申请/专利权人：东华大学

申请日：2022-01-24

公开（公告）日：2024-07-05

公开（公告）号：CN114417166B

主分类号：G06F16/9535

分类号：G06F16/9535;G06F16/9536;G06F16/9537;G06F16/2457;G06F18/241;G06F18/2415;G06N3/0464;G06N3/0442;G06N3/047;G06N3/0499;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2022.05.20#实质审查的生效;2022.04.29#公开

摘要：本申请公开了一种基于行为序列和动态社交影响的连续兴趣点推荐方法。首先获取目标用户以及好友的签到行为数据记录，进行预处理得到签到行为序列；并将目标用户的签到行为序列并划分为长期行为序列和短期行为序列，并输入到模型中得到长期偏好向量与短期意图向量，聚合后得到行为序列影响结果；然后，获取目标用户与其好友的签到行为序列之间的相关性并确定上下文影响向量，基于对该好友的信任度以及用户基于不同上下文时受到的上下文影响得到与对该好友的动态社交影响结果；最后，根据行为序列影响结果和动态社交影响结果得到连续兴趣点推荐结果。可以看出，本发明在时空背景下综合考虑了序列信息和社交因素对用户连续访问行为的影响。

主权项：1.一种基于行为序列和动态社交影响的连续兴趣点推荐方法，其特征在于，所述方法包括：获取目标用户以及目标用户的好友的签到行为数据记录，将所述目标用户以及目标用户的好友的签到行为数据记录进行预处理得到所述目标用户以及目标用户的好友的签到行为序列，所述签到行为序列中的每个签到行为具体包括用户表示向量、POI表示向量以及时间表示向量；将目标用户的签到行为序列划分为长期行为序列和短期行为序列；并将所述长期行为序列和所述短期行为序列分别输入到长期偏好模块和短期意图模块中得到长期偏好向量与短期意图向量；将所述长期偏好向量与所述短期意图向量进行聚合得到行为序列影响结果；通过时空注意力机制获取所述目标用户与其好友的签到行为序列之间的相关性，根据所述相关性确定上下文影响向量，基于所述上下文影响向量与对该好友的信任度得到动态社交影响结果；根据所述行为序列影响结果和所述动态社交影响结果得到连续兴趣点推荐结果；将长期行为序列输入到长期偏好模块得到长期偏好向量，具体包括：对于长期行为序列中的第i个签到行为对应的POIpi和签到时间ti的表示向量，确定目标用户在不同时刻访问行为的潜在表示其中，Wp表示空间映射矩阵，Wt表示时间映射矩阵；对于长期行为序列中的第i个签到行为pi,ti，将该行为与用户u的长期偏好的时空相关性定义为 其中，表示长期时空偏好向量；基于时空相关性进一步通过softmax函数为长期行为序列中的每个签到行为定义归一化注意力分数 用户的长期偏好向量可以由用户长期行为序列中每个时空行为表示与对应的注意力分数加权求和得到，具体地： 其中，表示用户u的长期行为序列；将短期行为序列输入到短期意图模块得到短期意图向量，具体包括：对于用户u的短期行为POI序列首先计算短期序列中POI表示向量拼接形成的表示矩阵 其中是拼接运算符，表示短期序列中POI表示向量；根据拼接成的表示矩阵进行短期序列特征的提取；将所述短期序列特征通过最大池化操作进一步提取特征，并通过全连接层处理得到短期意图访问向量；所述通过时空注意力机制获取所述目标用户与其好友的签到行为序列之间的相关性，包括：通过公式： 获取tn+1时刻访问候选POIp的时空表示为其中，gp表示POIp的表示向量，Wp表示空间映射矩阵，Wt表示时间映射矩阵；并通过公式： 获取于好友u'长期行为序列中的与候选POIp，在时刻tn+1的相关性

全文数据：

权利要求：

百度查询： 东华大学 基于行为序列和动态社交影响的连续兴趣点推荐方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD