[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

说明书

本发明提供了一种基于STA‑TCN神经网络框架的兴趣点推荐方法，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。本发明还提供了一种STA‑TCN神经网络框架的兴趣点推荐系统，本发明使用ST‑Attention将时间信息和空间信息融入到Attention机制中，这将极大促进模型学习兴趣点之间的多种相关性。

技术领域

本发明涉及推荐系统领域，具体地，涉及一种基于STA-TCN神经网络框架的兴趣点推荐方法及系统。

背景技术

如今，随着Foursquare和Yelp等基于位置的社交网络(LBSN)平台的飞速发展，越来越多的用户希望与朋友分享他们在不同位置的兴趣点(Point of Interest)签到记录，如餐馆、博物馆等。大量的用户签到数据有助于学习用户对兴趣点的偏好研究。怎么准确地向用户推荐兴趣点，这对兴趣点所有者吸引潜在用户，以及用户探索周围环境并发现潜在的有趣景点都具有很高的价值。针对专有的一些名词做如下解释：

兴趣点(POI,Point-of-Interest)：位于地图上的某一地点，可以是娱乐场所、餐饮场所、景点等，其所在位置由GPS表示。

基于位置的社交网络(LBSN,Location-based Social Networks)：其中用户集合表示为兴趣点集合表示为其中每个兴趣点其所在位置为g_p＝(lon,lat)，其中lon和lat表示其经度和纬度坐标。

签到记录(Check-In)：用户签到记录表示为三元组这表示用户在过去的时间戳t处访问了位置的兴趣点p。

签到历史(Check-In History)：给定数据集，用户的签到历史定义为该用户的所有签到记录的集合，其中每个元素表示用户在数据集中的第i个签到记录。

兴趣点推荐(POI Recommendation)：对于给定的目标用户兴趣点推荐问题的目的是推荐目标用户会优先选择下一个但从未访问过的前M个兴趣点的列表。

实际上，用户的兴趣点访问行为显示出很强的顺序过渡相关性。也就是说，用户下一次访问的兴趣点与用户以往访问过的兴趣点高度相关。例如，在周末在饭店吃晚餐之后，某些用户很有可能随后会去电影院、酒吧或者其他娱乐场所。自然地，在签到记录之间捕获这种顺序过渡相关性对于兴趣点推荐系统至关重要。

基于循环神经网络(RNN)的模型率先被用来解决兴趣点推荐问题，循环神经网络可以通过用户的签到记录学习到用户兴趣点签到记录之间的顺序过渡相关性。要想训练这种基于神经网络的模型，必须将用户的历史签到序列分为多个较短的子序列，然后将它们逐个输入这些模型，这不可避免地会非常耗时。

经过检索，专利文献CN111241306A公开了一种基于知识图谱和指针网络的路径规划方法，包括：获取旅游图中兴趣点作为节点构建知识图谱，每个节点中包括兴趣点的四维信息，利用图神经网络对知识图谱中每个节点的四维信息进行聚合生成兴趣点的嵌入矩阵；将嵌入矩阵作为训练样本输入到指针网络，对指针网络进行训练，得到训练后的指针网络；针对旅游图中待测试的兴趣点，获得兴趣点的嵌入矩阵作为测试样本输入到训练后的指针网络中，依次选择输出概率最高的兴趣点，作为当前路线的下一个兴趣点，完成路径规划。该现有技术需要兴趣点的经度、纬度、热度和游玩时长等信息之后，并且根据这些信息数据先构建知识图谱并存储，实际运用过程中也需要不断对知识图谱进行更新，流程比较繁琐。同时，没有使用时间信息，对于空间信息到使用也仅限于构建知识图谱，对知识图谱并不能充分挖掘兴趣点的空间相关性。