申请/专利权人：桂林电子科技大学

申请日：2021-10-18

公开（公告）日：2024-03-26

公开（公告）号：CN113901319B

主分类号：G06F16/9535

分类号：G06F16/9535;G06F16/9536;G06F16/9537;G06F16/9538;G06F16/36;G06F16/33;G06N3/045;G06N3/048;G06N3/088;G06N5/025;G06N5/02

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2022.01.25#实质审查的生效;2022.01.07#公开

摘要：本发明公开一种基于序列语义与属性图特征学习的地点推荐方法，从社交网站下载历史数据，利用历史数据构建用户知识图谱、地点知识图谱、用户和地点的节点图、以及用户访问地点序列；构建联合用户社交关系、地点地理及属性信息的推荐模型，并利用用户访问地点序列和用户访问地点的节点图对推荐模型进行训练，得到训练好的推荐模型；将待推荐用户的用户访问地点序列送入到训练好的推荐模型中，得到该待推荐用户感兴趣的地点列表推荐给用户。本发明能够有效提高个性化推荐的准确性。

主权项：1.一种基于序列语义与属性图特征学习的地点推荐方法，其特征是，包括步骤如下：步骤1、先从社交网站下载历史数据，该历史数据包含用户的社交好友关系，地点的地理位置和属性、以及用户对地点的交互数据；再利用历史数据构建用户知识图谱、地点知识图谱、用户和地点的节点图、以及用户访问地点序列；步骤2、构建联合用户社交关系、地点地理及属性信息的推荐模型，并利用用户访问地点序列和用户访问地点的节点图对推荐模型进行训练，得到训练好的推荐模型；在训练推荐模型的过程中：步骤2.1、将用户访问地点序列送入到推荐模型的word2vec模型中，得到用户序列特征向量和地点序列特征向量；同时，将用户访问地点的节点图送入到推荐模型的node2vec模型中，得到用户属性特征向量和地点属性特征向量；步骤2.2、将用户序列特征向量和用户属性特征向量拼接，得到用户特征表示向量；同时，将地点序列特征向量和地点属性特征向量拼接，得到地点特征表示向量；步骤2.3、将用户特征表示向量、地点特征表示向量、用户知识图谱和地点知识图谱一并送入到推荐模型的神经网络预测模型中，对神经网络预测模型进行训练，得到训练好的神经网络预测模型；在训练神经网络预测模型的过程中：步骤2.3.1、将用户特征表示向量和用户知识图谱送入到神经网络预测模型的Softmax函数层得到用户相似度预测的损失函数；将地点特征表示向量和地点知识图谱送入到神经网络预测模型的Softmax函数层得到地点相似度预测的损失函数；将用户特征表示向量和地点特征表示向量同时送入到神经网络预测模型的隐藏层和Sigmoid函数层得到用户访问属性偏好的损失函数；步骤2.3.2、计算神经网络预测模型的最终损失函数 式中，表示用户相似度预测的损失函数，表示地点相似度预测的损失函数，表示用户访问属性偏好的损失函数，λ1表示设定的用户加权因子，λ2表示设定的地点加权因子；步骤2.3.3、通过神经网络预测模型的最终损失函数来更新神经网络预测模型的参数；步骤3、将待推荐用户的用户访问地点序列送入到训练好的推荐模型中，得到该待推荐用户感兴趣的地点列表推荐给用户。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 一种基于序列语义与属性图特征学习的地点推荐方法

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