[发明专利]基于知识图谱关联分析的兴趣点查询方法及系统

说明书

本发明提供了一种基于知识图谱关联分析的兴趣点查询方法及系统，包括如下步骤：步骤1：提取兴趣点实体；步骤2：根据所述兴趣点实体构建兴趣点实体关系网络；步骤3：根据所述兴趣点实体关系网络进行兴趣点知识推荐，辅助用户决策。本发明通过构建POI知识图谱，对POI的描述语义和关系语义进行增强和优化，对建模真实世界、理解服务场景和更加智能化的辅助用户决策具有重要意义，POI知识图谱在搜索、推荐以及出行等位置相关服务中都发挥着重要作用。

技术领域

本发明涉及兴趣点查询的技术领域，具体地，涉及一种基于知识图谱关联分析的兴趣点查询方法及系统。

背景技术

知识图谱(Knowledge Graph)：在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。兴趣点(Point-of-Interest,POI)：在地理信息系统中，一个POI可以是一栋房子、一个商铺、一个邮筒和一个公交站等。地理位置服务(Location Based Service,LBS)：是利用各类型的定位技术来获取定位设备当前的所在位置，通过移动互联网向定位设备提供信息资源和基础服务。LBSN(Location-based Social Network，基于位置的社会网络)：LBSN是社会网络的一种。与传统的社会网络不同，LBSN除了传统社会网络中人与人的联系外，还可以跟踪和共享人的位置信息。

当下互联网发展迅速，导致各类互联网产品存在严重的信息过载问题，因此研究构建推荐系统来为个人用户在使用互联网应用的场景下尽可能的捕捉用户需求，从而推测用户可能最为感兴趣的信息给用户推送。推荐系统能够有效解决信息爆炸带来的信息过载的现状，有效地提升用户获取所需信息的效率，为了进一步提升用户对产品的易用性，构建推荐系统也成为目前拥有大量数据信息的互联网企业研究的重要方向。将知识图谱应用于推荐算法之中，无疑会解决一系列难题。

在地理信息系统中，餐馆、景点和影院等具有唯一标识的地点被称为兴趣点(Point-of-Interest,POI)，位置推荐服务也被称为兴趣点推荐。POI推荐算法的关键是分析用户历史签到数据，挖掘用户访问POI的偏好，预测用户暂未访问但可能会访问的POI。当然，可利用的数据对象不仅仅局限于用户的历史签到数据，社交数据以及POI的位置、类别等属性信息也都可以加以利用，用于发现用户显式或隐式的偏好。

构建一个推荐系统最核心的部分就是选择合适的推荐策略。协同过滤算法是一种经典的推荐算法，协同过滤的中心思想是通过计算推荐用户或者推荐项之间的相似度来作为度量指标进行排序，协同过滤算法的适用场景多为特征维度较低的物品推荐。且其算法思想易于理解，而对于高维数据协同过滤的推荐效果并不理想，这是因为对于如电影、图像此类对象，不适用于对其进行特征工程构建。基于高维数据的推荐系统构建通常会使用深度学习方法，这是因为深度学习技术的技术无需对原始数据进行复杂的特征工程，直接通过构建网络结构并将数据进行向量化输入训练，网络模型会自行学到样本数据中隐藏的特征和关系，通过输入用户和推荐项的向量化的特征表示，预测推荐项得分或点击率的预估值作为输出。深度学习的也存在弊端，一是在样本量不足的情况下非常容易过拟合，二是不具有良好的可解释性。

公开号为CN109977309A的中国发明专利文献公开了一种基于多关键字和用户偏好的组合兴趣点查询方法，在查询时综合考虑了用户偏好、兴趣点之间的距离、兴趣点到查询位置的距离、兴趣点的流行度和拥挤度等重要因素。针对时间约束下访问成本最小化的兴趣点查询问题，提出了多关键字和用户偏好的组合兴趣点查询方法。特别地，设计了一个多目标的成本函数来计算候选集体兴趣点的访问成本，用于评价一组查询结果的可行性。然后，基于目标函数，提出了一种基于IR树的高效剪枝算法，有效的降低了查询处理时间。通过在来自多伦多的真实数据下进行的广泛实验，证明了基于多关键字和用户偏好的组合兴趣点查询方法的效率和准确性。