[发明专利]一种基于异构属性网络表征学习的兴趣点推荐方法

说明书

本发明公开了一种基于异构属性网络表征学习的兴趣点推荐方法，该方法适用于在兴趣点的描述信息较为丰富、序列性比较强的签到数据集上对用户进行兴趣点的推荐，步骤包括：首先，基于用户的社交网络和签到数据集构建一个有向带权的异质属性网络；其次，基于兴趣点的文本描述获得异质网络中节点属性嵌入信息，基于多种元路径的随机游走结合自注意力机制获得节点的元路径嵌入信息；然后，将节点的属性嵌入和多种元路径嵌入信息融合，基于异构skip_gram去进行节点的表征向量学习；最后，基于表征向量的相似度，根据目标用户所处的时间、地点进行下一个兴趣点的精确推荐。

技术领域

本发明涉及一种网络兴趣点推荐方法，尤其为一种基于异构属性网络表征学习的兴趣点推荐方法。

背景技术

近些年，平板、手环等各种智能移动设备的普遍应用显著地增强了人们对数据的产生和收集能力，生活中的每个角落都可能喷涌出大量的数据，如何利用已有的或提出新的技术从这些海量的数据中挖掘出有价值的和令人感兴趣的信息是一件非常具有挑战性的事情。在个性化推荐越来越受到学术界和工业界的重视大背景下，基于地理位置的社交网络(LBSN)领域内个性化推荐技术得到不断丰富和发展。

在基于LBSN进行个性化推荐的领域中，兴趣点的推荐是比较复杂的，对用户做出下一次签到的预测需要综合考虑的因素有很多，比如时间、当前所处地点、兴趣点的描述性文本和社交关系等上下文信息，另外，由于签到信息的产生相比于线上评论是比较昂贵的，因此会导致某些用户的签到记录稀疏，这也会提高推荐的难度。目前有很多关于兴趣点推荐的研究工作，章韵(CN 107341261 A)等人提出了一种基于时空特征的用户协同过滤的模型，但缺少对兴趣点签到顺序的有效挖掘，同时不太适用于处理签到记录稀疏的情况；俞东进(CN 109948066 A)等人提出的一种基于异构信息网络及元路径的兴趣点推荐模型，能够有效结合元路径和丰富的上下文信息，挖掘用户的偏好，但是难以应对兴趣点和用户的冷启动问题。

通过对现有的一些兴趣点推荐方法进行分析总结，传统方法在以下几个方面存在不足：1)忽视或者不重视每个用户签到顺序的影响，造成推荐兴趣点的不准确，降低用户的体验；2)通常将兴趣点表征学习为一个低维向量表示，实际上每个兴趣点承担着两种角色的作用：一个是作为用户的当前位置，即开始兴趣点；另一个是相对于上一个兴趣点，作为用户将要签到的位置，即结束兴趣点；3)忽视或不重视兴趣点独特的属性，比如地理位置、类别和描述信息等，有效利用这些外围信息，能够进一步提高推荐的准确性；4)难以处理用户或者兴趣点的冷启动问题。本方法能够有效解决这些问题，进一步提高推荐的准确性。

发明内容

本发明提供一种基于异构属性网络表征学习的兴趣点推荐方法，对时间、空间数据进行了深入挖掘与研究，并充分考虑了其他因素，尤其适用于在兴趣点的描述信息较为丰富和时序性比较强的签到数据集上进行推荐。

本发明采取的技术方案是，一种基于异构属性网络表征学习的兴趣点推荐方法，包括以下步骤：

1)依据签到用户对应的社交网络构建一个无权的社交网络图，将社交网络图定义为

2)按照每个用户在社交网络图的签到数据集上的签到时间进行排序，并且根据签到的时间段设定合适的时间标签(例如：按照每两小时作为一个分割区间，则对于在0：00-1：59时间内的签到对应的时间标签记为0)；将用户每条签到记录中的时间戳和兴趣点映射成一个带有时间标签的兴趣点；

3)结合用户签到历史记录中的兴趣点去计算社交网络图中各个节点间的权重，得到一个带权社交网络图

4)依据用户的签到数据集，在的基础上构建包含用户和兴趣点的一个有向带权异构网络图