來說，它沒有把握興趣點與時間的關系。因為從大規(guī)模數(shù)據(jù)來看，用戶訪問興趣點具有明顯的周期性。且以上兩種技術都是對用戶接下來幾天內(nèi)甚至幾個月內(nèi)的興趣點進行推薦。這在實際應用中實用性不強且無法適應快速的社會發(fā)展。因此，我們需要設計出一種可靈活迭代更新的模型，并能實時的對用戶下一興趣點進行推薦的系統(tǒng)，通過深度學習的方式把握興趣點與打卡時間先后的關系并能夠?qū)⒛Ｐ筒渴鹪谝苿佣嘶蛘叻掌魃希瑥亩鴮崿F(xiàn)精確、實時的對用戶下一興趣點的推薦。

因此，如何為用戶提供實時興趣點推薦成為了本領域的技術人員需要解決的一個問題。

發(fā)明內(nèi)容

本發(fā)明的內(nèi)容是提供一種影響力感知驅(qū)動的連續(xù)興趣點實時推薦方法，其能夠克服現(xiàn)有技術的某種或某些缺陷。

根據(jù)本發(fā)明的一種影響力感知驅(qū)動的連續(xù)興趣點實時推薦方法，其包括以下步驟：

步驟一、獲取用戶打卡歷史信息，將每一個用戶一天內(nèi)的打卡數(shù)據(jù)組成序列；

步驟二、將所有用戶一天內(nèi)的打卡數(shù)據(jù)組成序列組，序列組內(nèi)每一條序列為一個用戶一天內(nèi)的序列打卡興趣點，即該序列組包含該區(qū)域內(nèi)各有效用戶一天內(nèi)的打卡序列；

步驟三、將序列組推送給模型進行訓練；通過門控循環(huán)單元加注意力機制得到一段序列中每一個興趣點所占影響力向量，將得到的向量輸入全連接神經(jīng)網(wǎng)絡擬合，經(jīng)過管道搜索的方式學習出適應該區(qū)域的最優(yōu)超參數(shù)；

步驟四、將訓練模型部署在多個服務器中，在一天內(nèi)按一定頻率將實時的用戶打卡數(shù)據(jù)序列組分成多部分傳入不同服務器中進行預測，并根據(jù)用戶ID將預測結(jié)果實時傳回用戶端；

步驟五、記錄用戶下一打卡地點以及對興趣點的評分，得到用戶反饋數(shù)據(jù)用于優(yōu)化模型，通過用戶反饋及新用戶打卡序列定期更新模型。

作為優(yōu)選，步驟一中，從移動應用運營商大數(shù)據(jù)平臺中獲取用戶打卡歷史信息，用戶打卡歷史信息包括用戶ID、打卡地點、打卡時間、打卡經(jīng)緯度和用戶評分。

作為優(yōu)選，步驟二中，組成序列組后，對序列組進行清洗，剔除一天打卡次數(shù)少的序列。

作為優(yōu)選，清洗是將打卡次數(shù)少于5次的新用戶數(shù)據(jù)剔除并且剔除少于5次打卡的興趣點。

作為優(yōu)選，步驟三中，模型采用深度學習的方式，并在Tensorflow框架上進行模型訓練。