[發(fā)明專利]一種基于自監(jiān)督學(xué)習(xí)的社交網(wǎng)絡(luò)用戶軌跡分析方法

在審

• 申請?zhí)枺?/td>: 202110649825.6
• 申請日: 2021-06-10
• 公開（公告）號: CN113378074A
• 公開（公告）日: 2021-09-10
• 發(fā)明（設(shè)計(jì)）人: 周帆;代雨柔;余柳;鐘婷;敬鑫
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/9537;G06Q50/00
• 代理公司: 成都東恒知盛知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 51304
• 代理人: 羅江

1.一種基于自監(jiān)督學(xué)習(xí)的社交網(wǎng)絡(luò)用戶軌跡分析方法，其特征在于，包括如下步驟：

S1、對真實(shí)軌跡數(shù)據(jù)進(jìn)行預(yù)處理，把數(shù)據(jù)劃分為訓(xùn)練集和測試集，然后對每個(gè)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)處理，再對軌跡數(shù)據(jù)進(jìn)行嵌入處理，得到軌跡點(diǎn)的向量表示；

S2、將數(shù)據(jù)增強(qiáng)處理后的軌跡數(shù)據(jù)和軌跡點(diǎn)的向量表示輸入到預(yù)訓(xùn)練模型中，對軌跡時(shí)間段進(jìn)行劃分為當(dāng)前軌跡T_c和歷史軌跡T_h，在預(yù)訓(xùn)練模型中利用對比學(xué)習(xí)構(gòu)建正負(fù)樣本和噪聲對比損失函數(shù)，學(xué)習(xí)不同軌跡點(diǎn)之間的互信息，區(qū)分真實(shí)的有利位置和少數(shù)負(fù)面位置來捕獲隱含的移動(dòng)意圖，并保存預(yù)訓(xùn)練模型中得到的參數(shù)；

S3、將測試集的數(shù)據(jù)輸入到預(yù)訓(xùn)練模型中，將步驟S2中得到的參數(shù)遷移到下游任務(wù)進(jìn)行微調(diào)，以原始的訓(xùn)練集和測試集作為下游任務(wù)的輸入，預(yù)測用戶的運(yùn)動(dòng)意圖。

2.根據(jù)權(quán)利要求1所述的基于自監(jiān)督學(xué)習(xí)的社交網(wǎng)絡(luò)用戶軌跡分析方法，其特征在于：所述步驟S1中的預(yù)處理具體是指：對數(shù)據(jù)集的數(shù)據(jù)進(jìn)行了清洗，對于每個(gè)數(shù)據(jù)集，刪除了少于5個(gè)用戶訪問的POI，對于每個(gè)用戶，我們將所有簽到的位置連接起來形成一條軌跡，隨后，將每條軌跡劃分為子軌跡，設(shè)置每條軌跡的時(shí)間間隔為6小時(shí)，篩選并剔除少于5個(gè)子軌跡的用戶。

3.根據(jù)權(quán)利要求1所述的基于自監(jiān)督學(xué)習(xí)的社交網(wǎng)絡(luò)用戶軌跡分析方法，其特征在于：所述的把數(shù)據(jù)劃分為訓(xùn)練集和測試集具體是將80％的數(shù)據(jù)劃分為訓(xùn)練集，20％的數(shù)據(jù)劃分為測試集。

4.根據(jù)權(quán)利要求1所述的基于自監(jiān)督學(xué)習(xí)的社交網(wǎng)絡(luò)用戶軌跡分析方法，其特征在于：所述步驟S1中的數(shù)據(jù)增強(qiáng)處理包括軌跡子采樣、空間增強(qiáng)和時(shí)間增強(qiáng)；所述空間增強(qiáng)是指：兩條軌跡上的兩個(gè)軌跡點(diǎn)是同一種類的點(diǎn)，且兩個(gè)點(diǎn)在空間上的距離在5公里之內(nèi)，則滿足交換條件，交換后得到增加軌跡；所述的時(shí)間增強(qiáng)是指：兩條軌跡上的兩個(gè)軌跡點(diǎn)是同一種類的點(diǎn)，且兩個(gè)點(diǎn)在時(shí)間上相距在一小時(shí)之內(nèi)，則滿足交換條件，交換后得到增加軌跡。

5.根據(jù)權(quán)利要求1所述的基于自監(jiān)督學(xué)習(xí)的社交網(wǎng)絡(luò)用戶軌跡分析方法，其特征在于：所述的對軌跡數(shù)據(jù)進(jìn)行嵌入處理，得到軌跡點(diǎn)的向量表示具體是指：使用word2vec技術(shù)對訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，得到初始化的所有軌跡的嵌入向量矩陣，將每一個(gè)軌跡點(diǎn)轉(zhuǎn)化為向量表示。

6.根據(jù)權(quán)利要求1所述的基于自監(jiān)督學(xué)習(xí)的社交網(wǎng)絡(luò)用戶軌跡分析方法，其特征在于：將軌跡數(shù)據(jù)輸入到預(yù)訓(xùn)練模型中具體包括：將當(dāng)前軌跡T_c輸入到模型中的GRU模塊，不僅考慮連續(xù)軌跡點(diǎn)之間的空間距離ΔD_t-1,t和時(shí)間間隔ΔT_t-1,t，還考慮了非連續(xù)的時(shí)空間隔ΔD_t-1,t+1和ΔT_t-1,t+1，更新過程：

h’_t＝GRU(l_t,h_t-1,ΔT_t-1,t,ΔD_t-1,t)

h”_t＝GRU(l_t,h_t-1,ΔT_t-1,t+1,ΔD_t-1,t+1)

h_t＝(h’_t；h”_t)；

還包括將歷史軌跡T_h輸入到模型中的注意力機(jī)制模塊，通過查詢歷史記錄中與當(dāng)前軌跡T_c最相似的軌跡Γ來捕捉人類活動(dòng)的歷程：

F(h_t,o_i)＝tanh(h_tWo)。

7.根據(jù)權(quán)利要求1所述的基于自監(jiān)督學(xué)習(xí)的社交網(wǎng)絡(luò)用戶軌跡分析方法，其特征在于：所述的構(gòu)建正負(fù)樣本和噪聲對比損失函數(shù)具體是：將真實(shí)預(yù)測值的軌跡點(diǎn)z_t+k作為正樣本，從其他用戶的軌跡中隨機(jī)采樣j個(gè)點(diǎn)作為負(fù)樣本對應(yīng)于潛在空間里的狀態(tài)，構(gòu)造了噪聲對比損失函數(shù)：

通過降低噪聲對比損失函數(shù)的值，來增大正樣本與錨數(shù)據(jù)之間的互信息，減少負(fù)樣本與錨數(shù)據(jù)之間的互信息，通過互信息來判斷軌跡點(diǎn)之間的相似情況，提高預(yù)測精度。