一种基于可靠性引导多模态传播的地点推荐方法

本发明涉及信息推荐与位置服务，特别涉及一种基于可靠性引导多模态传播的地点推荐方法。

背景技术：

1、随着智能移动终端、卫星定位技术和基于位置的社交网络的广泛应用，用户能够通过签到、评论和上传图像等方式记录其对不同兴趣点的访问行为。

2、现有下一兴趣点推荐方法主要根据用户历史签到序列建模用户的移动规律。一类方法采用循环神经网络、注意力机制或transformer等序列模型提取相邻签到记录之间的顺序依赖；另一类方法根据兴趣点之间的历史转移关系构建兴趣点图或区域图，并采用图神经网络提取高阶移动关系；此外，还有部分方法结合地理距离、访问时间、兴趣点类别以及区域划分结果，对用户的时空访问偏好进行建模。上述方法能够从不同角度利用历史签到轨迹，但真实位置服务数据中的用户-兴趣点交互通常较为稀疏，仅依赖历史签到数据难以充分刻画用户偏好和兴趣点属性。

3、为缓解历史签到数据稀疏带来的影响，现有技术开始引入兴趣点图像、元数据、用户评论等多模态内容，以利用轨迹数据之外的语义信息丰富兴趣点表示。然而，不同兴趣点对应的多模态内容在信息质量、完整程度和语义相关性方面存在明显差异。例如，部分兴趣点图像不能准确反映地点的主要特征，用户评论可能包含无关或噪声内容，元数据可能过于粗粒度或存在缺失；同时，同一兴趣点的不同模态还可能给出不一致甚至相互冲突的语义描述。现有方法通常直接传播或融合各模态信息，未充分区分不同兴趣点在不同模态下的可靠程度，使低可靠或相互冲突的模态信息可能在模态传播和特征融合过程中被放大，进而干扰兴趣点表示和用户访问意图的建模。

4、在区域关系建模方面，现有技术通常按照规则网格、地理聚类或个性化时空区域对兴趣点进行划分，并根据用户历史签到记录中的连续区域转移构建区域图。此类区域图主要反映在历史轨迹中频繁出现的连续访问关系，容易受到签到数据稀疏性的限制。对于历史转移次数较少或者未被直接观测到的区域对，即使两个区域内部的兴趣点在视觉外观、评论内容或元数据属性方面具有较高语义相似性，现有区域图也难以有效表示二者之间潜在的访问需求关联，导致多模态内容所包含的区域级语义信息未得到充分利用。

技术实现思路

1、针对现有技术存在的上述问题，本发明要解决的技术问题是：如何抑制低可靠或相互冲突的多模态信息对兴趣点表示的干扰，并利用可靠的多模态语义补充稀疏签到轨迹未能揭示的潜在区域联系，以提高下一兴趣点推荐的准确性。

2、为解决上述技术问题，本发明采用如下技术方案：

3、一种基于可靠性引导多模态传播的地点推荐方法，包括如下步骤：

4、s1：获取多个用户的历史签到记录以及每个用户对应的兴趣点多模态数据；所述用户的历史签到记录至少包括用户标识、兴趣点标识和签到时间，每个兴趣点多模态数据包括图像、元数据和评论中的至少一种以及该兴趣点的地理坐标；

5、采用视觉编码器对图像进行特征提取得到图像特征，采用文本编码器分别对元数据和评论进行特征提取得到元数据特征和评论特征，所述图像特征、元数据特征和评论特征构成兴趣点的多模态语义特征；所述视觉编码器和文本编码器均采用预训练视觉—语言模型的自有模块，预训练视觉—语言模型为现有技术，如openclip vit-h/14模型；

6、将全部用户构成用户集合，将全部用户对应的所有兴趣点构成兴趣点集合}，其中，m表示用户数量，n表示兴趣点数量；按照签到时间对每个用户的历史签到记录进行排序，得到用户的历史签到序列，表达式如下：

7、

8、其中，表示中任一用户，和分别表示中第j个位置对应的兴趣点p和签到时间t；第j个位置同时也记作第j条签到记录；

9、u的每两条相邻签到记录中的兴趣点时序对构成poi中间转移量，用户u对应的所有poi中间转移量构成u的poi转移序列，表达式如下：

10、

11、其中，表示中的签到记录数量；

12、构建地点推荐模型，所述地点推荐模型包括多元嵌入生成模块和嵌入融合预测模块，所述多元嵌入生成模块用于生成兴趣点嵌入、用户嵌入、区域嵌入和时间嵌入，所述嵌入融合预测模块用于融合各类嵌入并生成下一兴趣点推荐列表；为便于说明，下文采用上标标识嵌入类型，采用下标标识对应的具体对象，其中，上标、、和分别表示用户、兴趣点、区域和时间；用户的最终用户嵌入记为，第i个兴趣点的最终兴趣点嵌入记为，这里有时会以一般兴趣点标识或序列位置处的兴趣点分别作为下标使用，分别记为和，区域的最终区域嵌入记为，自适应时间段的时间嵌入记为；后续描述时用户u在中第个位置对应的四类嵌入分别写作、、和；

13、s2：将所有用户的历史签到记录以及每个用户对应的兴趣点多模态数据作为训练集d；获取d中每个用户对应的poi转移序列，利用所有的poi转移序列构建全局poi转移图；

14、采用门控图神经网络对所述全局poi转移图进行编码，得到每个兴趣点的轨迹分支向量表示；然后利用图神经网络对每个兴趣点的图像特征、元数据特征和评论特征进行编码得到每个兴趣点的各内容分支向量表示；最后将轨迹分支和各内容分支进行加权融合，同时加入轨迹分支残差，得到的兴趣点嵌入；利用证据学习网络估计各兴趣点在不同模态下的不确定性，将所述不确定性转换为可靠性权重，并利用所述可靠性权重削弱低可靠兴趣点在对应模态相似图中的消息传播强度，再采用模态特定的图卷积网络进行编码，得到各兴趣点的内容分支向量表示；根据各分支的不确定性以及不同内容模态之间的一致性和冲突性，自适应确定轨迹分支和各内容分支的融合权重，将各分支向量表示进行加权融合并加入轨迹分支残差，得到兴趣点p的兴趣点嵌入；

15、根据d中所有用户的历史签到记录构建用户历史矩阵，计算u访问兴趣点p的归一化访问频率，所述在中的第u行第p列，的表达式如下：

16、

17、其中，表示用户u在d中访问兴趣点p的次数，p′表示用于求和的兴趣点，ε表示防止分母为零的正数；

18、根据所述确定用户u访问过的兴趣点集合，将用户u的用户标识转换为基础用户嵌入；

19、将所述基础用户嵌入作为查询向量，以集合中经过可靠性引导融合得到的兴趣点嵌入作为键向量和值向量，通过多头缩放点积注意力提取用户u的多个意图表示，并将所有意图表示与基础用户嵌入进行残差融合，得到用户嵌入；

20、所述可靠性引导融合是指根据兴趣点在各内容模态下的模态不确定性确定对应的模态可靠性权重，利用所述模态可靠性权重对对应模态相似图中的消息传播强度进行校准，并根据轨迹分支和各内容分支的分支不确定性以及不同内容模态之间的一致性和冲突性确定各分支的融合权重；

21、所述多头缩放点积注意力是指采用多头注意力机制分别在多个意图子空间内对所述基础用户嵌入、兴趣点嵌入进行线性投影，得到各意图头对应的查询向量、键向量和值向量，将查询向量与键向量的点积除以对应意图子空间维度的平方根，并对所得结果进行归一化，得到兴趣点注意力权重，根据所述兴趣点注意力权重对值向量进行加权聚合，得到各意图头对应的意图表示，二者均为现有技术；具体实施时，意图头数量k为大于1的整数，本实施方法中；

22、基于所有兴趣点的地理坐标采用k-means算法将全部兴趣点划分为多个区域构成区域集合，并建立兴趣点到区域的映射；d中每个用户对应的poi转移序列中的兴趣点均映射至各自所属区域得到区域转移序列，并根据d中全部相邻兴趣点签到记录对应的区域转移序列构建区域转移图；

23、对同一区域内经过可靠性引导融合得到的所有进行聚合，得到该区域的区域语义表示；根据区域语义相似度、区域中心之间的地理距离以及区域之间历史转移次数的稀疏程度构建区域语义补偿边，将所述区域语义补偿边加入区域转移图，并采用门控图神经网络进行编码得到某个区域的区域嵌入；

24、根据签到时间所属的工作日或周末类型，将一天划分为多个基础时间片，并依据不同基础时间片的兴趣点类别访问分布，通过动态规划将相邻基础时间片合并为多个自适应时间段；将兴趣点签到时间映射为所属自适应时间段的归一化中心值，再采用time2vec进行编码，得到对应兴趣点的时间嵌入；

25、s3：将p划分为包含多个区域的区域集合r并建立兴趣点到区域的映射；基于签到时间建立签到时间到自适应时间段的映射，对于用户的历史签到序列中的第条签到记录，利用兴趣点到区域的映射和签到时间到自适应时间段的映射，分别确定其所属区域及自适应时间段，表达式如下：

26、

27、其中，表示兴趣点到区域的映射，表示签到时间到自适应时间段的映射；

28、s4：将第条签到记录对应的兴趣点嵌入、用户嵌入、区域嵌入和时间嵌入进行拼接，并对拼接结果进行线性投影和非线性激活，得到序列输入向量：

29、

30、其中，和分别表示序列输入融合投影权重矩阵和偏置向量；

31、遍历用户u的所有签到记录得到每条签到记录对应的序列输入向量，所有的序列输入向量构成u的序列输入向量集；

32、然后将输入transformer编码器，得到对应的序列隐状态，其中，截止第条签到记录的序列位置对应的序列隐状态为；

33、s5：基于分别预测下一访问区域概率分布和下一自适应时间段概率分布，将和分别投影为区域提示向量和时间提示向量，并将、和进行融合，然后以残差形式更新，得到更新后的序列隐状态；

34、将输入兴趣点解码器，所述兴趣点解码器为一个全连接层，全连接层为现有技术，得到p中每个兴趣点分别作为下一个poi的候选兴趣点对应的预测分数；

35、根据用户u访问过的兴趣点构建历史访问指示向量，并根据计算历史偏好门控系数，利用和历史访问指示向量对用户u历史访问过的候选兴趣点的预测分数进行自适应调整，将调整后的预测分数作为候选兴趣点的最终预测分数；

36、s6：构建的总损失函数，将d作为输入，利用对进行训练，通过梯度下降反向传播更新的参数，当训练达到最大迭代次数或损失函数收敛时停止训练，得到训练好的；

37、s7：获取待预测用户的历史签到序列，将所述待预测用户的历史签到序列输入训练完成的地点推荐模型，生成全部候选兴趣点的预测分数，并选择预测分数最高的预设数量的兴趣点作为所述待预测用户的下一兴趣点推荐列表。

38、作为优选，所述s2中得到的兴趣点嵌入的步骤如下：

39、定义第i个兴趣点的图像、元数据和评论构成的内容模态集合；

40、其中，对于任一内容模态，将在下的语义特征记为，采用内容模态可用性指示变量表示是否具有的数据，即当兴趣点具有内容模态的数据时，令，否则令；

41、根据与其余任一兴趣点之间的非负余弦相似度构建在内容模态o下对应的模态相似图，对于图像、元数据和评论中的每一种内容模态，以所述兴趣点集合中的兴趣点为节点，根据不同兴趣点在该内容模态下的语义特征相似度确定节点之间的边及其初始边权，构建该内容模态对应的模态相似图；的表达式如下：

42、

43、其中，i′表示第i′个兴趣点，cos(·,·)表示余弦相似度，表示取z与0中的较大值；特别的，当兴趣点或兴趣点缺少内容模态o的数据时，对应的模态相似图中元素置为0；

44、针对每个分别设置证据重构网络，所述包括两层多层感知机和参数投影层；多层感知机为现有技术，参数投影层使用的全连接层，可将多层感知机的输出一次性投影为4组参数；将输入对应的中按照如下表达式表示：

45、

46、其中，表示对的重构结果，、和为均表示正态-逆伽马分布的参数；这些用于表征的预测不确定性；

47、根据计算在o下的模态不确定性，表达式如下：

48、

49、其中，d表示模态语义特征的维度索引，表示在d维度下的值，表示对全部特征维度求平均；第一平方根项表示模态语义特征的内在不确定性，第二平方根项表示由证据强度调节的重构不确定性，模态不确定性越大，表示兴趣点在内容模态o下的可靠性越低；

50、将转换为模态可靠性权重：

51、

52、采用相同方法计算的对应模态的可靠性权重，然后利用对模态相似图的元素进行可靠性校准，表达式如下：

53、

54、其中，表示可靠性校准后的模态相似图元素；由此使模态可靠性越低的兴趣点在模态传播过程中向其他兴趣点传递的信息越少；

55、在中加入单位矩阵i所表示的自环，并进行行归一化得到，所述自环是指自环是指模态相似图中的兴趣点节点与该兴趣点节点自身之间的连接边，用于使各兴趣点在聚合相邻兴趣点信息的同时保留自身的模态语义特征，的表达式如下：

56、

57、其中，表示对角矩阵，的第i’’个对角元素等于矩阵第i’’行全部元素之和；

58、将和输入o对应的图卷积网络，所述图卷积网络为现有技术，如基于邻接矩阵进行一阶邻域信息聚合的两层gcn网络，得到的各内容分支向量表示；

59、根据d中每个用户的poi转移序列构建全局poi转移图，采用门控图神经网络对进行编码得到每个兴趣点的轨迹分支向量表示，其中，的轨迹分支向量表示为；

60、定义所有兴趣点的轨迹分支、图像分支、元数据分支和评论分支构成分支集合，表达式如下：

61、

62、其中，表示分支集合；在分支类型下的分支向量表示记为；

63、对于，令，并将设置为可训练标量；

64、对于任一内容模态 ，将其对应的内容分支类型记为，并令该内容分支的可用性指示变量，分支不确定性 ；

65、所以的可用分支集合定义为：

66、

67、所述可用分支是指兴趣点具备对应的模态的数据，比如兴趣点有图像数据，则图像分支可用；因为有的兴趣点会缺失图片或者评论等多模态数据，将的每种模态对应的可用分支不确定性组成不确定性向量，表达式如下：

68、

69、然后根据各可用分支不确定性及其对应向量计算基础融合对数分数，表达式如下：

70、

71、其中，mean(·)和std(·)分别表示均值运算和标准差运算，ε表示用于保证数值稳定性的正数；特别的，对于缺失的内容分支，在归一化前将其基础融合对数分数设置为负无穷；

72、将的可用内容模态集合定义为，表达式如下：

73、

74、对于的任意两个可用内容模态，计算的跨模态相似度，表达式如下：

75、

76、对于任一内容模态，根据该内容模态与其他可用内容模态之间的跨模态相似度，分别计算一致性得分和冲突性得分：

77、

78、其中，表示对其他可用内容模态求平均；其中，公式中有序数对的第一项表示跨模态相似度正值部分的平均值，作为一致性得分；第二项表示跨模态相似度负值部分绝对值的平均值，作为冲突性得分；当不存在其他可用内容模态时，将一致性得分和冲突性得分均设置为0；

79、根据一致性得分和冲突性得分计算内容分支的校准项，表达式如下：

80、

81、其中，和分别表示一致性校准系数和冲突性校准系数；

82、对于任一可用分支类型，将兴趣点在该分支下的校准项记为；当时，将作为对应的内容模态索引，令；当时，令；

83、将对应的进行掩码和softmax归一化得到基础融合概率，表达式如下：

84、

85、其中，表示以自然常数为底的指数函数，k′表示用于求和的可用分支索引；

86、根据计算兴趣点的归一化融合熵，表达式如下：

87、

88、其中，当时，将设置为0；

89、根据归一化融合熵计算一致性-冲突校准强度，表达式如下：

90、

91、其中，σ(·)表示sigmoid函数，sg(·)表示停止梯度操作，和分别表示校准斜率参数和校准中心参数；基础融合的不确定性越高，一致性-冲突校准对分支融合的调节强度越大；

92、对于任一可用分支，计算其最终融合对数分数，表达式如下：

93、

94、并根据所述最终融合对数分数计算分支融合权重：

95、

96、根据各可用分支的分支融合权重，对轨迹分支向量表示和各内容分支向量表示进行加权融合，并加入轨迹分支残差，得到兴趣点的兴趣点嵌入，表达式如下：

97、

98、其中，表示兴趣点在k下的分支向量表示，表示融合投影权重矩阵，tanh(·)表示双曲正切激活函数。计算所得兴趣点嵌入会用于后续的区域语义补偿、用户偏好建模和签到序列编码。

99、作为优选，所述s2中得到用户u的用户嵌入的步骤包括：

100、根据用户集合中的用户数量和预设用户嵌入维度，构建用户嵌入矩阵并进行随机初始化：

101、

102、其中，用户嵌入矩阵的每一行与一个用户标识对应；

103、根据用户u的用户标识从中查询得到基础用户嵌入，表达式如下：

104、

105、其中，u表示用户集合，|u|表示用户数量；表示用户嵌入矩阵中与用户u对应的行向量；

106、根据确定u在d中访问过的兴趣点集合；用户历史矩阵y在本步骤中用于确定用户u是否访问过对应兴趣点；

107、设置个意图头，每个意图头对应一个意图子空间，并将每个意图子空间的维度设置为：

108、

109、其中，k表示意图头数量，表示意图头索引，表示第个意图子空间的维度；所述用户嵌入维度能够被意图头数量k整除；

110、对于第个意图头，将基础用户嵌入投影为注意力查询向量，将前述得到的分别投影为键向量和值向量，表达式如下：

111、

112、

113、

114、其中，、和分别表示第个意图头对应的查询投影权重矩阵、键投影权重矩阵和值投影权重矩阵；

115、所述可靠性校准通过直接采用前述生成兴趣点嵌入的过程实现；所述兴趣点嵌入已经根据模态不确定性、模态可靠性以及跨模态一致性和冲突性完成传播与融合校准，无需采用额外的可靠性校准工具；

116、在用户访问过的兴趣点集合内，根据缩放点积注意力方法计算第个意图头分配给兴趣点的注意力权重，缩放点积注意力方法为现有技术，的表达式为：

117、

118、其中，表示用户u访问过的且用于归一化求和的兴趣点，表示向量转置，exp(·)表示以自然常数为底的指数函数，表示第g个意图子空间的维度，表示注意力缩放因子，用于避免查询向量与键向量的点积随意图子空间维度增大而产生过大的数值；

119、根据所述注意力权重，对用户访问过的兴趣点对应的值向量进行加权聚合，得到第个意图头对应的意图表示，表达式如下：

120、

121、其中，表示u在第个意图子空间意图表示，反应了用户u在第个意图子空间内的用户偏好；

122、将u的所有意图头对应的意图表示按照意图头顺序进行拼接，得到用户的多意图偏好表示，表达式如下：

123、

124、其中，[;]表示向量拼接；各意图表示采用拼接而非直接求和，以保留不同意图子空间分别学习到的用户偏好信息；

125、将与进行残差相加，并通过线性投影和非线性激活得到最终的用户嵌入，表达式如下：

126、

127、其中，和分别表示u的用户偏好融合权重矩阵和偏置向量，leakyrelu(·)表示带泄漏修正线性单元激活函数，表示基础用户偏好与多意图历史偏好之间的残差融合。所得用户嵌入在同一用户的各签到序列位置之间共享，用于表示根据训练历史归纳得到的稳定多意图偏好；对于历史签到序列中的第j个预测位置，transformer编码器通过因果注意力掩码仅编码该位置之前的签到记录，以提取随轨迹前缀变化的顺序依赖，从而将稳定用户偏好与动态签到序列偏好相结合。

128、作为优选，所述s2中得到区域r的区域嵌入的步骤包括：

129、基于兴趣点的地理坐标，采用k-means算法将p划分为包含多个区域的区域集合r，并建立兴趣点到区域的映射矩阵；在一种实施方式中，区域数量为300；

130、将每个用户的poi转移序列中的兴趣点通过映射至每个poi所属的区域，然后根据全部相邻兴趣点之间的区域转移构建区域转移图；通过矩阵形式展示任意相邻两个兴趣点之间的转移关系，对于任意两个区域，将所有用户出现从区域r转移至区域r′的次数记为，然后计算区域之间的转移权重，计算公式如下：

131、

132、其中，表示区域转移边权重，r̃表示用于求和的源区域；ε表示防止分母为零的正数；分母的意思为表示指向区域r′的转移总次数；

133、将属于r的兴趣点构成r对应的区域兴趣点集合，表达式如下：

134、

135、对内的所有兴趣点嵌入进行聚合，得到区域r的区域语义表示，表达式如下：

136、

137、其中，norm(·)表示l2归一化，表示区域r中的兴趣点数量；

138、计算区域r与区域r′之间的区域语义相似度及其非负形式，表达式如下：

139、

140、

141、其中，表示向量转置；主要用于展示候选区域语义补偿边的基础权重情况；

142、进行区域语义补偿边筛选，步骤如下：将r与r′的中心点之间的地理距离记为，将两个方向的区域转移次数之和记为历史转移频率；

143、根据和分别计算距离补偿因子和转移稀疏补偿因子，表达式如下：

144、

145、

146、其中，表示将输入值限制在区间内；当时输出0，当 时输出，当 时输出1，表示不进行远距离补偿的地理距离阈值，表示地理距离归一化参考值，n̄表示区域转移强度归一化参考值；所述三个参数根据训练集中的区域距离和区域转移统计数据确定，地理距离越大，越大，历史转移次数越少，越大；

147、接着计算区域r与区域r′之间的语义补偿权重，表达式如下：

148、

149、根据区域语义相似度筛选区域语义补偿边得到区域语义补偿边集合，表达式如下：

150、

151、其中，表示区域语义相似度阈值，在一种实施方式中，，且距离补偿因子和转移稀疏补偿因子仅用于调整具有正语义相似度的区域对的权重，不单独产生区域语义补偿边；

152、将全部兴趣点嵌入，按照、、和区域语义补偿边筛选步骤，重新构建区域语义补偿边集合；将设置为双向边得到，并将与区域转移图中的区域转移边进行拼接，得到融合区域图，表达式如下：

153、

154、

155、其中，表示区域转移边集合，表示拼接操作，表示融合区域图，采用门控图神经网络对所述融合区域图进行编码，得到区域r的区域嵌入。

156、作为优选，所述s2中得到签到时间t对应的时间嵌入的步骤包括：

157、将签到时间划分为工作日和周末两种日类型，对于任一签到时间t，采用日类型指示变量表示签到时间所属的日类型，且当时表示工作日，当时表示周末；

158、将一天均匀划分为个基础时间片，所述基础时间片采用从0开始的索引标识，在一种实施方式中，，每个基础时间片的长度为20分钟；所以，t所属的基础时间片索引表示为，表达式如下：

159、

160、其中，h(t)和m(t)分别表示签到时间t的小时数和分钟数，表示向下取整，；

161、定义全部兴趣点所属类别构成的类别集合为，表达式如下：

162、

163、对于某日类型下的第ι个基础时间片，将兴趣点类别为c的签到记录数量记为，然后计算该基础时间片的兴趣点类别访问分布，计算公式如下：

164、

165、其中，表示向量转置，0表示维度为的零向量；

166、对工作日和周末分别将个基础时间片划分为个连续的自适应时间段，并采用如下形式表示日类型对应的自适应时间段边界：

167、

168、其中，定义表示自适应时间段索引，即某个自适应时间段索引表达为，且各边界均为基础时间片的整数索引；在一种实施方式中，工作日和周末分别划分为个自适应时间段；

169、对于由边界和限定的第个自适应时间段，计算该时间段的平均类别访问分布，表达式如下：

170、；

171、采用动态规划逐步比较不同的相邻基础时间片合并方式，并选择各基础时间片的类别访问分布与其所属时间段的平均类别访问分布之间的平方差总和最小的合并方式，以确定各自适应时间段的边界，计算公式如下：

172、

173、其中，表示向量各维度差值的平方和，表示使目标函数取得最小值的自适应时间段边界；从而使同一自适应时间段内各基础时间片的类别访问分布相对于该时间段平均类别访问分布的平方离差之和最小；

174、建立签到时间到自适应时间段的映射；对于签到时间t，当t的基础时间片索引满足时，将该自适应时间段的归一化中心值作为t的自适应时间映射结果，表达式如下：

175、

176、其中，表示签到时间t对应的自适应时间段；工作日和周末分别采用各自通过动态规划得到的时间段边界；

177、采用time2vec将进行编码得到时间嵌入，表达式如下：

178、

179、其中，表示时间嵌入维度；下标0对应一条用于保持时间整体变化趋势的线性分量，下标1至对应条用于刻画周期变化的正弦分量，因而各分量的下标范围为0至；、、…、和、、…、分别表示频率系数和偏置。所述自适应时间段划分使类别访问分布相近的相邻基础时间片共享同一归一化中心值，在保留时间先后顺序的同时，减少固定等长时间片对实际访问节律的过度切分；所得时间嵌入表示也可表示为，是用于与对应的兴趣点嵌入、用户嵌入和区域嵌入共同构成签到序列位置的输入。

180、作为优选，所述s5中，更新序列隐状态并得到候选兴趣点的最终预测分数的步骤如下：

181、将区域和自适应时间段构成的辅助预测目标集合表示为：

182、

183、对于任一辅助预测目标，计算对应的预测概率分布：

184、

185、其中，当s=reg时，表示下一访问区域在区域集合r上的预测概率分布；当s=time时，表示下一自适应时间段在自适应时间段集合t上的预测概率分布；和分别表示辅助预测目标s对应的分类权重矩阵和偏置向量；

186、对于输入向量z，所述softmax函数的第l个输出元素表示为：

187、

188、其中，l′表示用于归一化求和的区域索引或自适应时间段索引；

189、将下一访问区域概率分布和下一自适应时间段概率分布分别投影为区域提示向量和时间提示向量：

190、

191、

192、其中，和分别表示通过模型训练得到的区域提示投影矩阵和时间提示投影矩阵；区域提示向量表示下一访问位置的空间区域倾向，时间提示向量表示下一访问位置的自适应时间倾向；

193、将序列隐状态、区域提示向量和时间提示向量进行拼接，并通过提示融合多层感知机进行融合，以残差形式更新序列隐状态得到更新后的序列隐状态：

194、

195、其中，[;]表示向量拼接，表示通过模型训练得到的提示融合多层感知机，表示融合区域预测信息和时间预测信息后更新的序列隐状态；所述残差更新使区域预测结果和时间预测结果直接参与下一兴趣点排序；

196、将输入兴趣点解码器，得到兴趣点集合p中全部候选兴趣点的初始预测分数：

197、

198、其中，，预测分数向量的第p个元素表示候选兴趣点p成为用户u在第j个序列位置之后访问的下一兴趣点的初始预测分数；和分别表示兴趣点解码器的权重矩阵和偏置向量；

199、根据用户u在训练集中访问过的兴趣点构建历史访问指示向量：

200、

201、

202、其中，表示用户u在训练集中访问过的兴趣点集合；仅采用训练集构建历史访问指示向量，以防止验证集或测试集中的签到信息泄漏至模型；

203、根据计算第j个序列位置的历史偏好门控系数：

204、

205、其中，表示sigmoid函数，；和分别表示通过模型训练得到的历史偏好门控权重向量和偏置；历史偏好门控系数用于根据当前序列状态确定历史重复访问偏好对候选兴趣点预测分数的影响强度；

206、对施加随机掩码：

207、

208、

209、

210、其中，⊙表示逐元素乘法，表示随机掩码向量，bernoulli(0.6)表示取值为1的概率为0.6的伯努利分布；所述随机掩码用于降低模型在训练过程中对重复访问兴趣点的过度依赖；

211、利用历史偏好门控系数对候选兴趣点的预测分数进行调整：

212、

213、等价地，对于任一候选兴趣点，调整后的预测分数表示为：

214、

215、其中，表示历史偏好缩放系数；当候选兴趣点p为用户u历史访问过的兴趣点时，根据当前序列状态对应的历史偏好门控系数调节该候选兴趣点的预测分数，当候选兴趣点p未被用户u访问过时，不施加历史偏好调整，从而在重复访问偏好和新兴趣点探索之间进行自适应平衡；

216、将调整后的预测分数作为最终的候选兴趣点预测分数。

217、作为优选，所述s6中构建的总损失函数的步骤如下：

218、分别构建下一兴趣点预测损失、下一访问区域预测损失、下一自适应时间段预测损失和证据学习损失，过程如下：

219、对于用户u的历史签到序列中的第j个有效预测位置，将后一条实际签到记录对应的兴趣点作为下一兴趣点监督标签，并将其所属区域和对应的自适应时间段分别作为下一访问区域监督标签和下一自适应时间段监督标签；

220、根据候选兴趣点预测分数与下一兴趣点监督标签，计算下一兴趣点预测的交叉熵损失：

221、

222、其中，表示对训练集中全部有效预测位置求平均，表示实际下一兴趣点对应的预测分数，p表示用于归一化求和的候选兴趣点；

223、根据与计算下一访问区域预测的交叉熵损失：

224、

225、其中，表示下一访问区域概率分布中实际下一访问区域对应的概率；

226、根据与计算下一自适应时间段预测的交叉熵损失：

227、

228、其中，表示下一自适应时间段概率分布中实际下一自适应时间段对应的概率；

229、根据各内容模态对应的证据重构网络，分别计算内容模态o的正态-逆伽马负对数似然损失和证据正则损失，并将各内容模态的损失进行组合，得到证据学习损失：

230、

231、其中，和分别表示两个损失项的非负权重；在一种实施方式中，，；用于使证据重构网络输出的正态-逆伽马预测分布拟合内容模态o的原始模态语义特征，用于在模态语义特征的重构误差较大时抑制证据强度，避免模型对不准确的重构结果产生过高置信度；

232、利用、、和得到地点推荐模型的总损失函数：

233、

234、其中，表示用于平衡三个预测目标与证据学习目标的证据学习损失权重。在一种实施方式中，。

235、相对于现有技术，本发明至少具有如下优点：

236、（1）本发明利用证据不确定性估计不同兴趣点在各内容模态下的可靠程度，并据此调节模态相似图中的消息传播强度，同时结合跨模态一致性与冲突性校准轨迹分支和各内容分支的融合权重。由此能够抑制低可靠或相互冲突的多模态信息在传播和融合过程中产生的干扰，提高兴趣点表示的可靠性。

237、（2）本发明基于可靠性校准后的兴趣点表示生成区域语义表示，并综合区域语义相似度、地理距离和历史转移稀疏程度构建区域语义补偿边。由此能够补充稀疏历史签到轨迹未能揭示的潜在区域联系，为下一兴趣点预测提供更完整的区域空间上下文。

238、（3）本发明融合用户多意图偏好、区域表示和自适应时间表示，并将预测的区域和时间分布作为提示反馈至兴趣点排序，同时利用历史偏好门控调节候选兴趣点分数。由此能够更准确地刻画用户当前移动意图，在重复访问偏好与新兴趣点探索之间进行自适应平衡，提高下一兴趣点推荐的准确性。