[發明專利]基于對比學習和雙邊協同的下一個興趣點推薦方法和裝置

在審

• 申請號: 202111603826.3
• 申請日: 2021-12-24
• 公開（公告）號: CN114238773A
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 沈利東;沈利輝;趙朋朋;李業芃
• 申請（專利權）人: 江蘇億友慧云軟件股份有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06N3/04;G06N3/08
• 代理公司: 北京遠大卓悅知識產權代理有限公司 11369
• 代理人: 吳朝陽

本發明實施例公開了基于對比學習和雙邊協同的下一個興趣點推薦方法和裝置。所述方法，包括：獲取多個用戶的歷史興趣點序列，其中，每個用戶的歷史興趣點序列包括相應用戶所訪問的若干興趣點；根據所述多個用戶的歷史興趣點序列所包括的多個興趣點，獲取所述多個興趣點的歷史用戶序列；基于對比學習，根據所述多個用戶的歷史興趣點序列以及所述多個興趣點的歷史用戶序列，構建神經網絡模型，并基于所構建的神經網絡模型生成目標評分矩陣；根據所述目標評分矩陣，對選自于所述多個用戶中的目標用戶推薦下一個興趣點。基于該方法和裝置，可以生成能夠準確反映用戶偏好的目標評分矩陣，進而提高對于下一個興趣點推薦的準確性。

技術領域

本發明實施例涉及計算機技術領域，尤其涉及基于對比學習和雙邊協同的下一個興趣點推薦方法、裝置、電子設備以及存儲介質。

背景技術

隨著基于位置的社交網絡(LBSN)的日益普及，下一個興趣點(POI，Point ofInterest)的推薦對基于位置的服務提供商和用戶也體現出重要價值。研究人員提出了多種具有較高實用價值的POI推薦方法，尤其是隨著深度網絡的爆炸式增長。Liu等人首次將深度學習網絡應用于POI推薦，并使用空間信息和時間信息擴展RNN。Yang等人使用時空上下文，以高預測能力搜索過去的隱藏狀態，并提出了一種稱為Flashback的通用RNN架構。關于RNN的一些變體，可以有效地利用用戶的長期和短期興趣，例如Hochreiter等人提出的長短期記憶(LSTM)和Cho等人提出的門控循環單元(GRU)。其中，注意力機制也已成功應用于序列推薦。例如，Feng等人提出了一種名為DeepMove的注意力循環網絡用于移動性預測。Ying等人提出了一個兩層序列分層注意力網絡(SHAN)，來推薦下一個項目。

盡管這些方法在許多已部署的現實世界應用程序中取得了巨大成功，但當前的POI推薦方法仍然受到一些限制。首先，數據稀疏性導致難以很好地建模，進而影響對用戶偏好的挖掘。由于用戶需要實際的物理訪問POI，才得以生成簽到數據，導致POI推薦數據比其他推薦場景(如電子商務、電影等)更加稀疏。此外，很多現有方法基于個人數據獨立預測下一個POI，幾乎沒有使用協同信息，使得模型難以為每個用戶挖掘出明確的偏好。而且，大多數推薦方法只考慮用戶自身訪問POI這一行為，而忽略了POI端其實也有著很豐富的信息。其次，監督信號采集。大多數方法使用了監督學習來完成訓練任務。與整個數據集相比，所能夠獲得的監督信號非常稀疏，這導致無法學習高質量的表示。

發明內容

本發明實施例的一個目的是解決至少上述問題和/或缺陷，并提供至少后面將說明的優點。

本發明實施例提供了基于對比學習和雙邊協同的下一個興趣點推薦方法、裝置、電子設備以及存儲介質，其可以準確挖掘出用戶的偏好，提高對下一個興趣點推薦的準確性。

第一方面，提供了一種基于對比學習和雙邊協同的下一個興趣點推薦方法，包括：

獲取多個用戶的歷史興趣點序列，其中，每個用戶的歷史興趣點序列包括相應用戶所訪問的若干興趣點；

根據所述多個用戶的歷史興趣點序列所包括的多個興趣點，獲取所述多個興趣點的歷史用戶序列，其中，每個興趣點的歷史用戶序列包括對相應興趣點進行訪問的若干用戶；

基于對比學習，根據所述多個用戶的歷史興趣點序列以及所述多個興趣點的歷史用戶序列，構建神經網絡模型，并基于所構建的神經網絡模型生成目標評分矩陣，其中，所述目標評分矩陣包括所述多個用戶中每個用戶對所述多個興趣點中每個興趣點的評分；

根據所述目標評分矩陣，對選自于所述多個用戶中的目標用戶推薦下一個興趣點。

可選地，所述神經網絡模型包括第一神經網絡和第二神經網絡；