[发明专利]一种基于位置社交网络的兴趣点组合推荐算法

说明书

本专利公开了一种基于位置社交网络的兴趣点组合推荐算法。该方法包括以下步骤：(1)通过LightGCN图卷积网络模型得到用户对兴趣点的协作偏好分数；(2)利用兴趣点之间的地理相关性更新兴趣点的嵌入表示；(3)通过带有注意机制的GRU序列模型得到用户对兴趣点的地理偏好分数；(4)通过线性加权的组合策略得到最终的兴趣点推荐分数。本方法综合考虑了地理信息、协作信息和序列信息，提高了离线推荐的召回率。

技术领域

本发明涉及数据挖掘领域，具体涉及大数据推荐模型。

背景技术

随着网络的快速发展，个性化推荐服务越来越重要。越来越多的人借助手机等智能设备来使用互联网，一方面实现了生活场景的智能化，另一方面又无法避免地带来了信息爆炸的问题。面对海量的数据，用户如何快速精准检索他们感兴趣的信息成为一个富有挑战性的工作。推荐系统可以在用户不明确表明自己需求的前提下，通过分析用户的历史行为建立用户兴趣模型，推荐符合用户兴趣的兴趣点。在面对各种应用场景时，单一的推荐方法可能无法持续做出精准的推荐，在实际应用中常常表现出较差的推荐结果。为了解决数据稀疏性和高维性的问题，组合推荐系统将基于模型和基于内存的技术与上下文关系(如信任关系、朋友关系、用户标签、项目属性、时间信息等)相结合，或者集成多种推荐技术以提高推荐的性能。但是现有的组合模型缺乏对地理属性的深入研究，没有探讨地理相关性对用户偏好的影响，且移动轨迹只暴露了整个轨迹的部分观察结果，无法全面表示用户的偏好信息。

发明内容

本发明提供一种基于循环神经网络与图神经网络的推荐模型(GeographicalLightGCN，GLGCN)，模型包括有协作偏好模块和地理偏好模块两部分。利用用户兴趣点交互矩阵和地理图构建的邻接距离矩阵，作为轻量级的图卷积网络的输入，得到细化的用户和兴趣点嵌入表示，将用户轨迹的历史序列作为循环神经网络的输入，得到用户对兴趣点的偏好表示，用于后续预测用户喜欢某个物品的偏好分数。

本发明解决其技术问题所采用的技术方案：一种基于位置社交网络的兴趣点组合推荐算法，其特点是包括下述步骤：

(a)计算用户对兴趣点的协作偏好分数

利用用户兴趣点交互图作为轻量级图卷积网络LightGCN的输入，得到具有高阶协作信号的细化的用户和兴趣点的嵌入表示。e_u⁽⁰⁾表示用户u的ID嵌入，e_p⁽⁰⁾表示兴趣点p的ID嵌入，LightGCN中嵌入表示的传播规则定义如下：

其中，是对称归一化正则项。

经过k层的传播后，组合每一层获得的嵌入，得到如下所示的用户(兴趣点表示)：

其中，α_k≥0表示第k层嵌入在构成最终嵌入中的重要性。

协作偏好模块的预测分数定义为用户和兴趣点最终表示的内积：

(b)利用兴趣点之间的地理相关性更新兴趣点嵌入。

通过兴趣点之间的距离构建邻接距离矩阵A_p，将其输入到LightGCN模型中，得到带有地理相关性信息的兴趣点嵌入g_p∈G⁽²⁾：

(c)通过带有注意机制的GRU序列模型得到用户对兴趣点的地理偏好分数。

用户u∈U按时间顺序访问的长度为N_u的兴趣点轨迹，即兴趣点序列用表示。将历史兴趣点序列H_u转化为潜在空间的嵌入，可以表示为序列嵌入