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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD