[发明专利]一种基于类脑时空感知表征的兴趣点推荐方法及系统

说明书

本发明公开了一种基于类脑时空感知表征的兴趣点推荐方法及系统。该方法包括括：基于兴趣点访问数据集构建兴趣点上下文图结构；对访问序列的上下文图进行采样，通过无监督学习方式训练类脑时空感知嵌入模型中的兴趣点访问序列嵌入模型；对空间上下文图和时空上下文图进行采样，训练类脑时空感知嵌入模型中的时空嵌入模型；将兴趣点序列表征和兴趣点时空联合表征合成兴趣点时空感知表征向量；基于兴趣点时空感知表征向量训练递归神经网络推荐器；通过训练好的递归神经网络推荐器推荐下一个兴趣点。本发明通过挖掘兴趣点本身的时空复杂特性、访问序列特性，使用大脑内嗅‑海马结构启发的类脑时空感知嵌入模型，对兴趣点进行多角度的高效表征。

技术领域

本发明涉及人工智能技术领域，特别是涉及一种基于类脑时空感知表征的兴趣点推荐方法及系统。

背景技术

随着基于位置的网络服务(Location-based Networks)的兴起，人们大量地分享带有精确地理位置的推文与点评，这变革了人与地理环境互动的方式，也带来了兴趣点推荐的巨大需求。通过增加时间维度的考量，兴趣点推荐可以实现精确地推荐下一个兴趣点。这种推荐算法能够挖掘兴趣点相关的信息，向用户提供推荐列表，从而引导用户前往合适的下一个地点，对于用户和兴趣点所有者可谓大有裨益。

近年来，研究人员通过挖掘兴趣点相关的大数据信息，开发出一系列的推荐方法。由于访问序列(Check-in Sequence)中相邻的兴趣点通常具备高度的相关性，许多研究人员使用马尔可夫链(Markov Chain)等序列分析模型对用户兴趣点访问序列进行建模，进而完成兴趣点的推荐。然而上述的方法仅仅是将兴趣点视为一般化的序列元素，未能充分利用其本身的丰富特性，制约了推荐的效果。大部分推荐系统都非常依赖于用户喜好建模，对于兴趣点推荐而言，通过对用户进行精确的画像，在用户的访问历史足够丰富的情况下，可以获取到准确度很高的推荐。然而基于用户画像的推荐有两个比较突出的问题，第一是冷启动(Cold-start)情况下的推荐性能无法保证，即对于没有或仅有少量访问历史的用户，依赖喜好来进行推荐并不可靠；第二是用户的个人喜好的隐私数据存在泄漏风险，会导致系统性的伦理问题。由于兴趣点具有天然的地理空间属性，在推荐中加入空间信息的考量可以极大地提升推荐的质量。Lian等人提出使用幂律分布、正态分布来描述兴趣点的空间分布特征。Feng等研究者通过多层次二维空间划分的方式来刻画兴趣得按的地理位置特性。然而这些工作对兴趣点地理空间信息的把握是基于经验的，事实上完全依赖人为的先验设置，同时只是对兴趣点局部或是全局的地理分布特征做了单一尺度表征，难以有效对兴趣点的多尺度空间特性进行描述。大量的数据分析表明，兴趣点本身的访问时间也呈现出多样性，这种兴趣点时间维度特性也起到辅助推荐决策的作用。在这一基础上同时考虑兴趣点的时间特性与空间特性，也有一些研究基于兴趣点空间距离与访问时间间隔的分析提出了一系列兴趣点推荐方法。如Li、Nabitumruksa、Zhao等提出了一种基于递归神经网络的基于时间-空间转移建模的兴趣点推荐系统。尽管如此，这些工作在考虑兴趣点时空特性的过程中使用了一般化的时间间隔与空间位移，未能充分挖掘兴趣点本身的时空特性以帮助推荐。另外，由于某些基于位置的社交平台提供了带位置标签的推送文本信息，也有研究者利用兴趣点相关的文本信息推荐下一个兴趣点。不过这类方法的局限性也是显而易见的，对于不能提供文本信息的大多数情况，这类方法的推荐性能大为下降。

发明内容

本发明的目的是提供一种基于类脑时空感知表征的兴趣点推荐方法及系统，通过挖掘兴趣点本身的时空复杂特性、访问序列特性，使用大脑内嗅-海马结构启发的类脑时空感知嵌入模型，对兴趣点进行多角度的高效表征。

为实现上述目的，本发明提供了如下方案：

一种基于类脑时空感知表征的兴趣点推荐方法，包括：

基于兴趣点访问数据集构建兴趣点上下文图结构；所述兴趣点上下文图结构包括包括兴趣点的访问序列上下文图、空间上下文图以及时空上下文图；

对所述访问序列的上下文图进行采样，得到兴趣点采样样本；