[发明专利]一种用于兴趣点推荐的获取时间偏好融合序列偏好的方法

说明书

本发明提出了一种用于兴趣点推荐的获取时间偏好融合序列偏好的方法。本发明首先通过数据预处理，得到兴趣点的特征时间戳，初始化兴趣点的嵌入向量、时间戳差值的嵌入向量，得到用户的正、负样本兴趣点嵌入向量序列和其对应的签到时间戳差值嵌入向量序列，然后将正、负样本兴趣点嵌入向量和其对应的签到时间戳差值嵌入向量融入GRU模型，进而构建用户的嵌入向量，计算用户对正、负样本兴趣点的序列偏好和时间偏好，将序列偏好和时间偏好进行融合，得到用户对正样本兴趣点和负样本兴趣点的融合偏好值。更进一步，利用正、负样本兴趣点的融合偏好值构造损失函数，优化相关模型参数。最后将优化后的模型用于推荐任务。

技术领域

本发明属于推荐系统领域，特别涉及一种用于兴趣点推荐的获取时间偏好融合序列偏好的方法。

背景技术

随着移动互联网的蓬勃发展，基于位置的社交网络(LBSN)日益普及，例如Foursquare，Yelp和Facebook Places。用户在某一个兴趣点可以轻松的分享与位置关联的内容，用户在兴趣点上留下的大量签到记录已经被用于改善LSBN用户体验的兴趣点推荐上。不管是在工业界还是学术界，对于用户兴趣点的推荐都已经成为了一个非常热门的话题。在用户兴趣点的推荐中，人们到某个兴趣点的签到时间是一个非常重要的影响因素。人们去某一个兴趣点会带有比较明显的时间倾向，比如，人们总是在特定的时间去餐馆吃晚餐，总是周末去电影院。已经有充分的研究表明，人员的流动有很强的时间周期性，人们的签到模式可能是以一天或者是以一周为周期,因此，很多方法中引入时间窗口的概念，主要包括日模式和周模式，两种模式都对推荐的结果有提升，而周模式更符合实际的时间格式，方法的预测准确性在工作日保持稳定，在周末则不太稳定，主要也是因为用户周末的活动往往具有不确定性。已有方法都考虑了时间窗口对人们签到的影响，但他们都没有考虑到人们访问兴趣点的序列特征，并且在对用户个人对时间的偏好上考虑的较少。

为了更好的捕捉人们访问兴趣点的序列特征，有研究将马尔科夫链应用于兴趣点推荐，FPMC-LR基于一阶马尔科夫链捕获用户签到的序列特征。而以RNN为基础的模型表达能力强于马尔科夫链，STRNN充分运用了RNN的结构特性，提出一种时空递归神经网络(ST-RNN),在每一层中用不同的时间转移矩阵和空间转移矩阵分别表示不同的时间间隔和空间距离来建模局部时间和空间上下文。Bi-STDDP为了更好的捕捉连续性的序列特征，从补全遗失的签到记录出发，从双向依赖的角度充分利用其历史签到序列和将来的签到序列。但在上述方法中，考虑时间因素对人们签到记录影响时，都是从签到记录的近期签到时间出发，而没有考虑到用户长期的签到序列中的时间周期性特征对其签到行为的影响，更没有考虑到签到时间点的差异性对用户偏好的影响。

为了解决上述研究中存在的问题，我们提出了一种新的同时兼顾用户签到记录序列偏好和时间偏好的新方法，该方法利用了GRU模型在捕捉序列化信息，特别是较长的序列信息时的优势，捕捉用户的序列偏好；同时，考虑到用户长期的签到记录中所有签到时间点所包含的信息，基于不同签到点之间的时间间隔，提出一种刻画用户在不同签到时间点的差异性而产生的时间偏好，最终将序列偏好和时间偏好融合。在方法的损失函数中，为了获取负样本地点的签到时间，提出为地点选定特征时间戳。该方法用于兴趣点的推荐，效果比较好。

发明内容

为克服现有技术存在的缺陷和不足，本发明提出一种用于兴趣点推荐的获取时间偏好融合序列偏好的方法

本发明所采用的技术方案是：一种用于兴趣点推荐的获取时间偏好融合序列偏好的方法，其特征在于，包括：

步骤1：数据预处理，得到兴趣点的特征时间戳，初始化兴趣点的嵌入向量、时间戳差值的嵌入向量，得到用户的正、负样本兴趣点嵌入向量序列和其对应的签到时间戳差值嵌入向量序列；

步骤2：将单个用户的签到序列作为一批数据进行训练，将兴趣点嵌入向量、时间戳差值嵌入向量融入GRU模型；

步骤3：构建用户的嵌入向量，计算用户对兴趣点的序列偏好以及用户对兴趣点的时间偏好；