[发明专利]一种基于神经网络和移动上下文的兴趣点推荐方法

权利要求书

1.一种基于神经网络和移动上下文的兴趣点推荐方法，其特征在于，包括如下步骤：

S100：构建训练数据集DS，训练数据集DS中训练样本是第i个用户u_i和第j个地点l_j构成的数据组；

定义用户集合，地点集合和用户地点矩阵，其中用户集合表示为U＝{u₁，u₂，u₃，...，u_m}，m表示用户数量，地点集合表示为L＝{l₁，l₂，l₃，...，l_n}，n表示地点的数量，用户地点矩阵表示为R：U×L，R_ij表示了用户u_i和地点l_j之间的原始联系，即用户u_i访问地点l_j的次数；

S110：建立联合神经网络模型，并对联合神经网络模型进行训练，计算用户访问未知地点的预测概率值；

所述S110建立联合神经网络模型，建立联合神经网络模型计算用户访问未知地点的预测概率值的过程如下：

S111：构建特征提取网络对每个训练样本进行特征的提取，得到每个样本的用户初级特征向量和地点初级特征向量；

所述S111构建特征提取网络为局部特征提取层，具体如下：

用户u_i的原始向量以表示，地点l_j的原始向量以表示，定义一个局部窗口window大小的数值，将输入或按照该局部窗口window大小划分为若干局部模块，同时，根据局部窗口的数量将第一层神经网络划分为不同的部分，输入或的每个局部模块与第一层神经网络的每个部分对应；

表示用户向量或地点向量的输入层如公式(3)所示，进行局部特征提取的第一层神经网络如公式(4)所示：

其中，w_n是根据局部窗口大小得到的局部窗口个数，和In₁分别是第一层神经网络中第一个局部窗口对应的网络权重和输入，是第一个局部窗口的网络偏置项，和In₂分别是第一层神经网络中第二个局部窗口对应的网络权重和输入，是第二个局部窗口的网络偏置项，和In_{w_n}分别是第一层神经网络中第w_n个局部窗口对应的网络权重和输入，第w_n个局部窗口的网络偏置项，Con表示拼接操作，即将所有局部学习的结果整合在一起作为第一层网络的输出，f是激活函数，采用ReLu形式，如公式(5)所示：

f(x)＝max(0，x) (5)；

S112：构建降维网络对每个训练样本的用户初级特征向量和地点初级特征向量分别进行向量降维处理，得到每个训练样本对应的用户高级特征向量和地点高级特征向量，且用户高级特征向量和地点高级特征向量的维数相等；

S113：针对每个训练样本将对应的用户高级特征向量和地点高级特征向量进行拼接得到每个训练样本高阶的特征组合信息；

S114：构建关系挖掘网络，将每个训练样本高阶的特征组合信息作为输入，输出每个训练样本中用户与配对的地点之间的预测结果Co_ij；

S115：构建用户隐因子矩阵U^LF和地点隐因子矩阵L^LF，计算矩阵分解的预测结果MF_ij；

S116：构建联合神经网络，根据预测结果Co_ij和矩阵分解的预测结果MF_ij计算最终预测结果Union_ij，并采用sigmoid函数将Union_ij转化为预测概率值；

S117：计算损失，计算u_i对l_j是否感兴趣的真实概率值与u_i对l_j是否感兴趣的预测概率值之间的损失，根据损失值更新特征提取网络、降维网络，关系挖掘网络，隐因子矩阵U^LF和地点隐因子矩阵L^LF和联合神经网络的参数，再将所有训练样本依次输入更新参数后的特征提取网络、降维网络和关系挖掘网络进行继续训练；

当损失不在下降时，特征提取网络、降维网络和关系挖掘网络训练完成；

S118：对于用户集合中的任一用户，预测该用户对多个未知地点是否感兴趣，将该用户和多个地点输入训练好的特征提取网络、降维网络和关系挖掘网络，得到该用户对多个位置地点的预测概率值；

S120：建立移动上下文的兴趣点推荐模型，计算用户访问未知地点的预测得分；

所述S120移动上下文的兴趣点推荐模型的过程如下：

设所有的地点类别构成了类别集合C＝{c₁，c₂，c₃，...，c_s}，其类别总数为s；

S121：通过聚类算法，同时结合地点自身的流行度，计算用户u_i在区域条件下访问地点l_j的概率

S122：构建距离偏好模型，计算用户u_i访问地点l_j地点上的距离得分

S123：构建类别偏好模型，计算用户u_i访问地点l_j地点上的类别得分

S124：将区域概率、距离分数、类别分数进行融合构建移动上下文的兴趣点推荐模型，如公式(25)所示：

其中，α是控制距离分数的权重系数；

S200：进行联合神经网络模型和移动上下文的兴趣点推荐模型的融合，计算用户访问未知地点的预测分数，根据所述预测分数由大到小排序，得到该用户对未知地点感兴趣程度的推荐列表；

进行联合神经网络模型和移动上下文的兴趣点推荐模型的融合的过程如公式(1)所示：

其中，Final_ij是模型融合后的预测分数，Nor是归一化函数，β是控制基于联合神经网络的推荐算法的混合权重，Union_ij是联合神经网络模型得到预测概率值，是移动上下文的兴趣点推荐模型得到的预测得分。