[发明专利]基于图神经网络与用户长短期偏好的兴趣点推荐方法

说明书

本发明提出了一种基于图神经网络与用户长短期偏好的兴趣点推荐方法。本发明通过将用户的历史签到数据中的每一天访问的兴趣点序列作为一个会话序列；基于这些会话构造有向图，其中每个会话序列视为子图，每个节点代表一个兴趣点，每个有向边表示用户在访问此边的源兴趣点之后访问了指向的兴趣点。基于此图，通过图神经网络捕获兴趣点之间的联系并准确地生成兴趣点的向量表示。而基于这些兴趣点的表示向量，之后通过结合注意力机制为用户推荐下一步要访问的兴趣点。本发明分别从用户和兴趣点的角度进行融合成一个更好的地理信息模型。为此，在该模型中使用了用户和兴趣点之间的地理距离和用户在相邻兴趣点上的签到频次，解决了签到数据稀疏问题。

技术领域

本发明属于数据挖掘与推荐系统技术领域，具体涉及一种基于图神经网络与用户长短期偏好的兴趣点推荐方法。

背景技术

近年来随着Foursquare、Gowalla、大众点评等基于位置的社交网络服务的快速增长，越来越多的用户通过大量的地理位置签到行为来分享他们喜好的兴趣点。这些在线签到数据为分析用户的签到行为模式提供了一个很好的机会，我们可以根据用户的历史兴趣点访问轨迹来分析和预测用户下一步将会去往何处。此外，商家通过对用户签到数据的挖掘分析可以捕获用户的偏好，为用户推荐他们感兴趣的内容，进而提高用户的使用体验。因此，针对用户的签到数据进行分析和推荐受到了大量的研究。

一般兴趣点推荐通常采用协同过滤技术、矩阵分解技术和生成概率模型来模拟用户的偏好以及地理影响。其中基于用户的协同过滤是最流行的协同过滤算法之一，它通过利用相似用户的签到信息进行推荐。另一种协同过滤方法是矩阵分解，它通过分解用户-兴趣点的偏好矩阵来学习用户的偏好。当矩阵分解技术最初应用于兴趣点推荐时，它的性能要比基于用户的协同过滤和基于兴趣点的协同过滤方法差。协同过滤和矩阵分解方法比较适合于非零值的签到数据。通常在这些方法中，由于存在大量的兴趣点，而每个用户只能访问其中的很少的兴趣点，因此协同过滤中的用户-兴趣点签到矩阵将会变得非常稀疏，导致推荐效果变差。同时，随着神经网络的发展，一些相关的基于神经网络兴趣点推荐方法展现出了相对于传统推荐算法的巨大优势。通过神经网络可以挖掘用户签到序列中更深层次的隐含信息，从而可以更加全面的为用户的行为模式进行建模，最终得到更好的兴趣点推荐的效果。

发明内容

本发明针对现有技术的不足，提出了一种基于图神经网络与用户长短期偏好的兴趣点推荐方法。

本发明通过将用户的历史签到数据中的每一天访问的兴趣点序列作为一个会话序列，然后基于这些会话构造有向图，其中每个会话序列视为子图，每个节点代表一个兴趣点，每个有向边表示用户在访问此边的源兴趣点之后访问了指向的兴趣点。基于此图，通过图神经网络捕获兴趣点之间的联系并准确地生成兴趣点的向量表示。而基于这些兴趣点的表示向量，之后通过结合注意力机制为用户推荐下一步要访问的兴趣点。

本发明方法的具体步骤是：

步骤(1)输入用户的历史签到数据，其中签到数据包括用户的ID、兴趣点ID以及签到的时间。

步骤(2)读取签到数据，将每个用户的访问序列按照时间先后排序。创建一个用户会话序列文件，其中每一行为某个用户的兴趣点单日访问序列，其中用户的ID排在行首，该用户在该日访问过的兴趣点ID按访问先后顺序排在用户的ID之后，用户ID与兴趣点ID之间使用空格分隔。

步骤(3)构建会话有向图：将每个会话序列s建模为有向图G_s(V_s，E_s)，在此图中，每个节点代表一个兴趣点的向量v_s，i∈V，每条边(v_s，i-1，v_s，i)∈E_s表示一位用户在访问兴趣点(i-1)之后访问了兴趣点i。