申请/专利权人:重庆大学
申请日:2023-05-22
公开(公告)日:2023-09-22
公开(公告)号:CN116796082A
主分类号:G06F16/9537
分类号:G06F16/9537;G06F16/9535;G06F16/9536;G06Q50/00
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.10.13#实质审查的生效;2023.09.22#公开
摘要:本发明涉及一种基于跨序列位置解耦表征的兴趣点推荐方法,该方法通过对位置转换的全局观察,探索空间和时间因素如何影响签到行为。具体来说,首先通过数据集中的跨序列轨迹建立空间和时间上的耦合图,并通过图神经网络学习每个地点的解耦表征。该方法不但增强模型的可解释性,还应用了时间掩码数据增强方法和频域学习技术,以进一步缓解生成连续序列引起的短轨迹冷启动问题。在两个真实世界的数据集上的实验表明,与强大的基线相比,该方法具有竞争性的冷启动和推荐能力。
主权项:1.一种基于跨序列位置解耦表征的兴趣点推荐方法,其特征在于:包括如下步骤:S1:构建和训练CrossDR,CrossDR模型依次包括跨序列图构建模块,图神经网络GCN、空间自注意机制模块、解耦表征聚合模块、属性聚合层和输出层;S1-1:解耦表征过程S1-1-1:所述跨序列图构建模块用于构建跨序列图,所述跨序列图包括空间关系图Gs和时间关系图Gt,获取多个用户签到轨迹构建Gs和Gt,所述用户签到轨迹包括以时间为序的用户地点签到序列;S1-1-2:在构建的Gs和Gt上通过图神经网络GCN进行学习,得到Gs对应的空间节点特征向量Hs和Gt对应的时间节点特征向量Ht;S1-1-3:对所述Hs和Ht进行空间自注意机制对应的得到空间解耦表征Ds和时间解耦表征Dt;S1-1-4:所述解耦表征聚合模块对Ds和Dt进行解耦表征聚合得到解耦表征集E;S1-2:序列推荐S1-2-1:将每个用户的轨迹序列是切割成连续的子序列,从用户的签到历史中随机选择n个签到地点,并掩码其时间信息,将掩码后的n个签到地点加入用户的子序列中得到样本;S1-2-2:将所有样本与解耦表征集E一起输入属性聚合层提取每个样本的解耦表征,并通过与用户特征、位置签到时间和位置类别的特征融合与拼接,得到样本中的第q个签到地点hp的表征lq,然后令=1,2...n将所有lq按时间顺序堆叠得到训练样本S;S1-2-3:将S转为频域,转换过程如下:F=IFFTFFTMcS4其中Mc为可学习矩阵,F表示滤掉频域内的噪声后得到的序列;S1-2-4:将所述F作为预测层的输入,输出即为预测的下一个兴趣点,根据损失函数LT的值,反向传播更新CrossDR的参数,直至损失不再下降即得训练好的CrossDR;S2:获取一个用户的签到轨迹,将该用户的签到轨迹一起输入训练好的CrossDR中,输出即是预测的该用户的下一个兴趣点。
全文数据:
权利要求:
百度查询: 重庆大学 一种基于跨序列位置解耦表征的兴趣点推荐方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。