[发明专利]社交网络的下一个兴趣点的推荐方法

说明书

本发明公开一种社交网络的下一个兴趣点的推荐方法，首先，利用Transformer的encoder层获取用户的偏好兴趣点的集中表示；其次，将获得的用户偏好兴趣点的集中表示送到划分好的时间窗口中去；接着，针对同一用户在不同的时间窗口的兴趣偏好分布有所不同，在不同的时间窗口中赋予不同的权重，根据得到的权重来获取用户的偏好兴趣点状态；最后，根据地理因素信息和商家流行度从所有POI过滤出候选POI，并基于用户的偏好兴趣点状态计算候选POI的评分，将Top_k个POI推荐给用户。本发明能够解决社交网络的下一个兴趣点推荐因数据稀疏而导致推荐困难的问题。

技术领域

本发明涉及技术领域，具体涉及一种社交网络的下一个兴趣点的推荐方法。

背景技术

下一个兴趣点(POI)推荐是基于位置的社交网络的信息的提要的重要方面，其目的是根据用户的签到记录来预测用户接下来要访问的兴趣点。与一般的兴趣点推荐相比，社交网络的数据更加稀疏，因为一个人的用户行为很少，因此了解用户的下一个兴趣点的推荐会更加困难；此外，社交网络的下一个兴趣点的预测必须依据当前用户的位置，具有连续性。

近些年来人们对下一个兴趣点推荐进行了大量的研究，RNN应用尤为广泛，并且在下一个兴趣点的推荐中性能表现尤为突出。但是，RNN自身耗时长，不能并行计算的缺陷，所以在长期依赖的问题上性能表现不好。

发明内容

本发明所要解决的是社交网络的下一个兴趣点推荐因数据稀疏而导致推荐困难的问题，提供一种社交网络的下一个兴趣点的推荐方法。

为解决上述问题，本发明是通过以下技术方案实现的：

社交网络的下一个兴趣点的推荐方法，包括步骤如下：

步骤1、先从社交网络中采集用户的原始数据，提取原始数据中用户、用户访问的兴趣点、以及用户访问的兴趣点的时间形成用户的一个签到记录，并将每个签到记录进行语义空间映射，得到每个签到记录特征矢量；再将用户的所有签到记录特征矢量组成用户的轨迹特征向量；

步骤2、先构建用户的签到时间差矩阵，该签到时间差矩阵的第i行第j列为用户的第j个签到记录中的用户访问的兴趣点的时间减去用户的第i个签到记录中的用户访问的兴趣点的时间，其中i,j∈[1,n]，n为用户的签到记录的个数；再将用户的签到时间差矩阵进行语义空间映射，得到用户的签到时间差特征矩阵；

步骤3、将用户的轨迹特征向量和用户的签到时间差特征矩阵同时送入到Transformer模型的encoder层，在Transformer模型的encoder层中，利用用户的签到时间差特征矩阵分清用户的轨迹特征向量的各个签到记录特征矢量的先后顺序，并在此基础上捕获用户的轨迹特征向量中每个签到记录特征矢量与其他签到记录特征矢量的关系，得到用户的偏好兴趣点特征矩阵；其中用户的偏好兴趣点特征矩阵由用户的偏好兴趣点特征向量组成，每个用户的偏好兴趣点特征向量包括用户访问该偏好兴趣点的所有签到记录特征矢量；

步骤4、将一天划分为不同的时间窗口，并将用户的偏好兴趣点特征矩阵中的用户的偏好兴趣点特征向量按照其用户访问的该偏好兴趣点的时间划分到对应的时间窗口中，由此得到每个时间窗口所对应的用户的偏好兴趣点特征向量；

步骤5、为每个时间窗口分配一个权重，并基于该权重计算用户的偏好兴趣点状态特征矢量；其中用户的偏好兴趣点状态特征矢量p_u为：

式中，表示第t个时间窗口内的用户的偏好兴趣点特征向量，S_t表示第t个时间窗口内的用户的偏好兴趣点特征向量的个数，w_t表示第t个时间窗口的权重，且T表示时间窗口的个数；