[发明专利]一种基于超图卷积网络的时空行为预测方法及系统

权利要求书

1.一种基于超图卷积网络的时空行为预测方法，其特征在于，包括：

确定待预测时空行为的用户ID及对应的时间和地点；

将所述待预测时空行为的用户ID及对应的时间和地点输入至时空行为预测模型，得到所述时空行为预测模型输出的用户ID对应的行为结果；

其中，所述时空行为预测模型是基于用户的历史时空行为数据构建的超图用图卷积神经网络训练得到。

2.根据权利要求1所述的基于超图卷积网络的时空行为预测方法，其特征在于，所述时空行为预测模型是基于用户的历史时空行为数据构建的超图用图卷积神经网络训练得到，包括：

基于用户的历史时空行为数据构建多通道用户关系超图和异构交互超图；

将所述多通道用户关系超图和异构交互超图迭代进行L次超图卷积运算及传播，得到L组不同的用户、时间、地点和行为嵌入向量；

基于所述L组不同的用户、时间、地点和行为嵌入向量得到用于预测的嵌入向量，并基于所述用于预测的嵌入向量得到相应的预测分数；其中，L为超图卷积层数；

基于所述预测分数构建目标函数的监督学习法训练所述图卷积神经网络得到所述时空行为预测模型。

3.根据权利要求2所述的基于超图卷积网络的时空行为预测方法，其特征在于，所述基于用户的历史时空行为数据构建多通道用户关系超图和异构交互超图，包括：

将用户的历史时空行为数据离散化为四元组数据后，获取包含用户偏好信息的交互矩阵，具体包括：对所述用户的历史时空行为数据分别进行用户ID的离散化处理、时间分割的离散化处理、地点的经纬度坐标的区域划分或聚类的离散化处理、行为的关键词或主题聚类的离散化处理；其中，所述包含用户偏好信息的交互矩阵包括用户与地点的交互矩阵、用户与时间的交互矩阵和用户与行为的交互矩阵；

基于所述四元组数据和所述包含用户偏好信息的交互矩阵构建包括分离通道、局部通道和全局通道的多通道用户关系超图和以用户为中心的异构交互超图。

4.根据权利要求3所述的基于超图卷积网络的时空行为预测方法，其特征在于，所述将所述多通道用户关系超图和异构交互超图迭代进行L次超图卷积运算及传播，得到L组不同的用户、时间、地点和行为嵌入向量，包括：

将所述多通道用户关系超图在所述分离通道、局部通道和全局通道迭代进行L次超图卷积运算及传播，得到各通道的用户嵌入特征，并采用注意力机制将所述各通道的用户嵌入特征聚合后得到融合用户嵌入特征的L组用户、时间、地点和行为嵌入向量；

将所述异构交互超图迭代进行L次超图卷积运算及传播，得到包括节点特征和超边特征在内的L组用户、时间、地点和行为嵌入向量。

5.根据权利要求4所述的基于超图卷积网络的时空行为预测方法，其特征在于，所述多通道用户关系超图进行传播的公式表示为：

其中，是各通道的用户嵌入特征，D_c和Δ_c分别是超图节点和超边的度矩阵，H_c是超图的关系矩阵，为通过对每个通道分别进行超图卷积运算得到的三个通道对应的特征。

6.根据权利要求4所述的基于超图卷积网络的时空行为预测方法，其特征在于，将所述异构交互超图进行传播的公式表示为：

其中，AGG是聚合函数，是多通道用户关系超图中获取的用户嵌入特征，是用户对应的超边，ε_l,ε_t,ε_a分别是连接地点l、时间t、行为a对应节点的所有超边的集合。

7.根据权利要求2所述的基于超图卷积网络的时空行为预测方法，其特征在于，所述基于所述L组不同的用户、时间、地点和行为嵌入向量得到用于预测的嵌入向量，其公式如下：

其中，分别为超图卷积层第层的用户u,地点l，时间t，行为a对应的嵌入特征；

W,b分别是可学习的权重矩阵和偏置向量，q是注意力向量。