[发明专利]一种基于图神经网络的兴趣点推荐方法

说明书

本发明公开一种基于图神经网络的兴趣点推荐方法，通过将影响用户的历史轨迹的位置点加到构建的user‑poi图中，通过图神经网络，找到相类似的邻居集合，能很大程度的缓解数据稀疏情况下的推荐精度问题。此外，本发明中采用的自注意力机制可以学习用户不同时期的兴趣变化，很好的反应用户的兴趣迁移变化等情况，并及时的更新位置点的权重信息，能够极大的提高了推荐精确度与用户体验。

技术领域

本发明涉及推荐系统技术领域，具体涉及一种基于图神经网络的兴趣点推荐方法。

背景技术

互联网的出现和普及给用户带来了大量的信息，但随着网络的快速发展使得信息量呈爆炸增长，用户面临着严重的信息过载问题，很难在海量的数据中快速的获取到有效的信息。推荐系统能够帮助用户在大数据中寻找到适用的信息，它是根据用户的信息需求、个人偏好等，将用户感兴趣的信息推荐给用户，提升用户对系统的使用体验。目前，推荐系统已经流行在各个领域，例如社交网络、交通运输、医疗服务等多个行业。

基于位置的社交网络推荐是最近的学术界一直研究的热点之一。用户去到一个位置点进行签到的时候，签到的信息包括有签到的时间、签到位置点的经纬度、签到位置点的地名等信息。社交网络积累了大量的关于位置点的签到信息，将这些数据理解为用户的行为和偏好，可以为用户提供位置点的推荐。在目前的推荐技术中，协同过滤技术是最热门的推荐技术之一。协同过滤是通过分析用户的历史数据，通过计算用户自身的兴趣和物品的相似度来进行推荐(比如，如果一个用户A喜欢物品B，物品B与物品C相似，那么就可以给用户A推荐物品C)，但是在位置点推荐中，有些用户的签到记录很少，比如只去了A和B 2个地点。像这种用户由于缺少历史数据，采用协同过滤技术则很难找到相类似的用户来进行推荐。因此传统的协同过滤不能缓解用户的稀疏性问题。

基于神经网络的推荐可以有效的解决用户的稀疏性问题，现在逐渐的成为学术界和商业界的研究热点。基于图神经网络的推荐主要思想是利用图神经网络技术可以捕捉到高阶节点的信息。高阶节点指的是如果2个节点之间有其他节点，那么这2个节点的关系属于高阶节点。图神经网络可以把这种高阶的节点之间的相互影响的因素找出来，其每个节点代表一个地理位置，每个节点之间会相互影响，每个位置点(节点)都有自己的特征，比如时间，地理位置，地点名等。现实生活中，位置点往往会影响另外一个位置点，比如某一个位置点人流量很多，那么它周边的位置点会比较大的概率会被人们去签到。图神经网络可以捕捉到位置点与位置点间的潜在关系，把用户签到的历史轨迹中周围的位置点也考虑进来。这样用户的历史轨迹信息就变得没有那么稀疏，之后再通过找到与用户轨迹相类似的用户作为邻居，进而可以结合邻居的历史轨迹和自己的历史轨迹进行更有效的推荐。

然而，基于图神经网络的推荐存在的挑战如下：

1、用户签到的位置点会受它周边位置点的影响，比如用户签到的位置是商场的餐厅，这个周围是旅游区而且人流量很大，那么很大概率用户下一个要去的地方就是这个旅游区，当然，一个位置点周围的地方有很多，它们之间的距离也各不相同。从个人角度看，用户的个人偏好，个人的行为习惯都是影响位置点推荐的因素。因此，如何设置合适的权重融合这些因素，找到合适的周围位置点作为用户的历史轨迹的信息的填充，是一个很重要的挑战。

2、用户的历史轨迹会存在长期兴趣和短期兴趣的影响和出现兴趣漂移的现象。兴趣漂移现象指的是一个人的兴趣爱好随着时间的变化会发生变化。长期兴趣指的是一直保持的兴趣，比如从小就开始喜欢足球运动，到现在还在喜欢这项运动，这种兴趣就是长期兴趣。短期兴趣指的是在某一段时间断内喜欢的兴趣，比如在某一段时间喜欢打篮球，这段时间过后很少打篮球或者不再打篮球，像这种兴趣视为短期兴趣。用户的历史轨迹也会有这种现象，用户有自己长期兴趣的签到位置点和短期兴趣的签到点，如何通过历史轨迹学习到用户的兴趣点漂移的规律是研究的一个难点。

发明内容

本发明所要解决的是现有利用神经网络解决推荐系统中的用户稀疏性问题所存在的挑战，提供一种基于图神经网络的兴趣点推荐方法。

为解决上述问题，本发明是通过以下技术方案实现的：