[发明专利]一种基于用户动态偏好与注意力机制的兴趣点推荐方法

说明书

本发明实施例提供了一种基于用户动态偏好与注意力机制的兴趣点推荐方法，包括以下步骤：S1、获取用户的历史行为记录，构建用户历史行为序列，并将用户历史行为序列划分为长期历史行为序列和短期历史行为序列；S2、将长期历史行为序列和短期历史行为序列分别输入到长期偏好模型和短期偏好模型学习用户的长期偏好和短期偏好；S3、将用户的长期偏好和短期偏好进行整合得到用户最终偏好；S4、通过所述用户最终偏好计算用户对地点的评分，根据用户对地点的评分对用户进行兴趣点推荐。本发明既实现了用户偏好的动态建模，又能获得用户偏好精确地表示，提高兴趣点推荐的效果。

技术领域

本发明涉及序列推荐技术领域，尤其涉及一种基于用户动态偏好与注意力机制的兴趣点推荐方法。

背景技术

随着移动智能设备、定位技术和移动互联网技术的快速发展，基于位置的社交网络(Location-Based Social Network,LBSN)开始出现并变得越来越流行。用户可以在社交网络中通过签到的方式分享自己当前所在的地点以及和地点相关的内容信息，如文本或图像，用户分享的地点又称为兴趣点(Point Of Interest,POI)。利用LBSN中用户丰富的历史记录挖掘用户的行为习惯和兴趣偏好，并向用户推荐其可能感兴趣的地点称为兴趣点推荐。兴趣点推荐在LBSN中具有非常重要的作用，既可以满足用户出行的个性化需求又可以为商家带来商业价值，因此兴趣点推荐收受到了工业界和学术界的广泛关注具有非常重要的研究价值。

现有的兴趣点推荐方法大致分为三类：基于协同过滤的方法、基于嵌入学习的方法和基于深度学习的方法。近年来深度学习广泛的应用到兴趣点推荐中，基于深度学习的方法较其他的方法能够挖掘从数据中挖掘更深层次的结构关系，取得了很好的进展。比如循环神经网络(Recurrent Neural Network,RNN)被广泛的研究和使用在兴趣点推荐中对用户的历史行为序列进行建模挖掘用户的偏好，而现有的基于RNN的兴趣点推荐方法大多将用户历史记录压缩到一个固定隐含向量中，一方面限制了该方法的推荐性能，另一方面无法很好的捕捉用户行为序列中地点之间的相关性，存在许多有待研究和改进的问题。

目前注意力机制在计算机视觉和自然语言处理等领域的迅速发展与广泛的应用，开始被引入到兴趣点推荐中极大的改进了现有方法的不足，注意力机制是一种自上而下的信息选择机制来过滤掉大量的无关信息，它表示将注意力放在系统中更重要或更相关的信息上而不是所有的信息。自注意力作为注意力机制的一种特殊情况，经过改进后开始代替RNN对用户的历史序列进行建模，自注意力模型既可以对用户的历史记录进行序列化建模，又可以显式的捕捉历史序列中地点之间的相关性。

上述兴趣点推荐方法虽然取得了很好的效果，但仍存在以下几个问题：其一，用户的兴趣是复杂多样的，多数研究都将用户访问过的地点同等看待，没有区分不同地点对表达用户兴趣的重要性，因此在用户偏好建模的过程中引入很多噪声。其二，用户的兴趣是随着时间动态变化的，多数方法只对用户长期稳定的偏好进行建模，忽略了用户存在短期的兴趣和需求，以致无法精确的捕捉用户的兴趣偏好。

发明内容

本发明的实施例提供了一种基于用户动态偏好与注意力机制的兴趣点推荐方法，以克服现有技术的缺陷。

为了实现上述目的，本发明采取了如下技术方案。

一种基于用户动态偏好与注意力机制的兴趣点推荐方法，包括以下步骤：

S1、获取用户的历史行为记录，构建用户历史行为序列，并将所述用户历史行为序列划分为长期历史行为序列和短期历史行为序列；

S2、将所述长期历史行为序列和短期历史行为序列分别输入到长期偏好模型和短期偏好模型学习用户的长期偏好和短期偏好；

S3、将所述用户的长期偏好和短期偏好进行整合得到用户最终偏好；

S4、通过所述用户最终偏好计算用户对地点的评分，根据用户对地点的评分对用户进行兴趣点推荐。