[发明专利]基于时空感知GRU并结合用户关系偏好的旅游景点推荐方法

权利要求书

1.基于时空感知GRU并结合用户关系偏好的旅游景点推荐方法，其特征在于，包括以下步骤：

步骤S1：对数据进行预处理，获得用户的历史签到序列；

步骤S2：根据朋友关系和用户历史签到记录数据分别建立朋友关系表和偏好相似关系表；

步骤S3：根据构建的图模型然后使用嵌入的方法对用户关系序列进行预训练，得到用户关系向量；

步骤S4：将用户偏好被细分为长期用户偏好，短期用户偏好和当前用户偏好，并用不同的模型对其进行建模；

步骤S5：为了获得用户的周期偏好表示，利用时空感知GRU模型并加入分层注意力机制捕获用户的周期偏好信息；

步骤S6：将用户关系向量、用户历史偏好向量、当前偏好向量和周期偏好向量进行拼接作为用户最终偏好表示，最终偏好向量与兴趣点向量的内积形式将用于表示用户最后访问旅游景点的推荐；

步骤S7：模型代码的实现。

2.如权利要求1所述的基于时空感知GRU并结合用户关系偏好的旅游景点推荐方法，其特征在于，所述步骤S1的具体步骤为：

步骤S11：使用两个公开数据集，即Foursquare和Gowalla数据集；删除访问次数少于10次的用户和访问次数少于10次的位置，将训练和测试数据分割如下：对于每个单独的用户，聚集每个位置的登记；根据用户首次入住的时间对位置进行排序；选择最早的80％来训练模型，并使用接下来的20％作为测试。

3.如权利要求1所述的基于时空感知GRU并结合用户关系偏好的旅游景点推荐方法，其特征在于，所述步骤S2的具体步骤为：

S21、由步骤S1预处理之后的历史签到序列的数据建立朋友关系表；

S22、建立偏好相似关系表，偏好相似关系表由数据集中每个用户历史访问过得兴趣点的记录建立，如果用户访问过某一个兴趣点，那么偏好关系表中相应位置的数值为1，否则为0；

S23、建立用户关系图，用户关系图根据步骤S21中的朋友关系表和步骤S22中的偏好相似表得到。

4.如权利要求1所述的基于时空感知GRU并结合用户关系偏好的旅游景点推荐方法，其特征在于，所述步骤S3的具体步骤为：

步骤S31：整合偏好相似关系图和朋友关系图，选择使用权重的方式来计算用户最终关系紧密程度，即计算两种用户关系边上的权重，最终整合两类用户关系图边权重的计算方式如下：

其中表示在相似关系表和朋友关系表中用户i与j有边相连的权值之和，α控制两类用户关系的权重参数；

步骤S32、DeepWalk方法被用来对用户关系图进行预训练，利用重启随机游走方法来评估图中两个节点之间的相关性，从一个用户到另一个用户的随机游走的概率可定义为：

其中，probability(u_i|u_j)表示图中节点i到节点j的转移概率，f(u_i，u_j)表示从u_i到u_j边的权值，u_m表示与u_i有边相连的节点，执行以上步骤之后，可获得用于模型训练的序列的输入数据；

步骤S33、基于Hierarchical Softmax的Skip-gram语言模型的每个输入样本形式为(u，context(u))，其中u表示序列中的一个用户，context(u)是序列中与u邻近的用户，u的嵌入向量表示为x_u，根节点到u所在的叶子节点的总路径长度表示为lu，表示用户u在路径中相应的哈夫曼树编码，在此基础上，用户u预测context(u)的可能性表示为：

其中p(w|u)可表示为：

语料库中所有用户的联合概率用对数似然形式表示为：

U表示数据集中所有用户的集合，σ(·)是sigmoid函数，是对应于的参数，为了得到最优向量，要把L最大化，需要对和xu分别求偏导：

用户的嵌入向量xu的更新公式可以写成：

在用Skip-Gram模型的训练过程中，滑动窗口大小设置为5，用户关系嵌入向量的长度设置为100维，通过以上嵌入过程，可将每个用户与其他用户的关系用一个100维向量表示。