[发明专利]一种融合知识图谱和时序特征的可解释兴趣点推荐方法

权利要求书

1.一种融合知识图谱和时序特征的可解释兴趣点推荐方法，其特征在于，该方法包括：

步骤I：对数据集中的初始数据空间进行划分，获得的每个子空间视为一个区域，进而根据兴趣点的原始空间信息获取兴趣点的所属区域，将兴趣点的原始空间信息转换为粗粒度的空间信息；

步骤II：整合用户-兴趣点的交互信息和兴趣点的粗粒度的空间信息，构建知识图谱；

所述知识图谱包含的实体有：用户、兴趣点、空间信息，包含的关系有：用户-兴趣点、兴趣点-区域；其中用户-兴趣点代表用户与兴趣点之间存在历史交互；兴趣点-区域代表兴趣点的位置位于某个区域内；

步骤III：基于知识图谱中的路径静态信息捕捉实体之间的潜在关系，并融合用户签到序列的时序动态信息来学习用户偏好；

所述实体间的潜在关系通过实体间的潜在关系路径体现，所述实体间的潜在关系路径，是指知识图谱中连接两个实体的多跳路径，能够表示两个实体间的潜在关系，包括用户与兴趣点之间的潜在关系路径、兴趣点与兴趣点之间的潜在关系路径两个类别；

步骤IV：基于学习到的用户偏好为用户推荐兴趣点，生成推荐结果的解释；

所述步骤III包括如下步骤：

步骤III-1：利用现有的知识图谱嵌入方法学习知识图谱中各实体和关系的嵌入表示；

步骤III-2：根据知识图谱中各实体和关系的嵌入表示，学习实体间的潜在关系表示；

步骤III-3：在知识图谱中实体间的路径静态信息的基础上，进一步融合用户签到的时序动态信息，进而学习用户偏好；

所述步骤III-3包括如下步骤：

步骤III-3-1：从所述数据集获取用户的签到序列；

步骤III-3-2：获取用户的签到序列中涉及的实体间的潜在关系表示；

用户-兴趣点、兴趣点-兴趣点两类实体间的潜在关系表示，分别为用户与在第1个时间步上访问的兴趣点之间的潜在关系表示、被连续访问的两个兴趣点之间的潜在关系表示；

步骤III-3-3：根据实体间的潜在关系表示初始化循环神经网络的输入向量；

第1个时间步t₁上的输入向量x₁为：

其中，是用户实体u和兴趣点实体之间的潜在关系表示；是兴趣点的嵌入表示；表示连接操作；

当1l≤T时，第l个时间步t_l上的输入向量x_l可以表示为：

其中，T表示时间步数量；是被连续访问的两个兴趣点和之间的潜在关系表示；是兴趣点的嵌入表示；

步骤III-3-4：根据时间步更新循环神经网络；

步骤III-3-5：通过循环神经网络的每一个时间步对信息的存储以及过滤，输出最后一个时间步的隐藏向量h_T；

步骤III-3-6：融合用户实体的嵌入表示和最后一个时间步的隐藏向量，以得到用户与最后一个时间步的兴趣点之间的交互向量；

步骤III-3-7：采用多层感知器MLP将交互向量映射为预测的用户u访问兴趣点的访问概率从而得到用户u对兴趣点的偏好程度；

所述步骤IV包括如下步骤：

步骤IV-1：使用交叉熵损失构建兴趣点推荐的目标函数，并最小化目标函数以进行参数学习；

步骤IV-2：将学习到的参数代入步骤III，计算最终用户访问各兴趣点的概率，输出概率最大的top-k兴趣点；

步骤IV-3：生成兴趣点推荐结果的解释；

对于数据集中某用户u₁，假设该用户在时间t₁访问过兴趣点并且曾在时间t₂访问过兴趣点即存在签到对于推荐的一个兴趣点生成推荐解释的方法为：将用户u₁与兴趣点之间的路径视为由用户u₁与第1个时间步上访问的兴趣点之间的潜在关系路径被连续访问的两个兴趣点之间的潜在关系路径组成，其中，每个实体对之间存在多条关系路径；根据权重值，选择潜在关系路径和由这些潜在关系路径组成的完整路径形成向u₁推荐目标兴趣点的解释。

2.根据权利要求1所述的融合知识图谱和时序特征的可解释兴趣点推荐方法，其特征在于，所述数据集，是指由某一基于位置的社交网络中用户的签到数据构成的集合，其中包含签到数据所涉及的用户ID、兴趣点ID、用户-兴趣点的交互时间，以及兴趣点的位置信息。