[发明专利]一种基于用户正负偏好学习的兴趣点推荐方法

说明书

本发明提供了一种基于用户正负偏好学习的兴趣点推荐方法，使用神经网络学习用户和景点交互的深层次特征，同时训练出两个神经网络模型，正偏好神经模型和负偏好神经模型；正偏好神经网络模型产生用户喜欢的景点的列表，然后通过负偏好神经网络模型优化并得到最终推荐列表，为用户提供更精确的景点推荐；以解决传统的兴趣点推荐精度不高和推荐结果个性化程度低等问题。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于用户正负偏好学习的兴趣点推荐方法。

背景技术

近年来，随着云计算、物联网、移动互联网、人工智能等技术的迅速发展，为人们外出活动带来了很多便利，如看电影，就餐和旅游等。然而，互联网空间各类应用的层出不穷引发了数据的爆炸式增长，如何从纷繁复杂的数据中获取有价值的信息，为用户推荐合适的兴趣点(Point ofInterest)显得尤为重要。传统的基于位置的推荐，主要根据兴趣点热度统计信息或者结合用户和兴趣点的特征来进行推荐，但是在处理复杂的数据耗时长，也只能学习用户和兴趣点的浅层特征，不能高效地为用户提供个性化推荐。

目前已公布的发明专利“基于用户正负反馈画像编码的个性化兴趣点推荐方法”，公开号为CN 109189944A，该发明根据图表示学习获得兴趣点的特征，并根据不同的评分信息来获取用户的画像编码，最后通过用户的画像编码与兴趣点做相似度计算产生推荐列表。但是上述专利在利用线性运算构建用户画像时不能学习用户和兴趣点的高阶交互特征，也没有考虑兴趣点的属性特征对用户的影响，也即难以用兴趣点隐含的属性特征刻画用户偏好。因此，很难根据用户的偏好和兴趣点的深层特征为用户产生高个性化的兴趣点推荐。相比于传统的推荐技术，深度学习模型可以通过多层神经网络捕捉用户和项目的高阶历史交互特征，以此刻画用户对项目的深层偏好特征表示，达到为用户生成高个性化推荐的目的。基于这个考虑，本发明描述的是“一种基于用户正负偏好学习的兴趣点推荐方法”，该方法利用用户访问兴趣点的历史记录来划分用户的正、负评价数据，并根据用户和兴趣点的属性构建知识图谱，利用图表示学习方法来获得兴趣点的隐式特征向量，然后使用神经网络为用户和兴趣点的正、负交互评价行为构建出用户正、负反馈偏好两个神经网络模型，最后分别使用训练好的两个模型为用户生成并优化兴趣点推荐列表，以此提高推荐的精确度和个性化。

发明内容

本发明的目的在于提供一种基于用户正负偏好学习的兴趣点推荐方法，使用神经网络学习用户和景点交互的深层次特征，同时训练出两个神经网络模型，正偏好神经模型和负偏好神经模型；正偏好神经网络模型产生用户喜欢的景点的列表，然后通过负偏好神经网络模型优化并得到最终推荐列表，为用户提供更精确的景点推荐；以解决传统的兴趣点推荐精度不高和推荐结果个性化程度低等问题。

为了达到上述目的，本发明提供了一种基于用户正负偏好学习的兴趣点推荐方法，包括：

采集用户对已访问的兴趣点的历史评价数值和已访问的兴趣点的相关属性数据，对采集到的数据进行预处理，对预处理后的数据中的用户、兴趣点和兴趣点属性进行统一编号；

根据用户对每个已访问的兴趣点的历史评价数值，将该用户已访问的兴趣点分别划分为正反馈兴趣点列表和负反馈兴趣点列表；

利用兴趣点、属性类型和具体属性值信息，构建兴趣点相关的三元组集合，并以三元组为基础单元建立完整兴趣点知识图谱；并将知识图谱中每个兴趣点、属性类型和兴趣点属性值学习表示为唯一对应的特征向量，分别构建兴趣点特征向量矩阵、属性类型特征向量矩阵和兴趣点属性值特征向量矩阵；

使用用户的正、负反馈兴趣点列表和利用所述正、负反馈兴趣点列表中对应兴趣点的兴趣点特征向量矩阵、属性类型特征向量矩阵和兴趣点属性值特征向量矩阵，构建基于注意力机制的用户偏好记忆模块，所述用户偏好记忆模块为用户构建其对应的偏好特征向量矩阵，所述偏好特征向量矩阵包括正偏好特征向量矩阵和负偏好特征向量矩阵；