[发明专利]一种基于图神经网络的兴趣点推荐方法

权利要求书

1.一种基于图神经网络的兴趣点推荐方法，其特征是，包括步骤如下：

步骤1、从社交网站抓取所有用户的历史签到信息，并据此构建每个用户的轨迹矩阵、影响位置矩阵和用户-位置点图；

每个用户的轨迹矩阵由各历史访问位置点的ID、各历史访问位置点的经纬度位置坐标、各历史访问位置点的访问时间构成；

每个用户的影响位置矩阵各历史访问位置点的ID、各历史访问位置点的各影响位置点的ID、各历史访问位置点的各影响位置点的经纬度位置坐标、各历史访问位置点的各影响位置点的在当前用户访问当前历史访问位置点的访问时间下的签到人数构成；

每个用户的用户-位置点图由节点和边构成；第一层节点为当前用户，第二层节点为当前用户的历史访问位置点，第三层为当前用户的每个历史访问位置点的影响位置点；当前用户与其历史访问位置点通过边连接，历史访问位置点与其影响位置点通过边连接；

步骤2、将所有用户的轨迹矩阵中的各历史访问位置点的ID和各历史访问位置点的经纬度位置坐标进行多模态的嵌入转化成1×D维的用户签到位置点向量e_l；将所有用户的轨迹矩阵中的各历史访问位置点的访问时间进行多模态的嵌入转化成1×D维的用户签到位置时间向量e_t；将所有用户的影响位置矩阵中的各历史访问位置点的各影响位置点的ID、各历史访问位置点的各影响位置点的经纬度位置坐标和各历史访问位置点的各影响位置点的在当前用户访问当前历史访问位置点的访问时间下的签到人数进行多模态的嵌入转化成1×D维的周围影响点向量e_p；

步骤3、将用户-位置点图中的第一层的用户节点用1×3D维的全零矩阵h₀来表示；并将用户-位置点图中第二层的各历史访问位置点节点和第三层的影响位置点节点用来N×3D维的矩阵h_i′来表示，其中h_i′＝(e_li′,e_ti′,e_pi′)，e_ti′为用户签到位置点向量e_l的第i′列，e_ti′为用户签到位置时间向量e_t的第i′列，e_pi′为周围影响点向量e_p的第i′列；由此得到用户-位置点图的各节点的节点表示h_i；

步骤4、先将用户-位置点图的第一层的用户节点的经纬度位置坐标视为(0,0)，并根据第二层的历史访问位置点节点的实际经纬度位置坐标和第三层的影响位置点节点的实际经纬度位置坐标，计算用户-位置点图中第一层的用户节点与第二层的各历史访问位置点节点的节点距离，以及第二层的各历史访问位置点节点与其对应的第三层的各影响位置点节点的节点距离；后将用户-位置点图的边用所计算出的节点距离来表示；由此得到用户-位置点图的各条边的边表示d_ij；

步骤5、将步骤3所得到的用户-位置点图的各节点的节点表示h_i和步骤4所得到的用户-位置点图的各条边的边表示d_ij送入到图神经网络中进行至少一层的节点聚合，且在图神经网络的每层节点聚合过程中，均将各节点的上一层节点表示与其边的边表示相乘后作为该层节点聚合的输入，由此得到用户-位置点图的各个节点的最终节点表示；

步骤6、将步骤5所得到的用户-位置点图的各节点的最终节点表示进行拼接后得到该用户-位置点图所对应用户的特征向量S_p；

步骤7、先对步骤6所得到的用户的特征向量利用余弦相似度计算各用户与其他用户的用户相似度S_pq；再将用户相似度S_pq小于设定阈值的其他用户作为该用户的邻居；后将该用户及其邻居的所有历史访问位置点作为该用户的历史感兴趣点；

步骤8、对每个用户的所有历史感兴趣点进行基于自注意力机制的深度学习，得到每个历史感兴趣点的评分，并将评分较高的K个历史访问位置点推荐给该用户；

上述D为社交网站中所有位置点的个数；i′＝1,2,…,N-1，i,j＝0,1,…,N-1，N为用户-位置点图的节点个数；p,q＝1,2,…,M，M为社交网站中所有用户的个数；K为设定的正整数。