[发明专利]融合属性特征注意力与异质类型信息的旅游景点推荐方法

权利要求书

1.融合属性特征注意力与异质类型信息的旅游景点推荐方法，其特征在于，包括以下步骤：

步骤S1，根据用户对景点的历史评分记录建模用户的交互特征表示；

步骤S2，根据用户属性通过注意力机制建模用户的属性特征表示；

步骤S3，融合用户的属性特征表示和交互特征表示，建模用户的特征表示；

步骤S4，根据步骤S1-S3，同样地融合景点的类别属性特征表示和交互特征表示，建模景点的特征表示；

步骤S5，融合用户和景点各自的类型信息矩阵，更新用户和景点的特征表示，学习用户和景点在类型信息下的语义嵌入表示；

步骤S6，根据知识表示学习中翻译原理，通过多层感知机学习用户对景点的评分；

步骤S7，根据学习到的用户和景点语义嵌入表示，计算用户对候选集景点的评分，根据评分高低进行排序，生成推荐景点列表；

步骤S8，依据用户和景点的属性，为推荐景点列表中的景点标注评分的原因；

所述步骤S1中根据用户对景点的历史评分记录建模用户的交互特征表示，具体步骤为：

根据用户ID对用户进行one-hot编码为u_one-hot＝{1,0,...,0}，并初始化用户嵌入向量矩阵W_u，实现对用户交互特征表示为：

u_Int＝u_one-hotW_u (1)；

所述步骤S2中根据用户属性通过注意力机制建模用户的属性特征表示，具体步骤为：

步骤2.1，基于one-hot的编码表示和查询表初始化用户的属性嵌入表示，对用户的属性进行初始化特征表示，定义为：

步骤2.2，考虑到不同属性对于用户的特征表示贡献不同，用户属性a_i的隐层特征输出分数h_i为：

式(3)中，b_u为神经网络的权重参数；

步骤2.3，定义用户属性a_i的注意力权重为：

式(4)中，α_i为属性a_i在用户所有属性中的归一化注意力权重，t是用户所有属性的个数，exp是指数函数；

步骤2.4，使用注意力机制将用户的所有属性特征进行融合，定义用户的属性特征表示如下：

式(5)中，a_i为不同属性对于用户属性特征表示的贡献程度，t是用户所有属性的个数；

所述步骤S3中融合用户的属性特征表示和交互特征表示，建模用户的特征表示，具体步骤为：

将用户的属性特征表示和交互特征表示进行拼接得到用户特征表示，定义为：

u＝u_Att‖u_Int (6)；

所述步骤S4中根据步骤S1-S3，同样地融合景点的类别属性特征表示和交互特征表示，建模景点的特征表示，具体步骤为：

步骤4.1，根据景点ID对景点进行one-hot编码为v_one-hot＝{1,0,...,0}，并初始化景点嵌入向量矩阵W_v，实现对景点交互特征表示为：

v_Int＝v_one-hotW_v (7)

步骤4.2，基于one-hot的编码表示和查询表初始化景点的属性嵌入表示，对景点的属性进行特征表示，可以定义为：

步骤4.3，考虑到不同属性对于景点的特征表示贡献不同，景点属性b_i的隐层特征输出分数为：

式(9)中，b_v为神经网络的权重参数；

步骤4.4，定义景点属性b_i的注意力权重为：

式(10)中，β_i为景点属性b_i在景点所有属性中的归一化注意力权重，s是景点所有属性的个数，exp是指数函数；

步骤4.5，使用注意力机制将景点的所有属性特征进行融合，定义景点的属性特征表示如下：

式(11)中，β_i为不同属性对于景点属性特征表示的注意力贡献程度，s是景点所有属性的个数；

步骤4.6，将景点的属性特征表示和交互特征表示进行拼接得到景点特征表示，定义为：

v＝v_Att‖v_Int (12)；

所述步骤S5中融合用户和景点各自的类型信息矩阵，更新用户和景点的特征表示，学习用户和景点在类型信息下的语义嵌入表示，具体步骤为：

步骤5.1，基于用户的特征表示，融合用户的节点类型信息，学习用户在类型信息下的语义嵌入表示为：

u′＝M_uu (13)

式(13)中，M_u是学习参数，表示用户实体的类型信息矩阵，将用户实体u映射到统一空间；

步骤5.2，将景点的特征表示v与景点的类型信息矩阵M_v进行融合，学习景点在类型信息下的语义嵌入表示为：

v'＝M_vv (14)；

所述步骤S6中根据知识表示学习中翻译原理，通过多层感知机学习用户对景点的评分，具体步骤为：

步骤6.1，用户u对景点v的评分r视作用户的语义嵌入u'和景点语义嵌入v'在某一空间上的翻译关系r，将用户、景点和评分关系定义为：

u'+r＝v' (15)

步骤6.2，将用户和景点的距离关系v'-u'送入到多层感知机，考虑到偏置b'，学习用户对景点的评分，即评分预测函数定义为：