[发明专利]出行意图推断方法、模型训练方法、相关装置及电子设备

权利要求书

1.一种出行意图推断方法，包括：

在确定目标对象关联第一空间位置的情况下，获取所述目标对象在第二空间位置的信息点的历史位置序列，所述第一空间位置为相对于所述第二空间位置的异地空间位置；

基于神经网络主题模型生成异地空间位置的K个出行意图的第一权重分布，K为正整数；

基于所述历史位置序列和第一权重分布，确定所述目标对象在所述第一空间位置的K个出行意图的第二权重分布；

所述基于所述历史位置序列和第一权重分布，确定所述目标对象在所述第一空间位置的K个出行意图的第二权重分布，包括：

基于所述历史位置序列，确定所述目标对象在本地的签到偏好；

基于所述目标对象在本地的签到偏好，确定所述目标对象关于所述K个出行意图的权重信息；

将所述权重信息与所述第一权重分布进行加权和，得到所述目标对象在所述第一空间位置的K个出行意图的第二权重分布。

2.根据权利要求1所述的方法，其中，所述基于所述历史位置序列和第一权重分布，确定所述目标对象在所述第一空间位置的K个出行意图的第二权重分布，包括：

基于所述历史位置序列，按照所述目标对象在所述第二空间位置的信息点的时间顺序生成有向图，所述有向图的节点为所述历史位置序列中所述目标对象在所述第二空间位置的信息点的位置；

将所述有向图输入至图神经网络进行向量表征操作，得到所述有向图中每个节点的向量；

基于所述有向图中节点的向量和所述第一权重分布，确定所述目标对象在所述第一空间位置的K个出行意图的第二权重分布。

3.根据权利要求2所述的方法，其中，所述基于所述有向图中节点的向量和所述第一权重分布，确定所述目标对象在所述第一空间位置的K个出行意图的第二权重分布，包括：

基于所述有向图中节点的向量，采用注意力机制确定所述历史位置序列对应的向量信息；

基于所述历史位置序列对应的向量信息和所述第一权重分布，采用注意力机制确定所述目标对象关于所述K个出行意图的权重信息，并基于所述权重信息和所述第一权重分布，确定所述目标对象在所述第一空间位置的K个出行意图的第二权重分布。

4.一种模型训练方法，包括：

获取训练对象在异地空间位置的信息点的位置序列；

基于所述位置序列，采用神经网络主题模型利用隐变量的预设权重分布，确定所述位置序列对应的向量信息；并基于所述向量信息，确定所述隐变量的第三权重分布，所述隐变量为表征所述训练对象在所述异地空间位置的K个出行意图的变量，K为正整数；

确定所述预设权重分布与所述第三权重分布的损失信息；

基于所述损失信息更新所述神经网络主题模型的参数，以得到用于生成异地空间位置的K个出行意图的第一权重分布的神经网络主题模型。

5.根据权利要求4所述的方法，其中，所述基于所述位置序列，采用神经网络主题模型利用隐变量的预设权重分布，确定所述位置序列对应的向量信息，包括：

将所述位置序列中每个位置作为词袋输入至神经网络主题模型进行主题关联，以利用隐变量的预设权重分布，确定所述位置序列对应的向量信息；

所述神经网络主题模型用于：基于隐变量的预设权重分布确定所述隐变量的K个隐式主题的向量信息，所述隐变量为表征所述K个出行意图的变量，一个隐式主题对应一种出行意图；基于所述K个隐式主题的向量信息和所述位置序列对应的初始向量信息，确定所述位置序列对应的向量信息，所述K个隐式主题的向量信息用于表征所述K个出行意图的权重分布。

6.根据权利要求5所述的方法，其中，所述基于所述K个隐式主题的向量信息和所述位置序列对应的初始向量信息，确定所述位置序列对应的向量信息，包括：

基于所述K个隐式主题的向量信息和所述位置序列对应的初始向量信息，确定所述训练对象在所述异地空间位置的信息点针对所述K个出行意图中每个出行意图的第四权重分布；

基于所述第四权重分布和所述K个隐式主题的向量信息，确定所述位置序列对应的向量信息。