[发明专利]基于时空幂律注意力的下一兴趣点推荐方法

权利要求书

1.一种基于时空幂律注意力的下一兴趣点推荐方法，其特征在于，包括如下步骤：

S1、利用循环神经网络捕获用户签到序列的短期偏好h_t；

S2、使用时间间隔的幂律分布作为第i次和第t次签到之间关于时间的相关程度，以建模时间因素对下一兴趣点推荐的影响：

其中，ΔT_it表示第i次和第t次签到兴趣点之间的时间间隔，a₁和λ₁是幂律分布的参数；

S3、利用距离的幂律衰减根据地理距离来衡量第i次签到和第t次签到之间的权重：

其中，ΔD_it表示第i次和第t次签到兴趣点之间的地理距离，a₂和λ₂是幂律分布的参数；

S4、计算时空幂律注意力，利用时空幂律注意力决定历次签到状态对当前状态影响程度的大小，从而建模用户的长期偏好，根据所述和计算得到权重系数α_it，并结合短期偏好计算长期偏好

其中，h_i∈R^d表示第i次签到的隐状态，R代表实数域，d为嵌入式表示的维度大小，长期偏好表示为0～t次签到隐状态的加权，权重系数α_it反映h_i与h_t的相关程度；

S5、根据用户访问过的兴趣点的表示及其访问频率来表征所述用户u：

其中，B(u)为用户u访问过的兴趣点集合，x_j为第j个兴趣点的向量化表示，n_j表示用户u在第j个兴趣点的签到次数；

S6、结合所述短期偏好h_t、所述长期偏好及所述用户表示p_u，通过下式所示神经网络预测下一兴趣点

其中，W_p为神经网络参数，γ₁为超参数，用于控制用户表示的占比。

2.如权利要求1所述的基于时空幂律注意力的下一兴趣点推荐方法，其特征在于，所述捕获用户签到序列的短期偏好h_t，通过循环神经网络实现，GRU作为基本的循环单元，GRU基本更新公式为：

r_t＝σ₁(W_r·[h_t-1,x_t])

z_t＝σ₁(W_z·[h_t-1,x_t])

其中，x_t∈R^d表示第t次签到的兴趣点的嵌入式表示，r_t表示重置门，用于控制第t-1次签到隐状态有多少信息被保留到第t次签到候选隐状态，z_t表示更新门，用于控制对第t-1次签到隐状态的选择性遗忘，[,]表示两个向量拼接，·表示矩阵相乘，*表示对位元素相乘，σ₁表示sigmoid激活函数，tanh表示双曲正切函数，W_r、W_z和W_h为GRU需要学习的参数，表示第t次签到的候选隐状态，h_t∈R^d表示第t次签到的隐状态，即短期偏好。

3.如权利要求1所述的基于时空幂律注意力的下一兴趣点推荐方法，其特征在于，捕获所述用户签到序列中的短期偏好h_t和长期偏好后，利用兴趣点多层次类别信息，设计基于兴趣点多层次类别预测的辅助任务，缓解数据稀疏问题。