[发明专利]一种融合深度学习和因子分解机的兴趣点签到预测方法

说明书

本发明涉及一种融合深度学习和因子分解机的兴趣点签到预测方法，属于位置签到预测领域包括：S1：获取用户签到数据；S2：对输入的离散数据进行嵌入处理；S3：离散数据去稀疏处理，并学习数据之间的隐含二阶关系；S4：对于连续特征加入全连接隐藏层进行学习，选取合适的激励函数；S5：输入由离散特征经过处理的结果和连续特征经过处理的结果相加作为隐藏层h₁的输入；S6：隐藏层h₁的输出l₁经过一阶线性和特征交互结构并相加作为隐藏层h₂的输入；S7：隐藏层h₃接收的输入来自隐藏层h₁和h₂的输出l₁和l₂，同时加入shortcut结构保证参数学习时梯度的稳定性，确定最佳的模型结构，最后输出预测结果。本发明通过分析用户签到信息，充分挖掘学习签到规律，预测兴趣点签到问题。

技术领域

本发明属于位置签到预测领域，涉及一种融合深度学习和因子分解机的兴趣点签到预测方法。

背景技术

基于位置的社交网络是通过智能终端设备建立的以社会交互为目的的网络。LBSN和用户的生活密切相关，可以真实反映用户的社会关系和现实生活中的活动，是沟通真实物理世界和虚拟互联空间的桥梁。随着移动终端、无线通信、移动互联网等技术的发展，用户可以随时随地记录自己的移动轨迹，并且可以上传到例如Foursquare、Gowalla等基于位置的社交网络，分享自己的爱好，兴趣，游玩攻略等信息。这些签到数据真实的记录了用户在什么时间访问了什么地点。通过对这些签到信息的学习，可以挖掘出用户的潜行为模式、规律和偏好。其中，预测系统作为目前解决信息过滤和个性化服务问题的重要技术手段之一，在位置服务中发挥着越来越重要的作用。目前，社交网络中的用户规模和用户发布的信息增量迅猛，而包含着地理位置信息的内容也在被越来越多的人所关注，有关兴趣点预测的模型层出不穷。

除了一些经典的兴趣点签到预测的方法，还有一些方法取得了较好的效果，在中国专利CN107515949A中公开了兴趣点预测和推荐中的用户时空相似性度量方法；另一篇中国专利CN105488213A中则公开了一种面向LBS的基于马尔可夫预测算法的个性化推荐方法，这些方法都对位置签到预测做出了很好的阐述，但是，在实现精准的个性化兴趣点签到预测方面还存在一些不足。

发明内容

有鉴于此，本发明的目的在于提供一种融合深度学习和因子分解机的兴趣点签到预测方法，旨在针对特定的兴趣点进行签到预测，该方法以特定兴趣点为中心，通过分析用户签到的天气、时间和空间信息，充分地挖掘和学习用户的签到规律和模式，从而能够准确地预测特定兴趣点的签到问题。

为达到上述目的，本发明提供如下技术方案：

一种融合深度学习和因子分解机的兴趣点签到预测方法，包括以下步骤：

S1：获取用户签到数据，签到数据分为连续特征数据和离散特征数据；

S2：对输入的离散数据进行嵌入处理，通过一个类似局部连接的结构，将离散特征映射到低维向量；

S3：利用类似FM的网络结构进行离散数据的去稀疏处理，并学习数据之间的隐含二阶关系；

S4：对于连续特征加入全连接隐藏层进行学习，选取合适的激励函数；

S5：输入由离散特征经过处理的结果和连续特征经过处理的结果相加作为隐藏层h₁的输入；

S6：隐藏层h₁的输出l₁经过一阶线性和特征交互结构并相加作为隐藏层h₂的输入；