一种基于时空带权双图卷积神经网络的兴趣点推荐方法

本发明涉及推荐系统，尤其涉及一种基于时空带权双图卷积神经网络的兴趣点推荐方法。

背景技术：

1、随着电子商务应用和短视频平台的发展，序列推荐越来越受到学界和工业界的关注。序列推荐旨在根据用户的历史浏览记录或交互序列(会话)来预测用户的下一个兴趣或偏好。与序列推荐类似，序列兴趣点推荐会根据用户过去的签到来预测下一个兴趣点。电子商务或短视频平台主要是建模用户的个人属性信息(喜欢、浏览历史等)，强调时间维度。然而，兴趣点推荐问题是随着基于位置的社交网络(lbsns)平台的蓬勃发展而出现的，这些平台提供各种服务和位置推荐信息，天生具有较强的地理属性信息。因此，与其他序列推荐任务不同，兴趣点推荐更强调地理信息的建模，并探索地理位置可能如何影响推荐结果。

2、考虑到用户移动轨迹的时空偏好的同步建模具有挑战性。这是因为用户的局部移动模式并不是单向的，常伴随着重复访问并受到时间和空间因素的显著影响。现有的工作在时空特征建模方面做出了重大努力。采用协同过滤技术对兴趣点的地理位置信息进行矩阵分解。利用循环神经网络或其变体对用户的历史访问序列进行编码。此外，利用嵌入学习将一个图转换为一个或多个多维向量的方法等。然而，这些方法仅仅是对兴趣点访问记录的时空关系进行了整体建模，缺乏对时空关系和不同方向的细粒度建模。

3、随着深度学习的快速发展，图卷积网络(gcn)已成为兴趣点推荐系统中应用最广泛的方法之一。这是因为gcn特别适合于捕获给定数据中的空间特征。然而，在许多实际应用程序中，用户的实际访问历史可能不覆盖所有位置。因此，建模用户未访问过的兴趣点的地理偏好变得具有挑战性。传统gcn的工作原理是在图上聚合邻域信息，为具有相似特征的节点生成相似的表示。然而，在实际应用中，用户信息通常只包含访问过的兴趣点记录，传统gcn学习的节点对于用户未过去的兴趣点的偏好信息建模是不充分的。

技术实现思路

1、本发明为克服上述的不足之处，目的在于提供一种基于时空带权双图卷积神经网络的兴趣点推荐方法，本发明克服了现有技术方案的不足，提高用户兴趣点推荐的准确性。本发明首先提取用户个人历史访问序列数据，并在此基础上构建用户时空迁移图；然后利用注意力权重学习机制编码用户访问过的兴趣点的局部时空特征，然后设计了一个基于双图卷积神经网络将用户可见兴趣点信息转移到全局兴趣点中，实现对用户未见兴趣点信息的建模；对兴趣点推荐模型进行训练，通过优化模型中的参数获得最优的兴趣点推荐模型，输出推荐给用户的下一个兴趣点。本发明可提高兴趣点推荐的准确性，降低用户对兴趣点的选择成本并提升用户体验。

2、本发明是通过以下技术方案达到上述目的：一种基于时空带权双图卷积神经网络的兴趣点推荐方法，包括如下步骤：

3、(1)基于用户个人历史访问序列数据构建用户个人的时空迁移图；

4、(2)利用时空迁移编码器，结合门控图神经网络和注意力权重学习机制编码用户的局部时空特征；

5、(3)通过双图卷积神经网络将用户的局部时空特征信息转移到全局兴趣点范围中，实现对用户未见兴趣点信息的建模；

6、(4)对兴趣点推荐模型进行训练，通过优化模型中的参数获得最优的兴趣点推荐模型，输出推荐给用户的下一个兴趣点。

7、作为优选，对用户个人历史访问序列数据进行预处理，用户个人历史访问序列数据包括每个兴趣点的时间戳和经纬度，利用相对时间间隔和相对地理距离计算每个兴趣点之间的时空迁移特征值，通过两个可学习的地理嵌入矩阵维护构建好用户个人的时空迁移图，得到每个用户签到兴趣点间的时间和空间特征嵌入表示。

8、作为优选，所述步骤(1)构建用户个人的时空迁移图时，给定每个用户的历史访问轨迹连续两个签到兴趣点之间的时间间隔为假设用户u的所有签到时间间隔为ru，用户签到序列的最小时间间隔为相对时间间隔为对于空间迁移，用户u连续两个签到兴趣点之间的空间间隔为两个点之间的地理距离d(pi,pj),用户u的所有签到点间的最小空间间隔为相对空间间隔为两个时空迁移矩阵就为ms,mt∈rn×n:

9、

10、使用超参数θ裁剪这两个矩阵，裁剪后的每个矩阵元素就为：

11、

12、使用两个可学习的嵌入矩阵维护使用张量拼接得到两个可训练的嵌入矩阵矩阵中任意位置元素都为一个d维嵌入向量，用于表征用户的局部时空迁移偏好。

13、作为优选，所述步骤(2)编码用户的局部迁移特征时，利用门控图神经网络，通过改进后的消息函数实现对局部轨迹邻接节点的信息传递，用户的轨迹方向信息和时空信息可以定义为:

14、

15、

16、

17、

18、

19、其中win,wout是可学习的映射矩阵，是可训练的权重参数，是叉乘操作，e为兴趣点的初始嵌入表示；通过注意力权重学习机制将输入特征eu＝[m1,m2,...,mn]转换成一个新的特征表示x＝[x1,x2,...,xn],xi∈rd,对于每一个xi可以通过加权计算得到：

20、

21、

22、

23、wq,wk,wv∈rd×d是可学习的映射矩阵，其中采用时空迁移编码器捕捉用户轨迹转换的时空特征，注意力权重学习机制能够建模用户连续访问之间的全局偏好。

24、作为优选，所述步骤(3)中，使用一层双图卷积神经网络的双图聚合机制得到一个新的向量矩阵vu＝[v1,v2,...,vn],vi∈rd，具体公式如下：

25、vi＝softmax(relu(msxw(1))w(2)as)

26、其中as表示归一化后的兴趣点间的地理距离邻接矩阵，表示兴趣点间地理特征的初始化表征；ms为归一化后的空间间隔矩阵，w(1)∈rd×d,w(2)∈rd×n是可学习的参数矩阵；两个相应的嵌入表示xu和vu，分别表示用户的局部轨迹偏好和全局地理偏好；用户u访问兴趣点i的概率表示为：

27、

28、其中，α反映两个相似项重要性的权重系数；给定用户的访问历史轨迹s和相应的用户真实访问目标兴趣点模型使用交叉熵损失函数和正则化超参数损失进行优化；整体优化函数表示为：

29、

30、作为优选，所述步骤(4)中，对模型中的参数进行调优以获得最优的兴趣点推荐模型，使用adam优化器优化参数，其中参数包括网络结构参数和学习算法参数，通过学习获得的最终优化参数为：使用早停策略确定的最优轮次，早停的忍耐参数设置为10；每批次训练batchsize为1024；时空迁移矩阵的裁剪阈值为256；模型的学习率为0.001；模型的dropout率固定设置为0.1；嵌入层隐藏维度为64；时空特征权重值α为0.5；损失函数中的γ设置为10-3。

31、本发明的有益效果在于：本发明能够从用户局部访问兴趣点和全局存在兴趣点间的复杂时空关系角度进行建模，可以提高用户兴趣点推荐的准确性。

技术特征：

1.一种基于时空带权双图卷积神经网络的兴趣点推荐方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于时空带权双图卷积神经网络的兴趣点推荐方法，其特征在于：对用户个人历史访问序列数据进行预处理，用户个人历史访问序列数据包括每个兴趣点的时间戳和经纬度，利用相对时间间隔和相对地理距离计算每个兴趣点之间的时空迁移特征值，通过两个可学习的地理嵌入矩阵维护构建好用户个人的时空迁移图，得到每个用户签到兴趣点间的时间和空间特征嵌入表示。

3.根据权利要求2所述的一种基于时空带权双图卷积神经网络的兴趣点推荐方法，其特征在于：所述步骤(1)构建用户个人的时空迁移图时，给定每个用户的历史访问轨迹连续两个签到兴趣点之间的时间间隔为假设用户u的所有签到时间间隔为ru，用户签到序列的最小时间间隔为相对时间间隔为对于空间迁移，用户u连续两个签到兴趣点之间的空间间隔为两个点之间的地理距离d(pi,pj),用户u的所有签到点间的最小空间间隔为相对空间间隔为两个时空迁移矩阵就为ms,mt∈rn×n:

4.根据权利要求1所述的一种基于时空带权双图卷积神经网络的兴趣点推荐方法，其特征在于：所述步骤(2)编码用户的局部迁移特征时，利用门控图神经网络，通过改进后的消息函数实现对局部轨迹邻接节点的信息传递，用户的轨迹方向信息和时空信息可以定义为:

5.根据权利要求1所述的一种基于时空带权双图卷积神经网络的兴趣点推荐方法，其特征在于：所述步骤(3)中，使用一层双图卷积神经网络的双图聚合机制得到一个新的向量矩阵vu＝[v1,v2,...,vn],vi∈rd，具体公式如下：

6.根据权利要求1所述的一种基于时空带权双图卷积神经网络的兴趣点推荐方法，其特征在于：所述步骤(4)中，对模型中的参数进行调优以获得最优的兴趣点推荐模型，使用adam优化器优化参数，其中参数包括网络结构参数和学习算法参数，通过学习获得的最终优化参数为：使用早停策略确定的最优轮次，早停的忍耐参数设置为10；每批次训练batchsize为1024；时空迁移矩阵的裁剪阈值为256；模型的学习率为0.001；模型的dropout率固定设置为0.1；嵌入层隐藏维度为64；时空特征权重值α为0.5；损失函数中的γ设置为10-3。

技术总结本发明涉及一种基于时空带权双图卷积神经网络的兴趣点推荐方法，本发明首先提取用户个人历史访问序列数据，并在此基础上构建用户时空迁移图；结合图神经网络和注意力机制来捕捉用户对访问兴趣点的局部轨迹偏好。随后，使用双图图卷积神经网络，我们将用户的局部偏好信息转移到全局兴趣点范围，从而对未访问兴趣点的偏好进行建模。对兴趣点推荐模型进行训练，通过优化模型中的参数获得最优的兴趣点推荐模型，输出推荐给用户的下一个兴趣点。本发明克服了现有技术方案的不足，可提高兴趣点推荐的准确性，降低用户对兴趣点的选择成本并提升用户体验，为使用知识图谱驱动解决兴趣点推荐任务提供了新的思路和方法。技术研发人员：刘志,张德举,周涵林,邓俊慧,贺小骅,朱李楠,孔祥杰,沈国江受保护的技术使用者：浙江工业大学技术研发日：技术公布日：2024/9/9