[发明专利]针对社交网络用户在未来给定时间的访问位置预测方法

权利要求书

1.一种针对社交网络用户在未来给定时间的访问位置预测方法，其特征在于，

包括如下步骤：

步骤1.获得时间窗口敏感的用户隐含偏好表示；

定义用户在移动社交网络中的历史位置轨迹集合为L，集合L中的每一个元素表示用户的一次签到记录，集合L已知，且L＝{L^u|u∈U}，U表示移动社交网络用户的集合；

其中，L^u表示用户u的历史位置轨迹；

针对用户u的历史位置轨迹L^u中第i个签到，提取第i个签到的时间特征、空间特征以及兴趣点属性特征，依据特征融合的方式获得第i个签到的整体语义；

其中，兴趣点属性特征是与位置的数值化评分信息相关的特征；

利用注意力机制，即通过两层注意力网络获得第i个签到的注意力权重；

基于注意力权重聚合用户u的所有签到记录，获得时间窗口敏感的用户隐含偏好表示；

步骤2.获得兴趣点隐含表示；

通过特征融合的方式将兴趣点嵌入表示与兴趣点属性向量融合，获得兴趣点隐含表示；

其中，兴趣点属性向量是指兴趣点所有评分向量的平均值；

步骤3.获得地理影响力隐含表示；

利用高斯核函数计算任意两个兴趣点之间的地理因子，获得地理影响力隐含表示；

步骤4.计算用户u在时间窗口t针对兴趣点v的访问概率；

在步骤1至步骤3的基础上，将用户隐含偏好表示、兴趣点隐含表示、地理影响力隐含表示进行拼接操作，输入多层神经网络以计算用户u在时间窗口t针对兴趣点v的访问概率；

步骤5.对多层神经网络模型进行训练；

在步骤4的基础上构建目标函数，通过贝叶斯个性化排序对目标函数进行优化，利用梯度下降算法获得步骤1至步骤4中涉及的模型参数，从而获得训练好的多层神经网络模型；

步骤6.利用训练好的多层神经网络模型对目标用户的访问位置进行预测；

在步骤5的基础上，针对目标用户u’以及给定的时间窗口t’，计算该目标用户u’针对不同候选位置v’的访问概率值，然后将得到的访问概率值进行降序排序；

选取top-K概率值对应的候选位置形成有序列表，作为最终的访问位置预测结果；

定义移动社交网络用户集合表示为U＝{u₁,u₂,…,u_M}，位置集合表示为V＝{v₁,v₂,…,v_N}，时间窗口集合表示为T＝{t₁,t₂,…,t_T}；

其中，M表示用户数量，N表示兴趣点数量，T表示时间窗口的数量；

在上述符号定义的基础上，用户u的历史位置轨迹L^u表示为时间有序的四元组集合，即L^u＝{(u,v_i,t_i,r_i)|u∈U,v_i∈V,t_i∈T}，1≤i≤n，n表示签到的数量；

其中，用户u、兴趣点v_i、签到时间t_i以及数值评分r_i均为离散变量；

上述四元组(u,v_i,t_i,r_i)的含义为用户u在签到时间t_i访问了兴趣点v_i并给予数值评分r_i；

所述步骤1具体为：

步骤1.1.对于用户u历史位置轨迹L^u中第i个签到，依据特征嵌入的方式将用户u、兴趣点v_i、签到时间t_i与数值评分r_i分别嵌入d维连续向量空间，得到离散变量的嵌入表示；

其中，e_u，e_vi，e_ti，e_ri分别表示用户u、兴趣点v_i、时间t_i与数值评分r_i的嵌入表示；

e_u，e_vi，e_ti，e_ri∈R^d，R^d表示d维连续向量空间；

步骤1.2.为刻画第i个签到的整体语义，依据特征融合的方式将兴趣点v_i、签到时间t_i以及数值评分r_i的嵌入表示利用非线性函数进行融合，公式如下：

其中，x_i表示第i个签到的整体嵌入表示，表示拼接操作，函数g(·)为非线性融合函数；

步骤1.3.为刻画用户u对于签到时间t_i的偏好，同样依据特征融合的方式将用户u与签到时间t_i的嵌入表示进行非线性融合，公式如下：

其中，q_i表示时间敏感的用户嵌入表示；

步骤1.4.在获得每一次签到的整体嵌入表示x_i和时间敏感的用户嵌入表示q_i之后，引入注意力机制，通过两层注意力网络计算第i个签到的权重a_i’，权重计算公式如下：

其中，W₁与b₁分别表示第一层注意力网络的权重矩阵与偏置向量，w₂与b₂表示第二层注意力网络的权重向量与偏置值；relu(·)表示线性修正单元激活函数，即relu(x)＝max(0,x)；

在此基础上，对权重a_i’进行归一化处理，归一化计算公式如下：

a_i＝exp(a_i’)/(∑_1≤j≤nexp(a_j’))，其中，a_i表示归一化处理之后的权重值；

步骤1.5.将用户u历史签到记录进行非线性聚合，获得用户隐含偏好表示h_u，即：

h_u＝σ(W_u·{∑_1≤i≤na_ix_i}+b_u)；

其中，W_u与b_u分别表示非线性聚合层的权重矩阵与偏置向量，σ(·)为非线性激活函数；

所述步骤2具体为：

定义兴趣点属性向量为f_vi；

依据特征融合的方式将兴趣点嵌入表示e_vi与兴趣点属性向量f_vi非线性融合，公式如下：

其中，h_v为兴趣点隐含表示；

所述步骤3具体为：

步骤3.1.利用高斯核函数计算任意两个兴趣点之间的地理因子，获得地理因子矩阵K，K∈R^N×N，其中，R^N×N表示N×N维的矩阵；

地理因子矩阵K中矩阵元素K(z_i,z_j)的计算方式为：

其中，z_i表示兴趣点v_i的地理坐标，z_j表示兴趣点v_j的地理坐标，γ为平滑因子；

步骤3.2.根据用户u访问过的兴趣点集合，对地理因子矩阵K进行切片操作，以获得用户u的地理因子矩阵

其中，表示|L_u|×|L_u|维的矩阵，L_u为用户u访问过的兴趣点集合；

在此基础上，获得兴趣点集合L_u针对当前兴趣点v的地理因子向量

步骤3.3.对地理因子向量K[L_u]_v进行非线性映射，求得地理影响力隐含表示h_g，即：

h_g＝σ([W_g·K[L_u]_v]+b_g)；

其中，W_g与b_g分别表示非线性映射层的权重矩阵与偏置向量。