[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

说明书

本发明公开了一种基于时空感知GRU并结合用户关系偏好的旅游景点推荐方法，主要由三个部分组成：用户关系挖掘、用户偏好建模以及模型的训练。本发明解决了现有方法只考虑用户朋友关系而缺乏用户偏好相似的问题，有效提高了推荐模型的准确率。本发明把得到预训练的用户关系向量、用户长期偏好向量、当前偏好向量和周期偏好向量进行拼接当做用户最终的总偏好向量，最终旅游景点推荐的概率是由最终总偏好向量与旅游景点集合向量的内积形式表示。本发明在两个公开真实的数据集上进行实验，实验结果表明提出的模型显著优于当前主流模型。

技术领域

本发明属于神经网络和推荐系统的技术领域，尤其涉及一种基于时空感知GRU并结合用户关系偏好的旅游景点推荐方法。

背景技术

移动网络的迅速发展和智能设备的普遍应用，使得大量包含位置信息和文本信息的空间-文本对象涌现在Web上，推动了基于位置的社交网络发展，这些空间-文本对象表示了现实中的兴趣点，如餐厅、景点、宾馆等地点，以空间-文本对象为背景的兴趣点推荐技术正成为当前时空数据库、推荐系统和基于位置的服务领域备受关注的研究热点。美团、携程、头条、Gowalla、Yelp、Foursquare、Facebook等基于位置的服务系统都需要兴趣点推荐技术的支撑。

然而现有的关于旅游路线推荐模型没有对影响旅游景点推荐准确性的用户关系和用户偏好进行深入探索。而实际上，用户访问的下一个兴趣点会受到多方面因素影响，包括用户历史签到、兴趣点的序列信息、用户偏好、朋友关系、空间位置和签到时间信息的影响。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于时空感知GRU并结合用户关系偏好的旅游景点推荐方法，准确的对用户关系和用户偏好进行深入探索，同时使推荐的旅游路线具有时空性。

为了解决上述技术问题，本发明通过以下技术方案来实现：

本发明提供的基于时空感知GRU并结合用户关系偏好的旅游景点推荐方法，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(长期偏好)，短期用户偏好(短期偏好)和当前用户偏好(当前偏好)，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。

优选的，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。我们将训练和测试数据分割如下：对于每个单独的用户，(1)聚集每个位置的登记；(2)根据用户首次入住的时间对位置进行排序；(3)选择最早的80％来训练模型，并使用接下来的20％作为测试。

进一步的，所述步骤S2的具体步骤为：

S21、由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；