[發明專利]基于STA-TCN神經網絡框架的興趣點推薦方法及系統

有效

• 申請號: 202110362907.2
• 申請日: 2021-04-02
• 公開（公告）號: CN113158038B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 江浩;歐俊杰;王孝誠;金海明;劉藝娟;黃建強;王新兵
• 申請（專利權）人: 上海交通大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9537;G06N3/04;G06N3/08
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

1.一種基于STA-TCN神經網絡框架的興趣點推薦方法，其特征在于，包括如下步驟：

步驟S1：將用戶簽到序列的數據進行預處理，過濾不活躍用戶和不活躍興趣點；

步驟S2：預處理之后的數據轉化為高維的嵌入向量序列；

步驟S3：利用神經網絡學習嵌入向量序列的順序過渡相關性，輸出得到包含順序過渡相關性信息的結果向量；

步驟S4：對包含順序過渡相關性信息的結果向量利用時空自注意力機制學習全局時空相關性，輸出最終的表示向量；

步驟S5：根據最終的表示向量得出興趣點推薦結果；

所述步驟S2包括如下：

步驟S2.1：通過Tile Map system嵌入GPS坐標轉化為r維的GPS坐標向量；

步驟S2.2：嵌入時間戳向量；

步驟S2.3：嵌入興趣點向量；

所述步驟S3中使用時序卷積網絡學習用戶簽到序列之間的順序過渡相關性；

所述步驟S4中的時空自注意力機制包括網格距離學習機制和時間敏感性學習機制；

所述網格距離學習機制通過執行以下公式的運算獲得兩個GPS位置的網格距離向量

其中g_i(q)表示向量g_i中的第q個元素，Abs(?)表示絕對值計算算符；

所述時間敏感性學習機制將興趣點的嵌入向量序列C_1:L＝(c₁,c₂,…,c_L)和時間嵌入向量序列T_1:L＝(t₁,t₂,…,t_L)作為輸入，其中c_i表示簽到中第i個興趣點的嵌入向量，t_i表示第i個時間戳在嵌入序列中的時間嵌入向量，時間敏感性學習機制通過計算輸出時間相關性得分矩陣A^t：

其中，W^t表示T-SL機制中的參數。

2.根據權利要求1所述的基于STA-TCN神經網絡框架的興趣點推薦方法，其特征在于，所述步驟S1中通過刪除少于10個簽到記錄的不活躍用戶和少于10個訪問用戶的不受歡迎的興趣點的方式對兩個數據集進行預處理。

3.根據權利要求1所述的基于STA-TCN神經網絡框架的興趣點推薦方法，其特征在于，所述步驟S3中將長度為L的興趣點嵌入序列X_1:L＝(X₁,X₂,…,X_L)輸入到時序卷積網絡中，其中x_i表示第i個興趣點的嵌入向量，使用如下公式對X_1:L進行因果卷積，

其中，*表示膨脹的因果卷積操作，f表示核大小為H的卷積濾波器，e是控制卷積核的接收窗口大小的膨脹因子，x_j-eh表示位置j之前的第(e×h)個向量。

4.根據權利要求1所述的基于STA-TCN神經網絡框架的興趣點推薦方法，其特征在于，所述步驟S3中還對于所有輸入的向量都使用相同的核權重矩陣，再利用激活函數得到輸出特征X_1:L的非線性信息

Y_1:L＝ReLU(W*X_1:L)

其中，W表示時序卷積網絡中共享的核權重矩陣，ReLU是非線性的激活函數，而Y_1:L表示輸出特征。

5.一種基于STA-TCN神經網絡框架的興趣點推薦系統，其特征在于，包括：

輸入嵌入層：輸入嵌入層將用戶簽到序列作為輸入，由興趣點、GPS位置和時間戳組成，并分別輸出其嵌入向量序列；

時序卷積網絡：時序卷積網絡將興趣點嵌入向量作為輸入，并輸出得到包含順序過渡相關性信息的結果向量；

時空注意力模塊：將時序卷積網絡的輸出以及簽到記錄的時間戳和GPS位置嵌入向量作為輸入，并輸出學習到的全局空間和時間相關性的最終的表示向量；

輸出模塊：輸出模塊使用選擇器根據最終的表示向量得出興趣點推薦結果；

所述時空自注意力模塊包括網格距離學習機制和時間敏感性學習機制；

所述網格距離學習機制通過執行以下公式的運算獲得兩個GPS位置的網格距離向量

其中g_i(q)表示向量g_i中的第q個元素，Abs(?)表示絕對值計算算符；

所述時間敏感性學習機制將興趣點的嵌入向量序列C_1:L＝(c₁,c₂,…,c_L)和時間嵌入向量序列T_1:L＝(t₁,t₂,…,t_L)作為輸入，其中c_i表示簽到中第i個興趣點的嵌入向量，t_i表示第i個時間戳在嵌入序列中的時間嵌入向量，時間敏感性學習機制通過計算輸出時間相關性得分矩陣A^t：

其中，W^t表示T-SL機制中的參數。