[发明专利]基于频繁模式图嵌入的循环神经网络FPGNN预测行为轨迹方法

说明书

本发明提供一种基于频繁模式图嵌入的循环神经网络FPGNN预测行为轨迹方法，包括以下步骤：S1)获取原始行为图；S2)获取真实意图补充图；S3)行为嵌入表示学习S4)基于门控循环单元的行为预测。本发明的优点是：通过对用户行为序列进行频繁模式挖掘，补充用户的真实意图，降低不确定性行为的干扰，并用循环神经网络对用户行为进行预测，该模型在Precision、Recall和F1值等指标上与其他算法相比效果提升明显。

技术领域

本发明涉及数据挖掘技术领域，具体涉及基于频繁模式图嵌入的循环神经网络预测行为轨迹方法。

背景技术

随着互联网的发展和各类网络应用的开发，用户在线上已经沉淀了海量行为数据，例如，视频的观看记录和评分，商品的点击、购买，社交网站的发帖、点赞等。这些用户行为数据中蕴含丰富的价值，对行为轨迹进行研究能改进系统性能，给用户提供更好的服务，在各种商业、社会治理等领域有巨大的应用前景。

早期对用户行为建模的方法聚焦于用户的长期静态行为模式，将每个行为当成独立的记录。这些方法丢失了行为作为序列形式体现的结构信息，忽视了用户短期动态行为模式变化。之后针对序列行为建模的方法局部地在一条序列中建模，忽视了序列之间的关系，缺少对行为间关系直接进行全局的有效编码。后续基于图神经网络的方法缓解了此问题，但仍然忽视了用户选择某个行为的不确定性因素。用户行为预测主要有以下三个挑战：其一，涉及复杂的上下文依赖和时间依赖，用户之前的行为会影响后续行为的决策，并且在不同的时间、环境下行为模式是不同的；其二，需要面对数据稀疏问题，行为种类众多，大部分用户只涉及很小一部分行为；其三，用户行为的不确定性，可能由于用户意图的模糊性和随机性，使行为序列中含有不相关的行为，这些不相关的行为导致用户的真实行为意图失去直接关联和行为之间的时间依赖改变。

发明内容

本发明的目的是提供一种通过频繁模式挖掘，补充用户的真实意图，降低不确定性行为干扰，采用循环神经网络预测行为轨迹方法。

为了达到上述目的，本发明通过以下技术方案来实现：

基于频繁模式图嵌入的循环神经网络FPGNN预测行为轨迹方法，其学习与预测特征在于如下步骤：

S1)获取原始行为图

所述原始行为图为基于用户历史行为记录构建的图形结构；

S2)获取真实意图补充图

通过基于序列频繁模式挖掘的方法，补充用户的真实意图，降低用户不确定性行为的干扰，包括：

(1)在最大时间窗口的限制下，挖掘用户行为数据的序列频繁模式；

(2)统计所有序列频繁模式的中间行为的种类和对应数量，中间行为的种类和数量体现了行为之间关系的不确定程度；

(3)采用基于信息熵的方法计算行为间连接强度，在原始行为图上补充用户的真实意图；

S3)行为嵌入表示学习

利用图形神经网络相关模型来学习结点的关系，从而获得行为的嵌入表示。

S4)基于门控循环单元的行为预测

根据用户行为序列和行为嵌入表示进行行为编码，并利用循环神经网络来预测用户行为。

本发明与现有技术相比，具有以下优点：

本发明提供一种基于频繁模式图嵌入的循环神经网络FPGNN，来实现用户行为的预测。在实际场景下构建图结构，通过频繁模式挖掘，在原始行为图上补充用户的真实意图，降低不确定性行为的干扰，并用循环神经网络对用户行为进行预测，该模型在Precision、Recall和F1值等指标上与现有算法相比效果提升明显。

附图说明