[发明专利]一种基于多影响嵌入的个性化POI推荐方法

摘要

本发明公开了一种基于多影响嵌入的个性化POI推荐方法，通过对7张二分图(用户‑用户图、用户‑时间段图、POI‑时间段图、POI‑区域层次图、POI‑类别层次图、用户‑性别图以及用户‑POI图)和check‑in序列进行联合嵌入学习，整合了社交、时间、地理、语义、用户性别、用户偏好以及序列方面影响，同时具有一定的扩展性，可以方便地整合其它方面影响，从而有效解决数据稀疏性与冷启动问题，为用户提供高质量的POI推荐。

主权项

1.一种基于多影响嵌入的个性化POI推荐方法，包括三个阶段：第一阶段：构建用户‑用户图、用户‑性别图、POI‑类别层次图、POI‑区域层次图、用户‑时间段图、POI‑时间段图以及用户‑POI图7个二分图；构建check‑in序列；第二阶段：根据构建的7个二分图建立图嵌入模型，根据check‑in序列建立序列嵌入模型，并对两个模型进行联合嵌入学习，得到用户、POI、时间段、性别、POI类别以及区域的嵌入表示；第三阶段：根据第二阶段获得的嵌入表示、用户信息以及用户查询信息对POI进行打分，并根据POI分数对POI降序排序，取前f个POI作为推荐结果提供给用户；所述第一阶段的具体过程为：(1‑1)根据输入的用户社交信息提取用户的朋友关系，构建用户‑用户图；(1‑2)根据输入的户信息数据提取用户的性别特征，构建用户‑性别图；(1‑3)读取输入的POI信息的类别标签，并根据输入的POI类别层次结构，构建POI‑类别层次图；(1‑4)首先利用空间金字塔的树状结构对整个空间区域进行划分和索引，然后根据空间金字塔构建POI‑区域层次图；(1‑5)首先读取用户check‑in历史数据，然后从用户check‑in历史数据中提取每个用户在各时间段内check‑in的频次，构建用户‑时间段图；(1‑6)从用户check‑in历史数据中提取每个POI在各时间段内被访问的频次，构建POI‑时间段图；(1‑7)从用户check‑in历史数据中提取每个用户对各个POI的访问频次，构建用户‑POI图；(1‑8)给定一个时间间隔，当用户的当前check‑in与上一次check‑in的时间差不大于该时间间隔时，将当前check‑in并入当前check‑in序列，从而构建所有用户的check‑in序列；所述第二阶段的具体过程为：(2‑1)根据第一阶段建立的每个二分图，利用图嵌入方法LINE构建图嵌入模型；(2‑2)根据第一阶段建立的check‑in序列，利用序列嵌入方法skip‑gram构建序列嵌入模型；(2‑3)根据构建的图嵌入模型和序列嵌入模型，进行图和序列联合嵌入式学习，得到用户、POI、时间段、性别、POI类别以及区域的嵌入表示；所述第三阶段的具体过程为：(3‑1)将给定查询的时间和位置映射为时间段和区域；(3‑2)根据第二阶段获得的嵌入表示对POI进行打分，并根据POI分数对POI降序排序，取前f个POI作为推荐结果提供给用户；POI分数的计算公式为：其中，其中为用户u的嵌入表示，为查询时间τ所在时间段t的嵌入表示，为查询位置l所在区域r的嵌入表示，为用户性别的嵌入表示,为POI的嵌入式表示。