[发明专利]基于STA-TCN神经网络框架的兴趣点推荐方法及系统

权利要求书

1.一种基于STA-TCN神经网络框架的兴趣点推荐方法，其特征在于，包括如下步骤：

步骤S1：将用户签到序列的数据进行预处理，过滤不活跃用户和不活跃兴趣点；

步骤S2：预处理之后的数据转化为高维的嵌入向量序列；

步骤S3：利用神经网络学习嵌入向量序列的顺序过渡相关性，输出得到包含顺序过渡相关性信息的结果向量；

步骤S4：对包含顺序过渡相关性信息的结果向量利用时空自注意力机制学习全局时空相关性，输出最终的表示向量；

步骤S5：根据最终的表示向量得出兴趣点推荐结果；

所述步骤S2包括如下：

步骤S2.1：通过Tile Map system嵌入GPS坐标转化为r维的GPS坐标向量；

步骤S2.2：嵌入时间戳向量；

步骤S2.3：嵌入兴趣点向量；

所述步骤S3中使用时序卷积网络学习用户签到序列之间的顺序过渡相关性；

所述步骤S4中的时空自注意力机制包括网格距离学习机制和时间敏感性学习机制；

所述网格距离学习机制通过执行以下公式的运算获得两个GPS位置的网格距离向量

其中g_i(q)表示向量g_i中的第q个元素，Abs(•)表示绝对值计算算符；

所述时间敏感性学习机制将兴趣点的嵌入向量序列C_1:L＝(c₁,c₂,…,c_L)和时间嵌入向量序列T_1:L＝(t₁,t₂,…,t_L)作为输入，其中c_i表示签到中第i个兴趣点的嵌入向量，t_i表示第i个时间戳在嵌入序列中的时间嵌入向量，时间敏感性学习机制通过计算输出时间相关性得分矩阵A^t：

其中，W^t表示T-SL机制中的参数。

2.根据权利要求1所述的基于STA-TCN神经网络框架的兴趣点推荐方法，其特征在于，所述步骤S1中通过删除少于10个签到记录的不活跃用户和少于10个访问用户的不受欢迎的兴趣点的方式对两个数据集进行预处理。

3.根据权利要求1所述的基于STA-TCN神经网络框架的兴趣点推荐方法，其特征在于，所述步骤S3中将长度为L的兴趣点嵌入序列X_1:L＝(X₁,X₂,…,X_L)输入到时序卷积网络中，其中x_i表示第i个兴趣点的嵌入向量，使用如下公式对X_1:L进行因果卷积，

其中，*表示膨胀的因果卷积操作，f表示核大小为H的卷积滤波器，e是控制卷积核的接收窗口大小的膨胀因子，x_j-eh表示位置j之前的第(e×h)个向量。

4.根据权利要求1所述的基于STA-TCN神经网络框架的兴趣点推荐方法，其特征在于，所述步骤S3中还对于所有输入的向量都使用相同的核权重矩阵，再利用激活函数得到输出特征X_1:L的非线性信息

Y_1:L＝ReLU(W*X_1:L)

其中，W表示时序卷积网络中共享的核权重矩阵，ReLU是非线性的激活函数，而Y_1:L表示输出特征。

5.一种基于STA-TCN神经网络框架的兴趣点推荐系统，其特征在于，包括：

输入嵌入层：输入嵌入层将用户签到序列作为输入，由兴趣点、GPS位置和时间戳组成，并分别输出其嵌入向量序列；

时序卷积网络：时序卷积网络将兴趣点嵌入向量作为输入，并输出得到包含顺序过渡相关性信息的结果向量；

时空注意力模块：将时序卷积网络的输出以及签到记录的时间戳和GPS位置嵌入向量作为输入，并输出学习到的全局空间和时间相关性的最终的表示向量；

输出模块：输出模块使用选择器根据最终的表示向量得出兴趣点推荐结果；

所述时空自注意力模块包括网格距离学习机制和时间敏感性学习机制；

所述网格距离学习机制通过执行以下公式的运算获得两个GPS位置的网格距离向量

其中g_i(q)表示向量g_i中的第q个元素，Abs(•)表示绝对值计算算符；

所述时间敏感性学习机制将兴趣点的嵌入向量序列C_1:L＝(c₁,c₂,…,c_L)和时间嵌入向量序列T_1:L＝(t₁,t₂,…,t_L)作为输入，其中c_i表示签到中第i个兴趣点的嵌入向量，t_i表示第i个时间戳在嵌入序列中的时间嵌入向量，时间敏感性学习机制通过计算输出时间相关性得分矩阵A^t：

其中，W^t表示T-SL机制中的参数。