[发明专利]一种利用包含社会地理信息的多媒体网络学习最大边界多媒体网络表达的方法

摘要

本发明公开了一种利用包含社会地理信息的多媒体网络进行最大边界多媒体网络表达学习的方法。主要包括如下步骤：1)针对于一组社交网络用户及感兴趣地点和感兴趣地点的类别信息，构建包含用户、感兴趣地点和感兴趣地点类别信息之间相互关系的网络。2)卷积神经网络及单词映射网络获取感兴趣地点的综合表达，之后利用最大边界网络训练的方法结合用户及感兴趣地点的映射表达进行训练，得到令损失函数最小的用户及感兴趣地点的表达。相比于一般的用户可能感兴趣地点推荐解决方案，本发明利用了多媒体网络的特性及用户之间的相互关系与感兴趣地点的种类信息。本发明在用户可能感兴趣的地点的预测问题中所取得的效果相比于传统的方法更好。

主权项

1.利用包含社会地理信息的多媒体网络进行最大边界多媒体网络表达学习的方法，其特征在于包括如下步骤：

1)针对于一组社交网络用户、感兴趣地点、感兴趣地点的类别及用户与感兴趣地点相互之间的关系集合，形成异质的包含社会地理信息的多媒体网络——GMN网络；

2)对于步骤1)所得到的GMN网络，构建样本路径，对于路径中的点，利用卷积神经网络与单词映射结合的方法获取感兴趣地点的综合表达，利用最大边界损失函数结合用户及感兴趣地点的映射表达得到目标函数，利用该目标函数进行训练，得到令目标函数最小的用户及感兴趣地点的映射表达；

3)利用步骤2)学习得到的用户及感兴趣地点的映射表达对于用户对某地点的感兴趣程度进行预测。

2.根据权利要求1所述利用包含社会地理信息的多媒体网络进行最大边界多媒体网络表达学习的方法，其特征在于所述步骤2)其具体步骤为:

2.1)对于步骤1)形成的GMN网络，利用随机游走的方法获取样本路径，利用卷积神经网络与单词映射结合的方法获取感兴趣地点的综合表达；

2.2)获取用户映射表达，对于步骤1)形成的GMN网络，结合其中感兴趣地点及用户之间的相互关系获取用户间关系矩阵与用户签到信息矩阵；

2.3)利用步骤2.1)得到的感兴趣地点的综合表达与步骤2.2)得到的用户间关系矩阵与用户签到信息矩阵，结合最大边界损失函数与用户的映射表达得到目标函数，按照该目标函数进行训练，得到最终的能够反映用户对于感兴趣地点可能感兴趣程度的模型即用户与感兴趣地点的有效映射表达。

3.根据权利要求2所述利用包含社会地理信息的多媒体网络进行最大边界多媒体网络表达学习的方法，其特征在于所述的步骤2.1)具体为：

针对于步骤1)获得的GMN网络，首先利用随机游走的方法，构建样本路径，对于路径中的感兴趣地点的表达，利用如下方法进行获取：

对于感兴趣地点L＝{l₁,...,l_n}附加的照片I＝{i₁,...,i_n}，使用卷积神经网络获取其视觉表达X＝{x₁,...,x_n}，对于感兴趣地点L＝{l₁,...,l_n}附加的标签集合T＝{t₁,...,t_n}，使用单词映射的方法获取每个感兴趣地点所有标签的单词映射并使用向量取均值的方法获取每个感兴趣地点所有标签映射的均值作为该地点的标签集对应语义表达Y＝{y₁,...,y_n}；

之后，对于得到的感兴趣地点的照片视觉表达X＝{x₁,...,x_n}与标签对应语义表达Y＝{y₁,...,y_n}使用如下激活函数获取该感兴趣地点的综合表达Z＝{z₁,...,z_n}，

z_i＝g(Q^vx_i+Q^sy_i)

其中，g(.)代表双曲正切激活函数，矩阵Q^v与Q^s分别代表视觉表达与语义表达的权重矩阵，用来令视觉表达与语义表达的维度变为同一空间。

4.根据权利要求2所述利用包含社会地理信息的多媒体网络进行最大边界多媒体网络表达学习的方法，其特征在于所述的步骤2.2)具体为：

针对于所有感兴趣地点L＝{l₁,...,l_n}，设其种类信息为C＝{c₁,...,c_n}，其中，c_k为感兴趣地点i_k的种类向量，针对于用户，设其映射表达为U＝{u₁,...,u_n}，对于用户，按照用户之间的朋友关系，构建用户间关系矩阵S∈R^m*m，其中，若i号用户与j号用户为朋友关系，则s_ij＝1，否则，s_ij＝0；按照用户与感兴趣地点之间的关系，构建用户签到信息矩阵W∈R^m*n，其中，若i号用户在j号感兴趣地点进行过签到，则w_ij＝1，否则，w_ij＝0。

5.根据权利要求2所述利用包含社会地理信息的多媒体网络进行最大边界多媒体网络表达学习的方法，其特征在于所述的步骤2.3)具体为：

结合步骤2.2)获取的用户映射表达U＝{u₁,...,u_n}，感兴趣地点的种类映射C＝{c₁,...,c_n}，步骤2.1)获取的感兴趣地点的综合表达Z＝{z₁,...,z_n}，针对于步骤2.1)获取的采样路径中的节点，按照如下公式作为其损失值函数：

其中，h_i为所取的感兴趣地点的综合表达Z或者用户映射表达U中的第i个感兴趣地点的综合表达或者第i个用户的映射表达，P为该采样路径，α代表最大边界损失函数l₁(.)与最大边界损失函数l₂(.)之间的权衡参数，最大边界损失函数l₁(.)代表用户在特定感兴趣地点签到的损失函数，最大边界损失函数l₂(.)代表学习感兴趣地点结合其种类信息的表达的损失函数，l₁(.)与l₂(.)的具体公式如下所示：

其中，m₁与m₂均为控制最大距离值的超参数，L即为感兴趣地点的综合表达Z；

对于步骤2.1)获取的采样路径，按照该损失值计算方法计算其中所有节点的损失值并累加起来，且将模型中所有的参数集合设为θ，按照如下目标函数公式计算整个模型的总体损失值并更新整合模型的参数值：

下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。 免登录下载普通用户下载升级VIP会员，免费下载

该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于浙江大学，未经浙江大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】

本文链接：http://www.vipzhuanli.com/patent/201711230595.X/，转载请声明来源钻瓜专利网。