一种通过移动性上下文感知基于对抗的社交圈推理方法

1.本发明涉及深度学习和社交网络领域，具体涉及移动性上下文感知基于对抗的社交圈推理方法，该方法不仅能够学习移动数据的潜在因素，还考虑了与人类轨迹相关的语义，以一种对抗学习的方式进行更强健灵活的移动和社交圈推理。


背景技术：

2.无线技术和智能设备的快速发展刺激了基于位置的社交网络(lbsn)应用程序的大量涌现(如twitter、instagram、foursquare和yelp)。然而，在真实的lbsns中，由于隐私问题，很难获得任何关于用户身份的明确信息。于是，产生了基于匿名轨迹的社交圈推断(tsci)，通过学习个人用户的移动模式，来推断社会关系。由于其在许多lbsn应用中的重要性，近年来受到了广泛的关注。2017年，yang等人通过发现用户经常访问的地点来衡量用户偏好的相似性，并对社交关系进行预测。duan等人将朋友推荐问题表述为一个细粒度轨迹匹配预测问题，以此来研究社会关系的时空偏好。然而，这些方法仍存在一些问题:(1)缺乏对用户签到的上下文特征的建模；(2)无法捕捉用户运动模式中的结构信息；(3)没有考虑潜在的移动性分布。这些挑战极大的影响着现有解决tsci问题的模型性能和可解释性。


技术实现要素：

3.本发明针对现有技术的弊端，提供一种通过移动性上下文感知基于对抗的社交圈推理方法，利用上下文图从用户签入行为中获取语义轨迹嵌入，以对抗学习的方式解决tsci问题，可以很好地解释人类移动模式，并进一步提高社交圈推断的性能。
4.为了达到上述发明目的，本发明采用以下技术方案实现的：
5.通过移动性上下文感知基于对抗的社交圈推理方法，所述的方法通过结合用户签到的上下文特征、用户运动模式中的结构信息以及用户潜在移动性的分布，同时从用户隐私保护、模型推断性能以及模型可解释性三个方面进行了优化提升。所述方法的具体步骤包括：
6.(1)构建上下文图:输入用户轨迹，根据用户的签到历史数据构建上下文图；
7.(2)嵌入签到信息:通过上下文图的采样轨迹，使用随机游走策略生成一个用于学习签到表示的语义库，在此语义库基础上训练嵌入模型；
8.(3)用户移动模式嵌入:输入轨迹数据，通过融合注意力机制的编码器表示出轨迹的隐藏状态，并通过对抗性的正则化策略来近似隐藏状态的分布，以产生更健壮的轨迹表示；
9.(4)社交圈推断:输入社交网络标签空间，结合推理模块，以最小化真实标签与预测标签之间的成本为目标，优化训练模型并进行测试。
附图说明
10.图1为本发明的模型架构图；
11.图2为本发明的算法示意图；
12.图3为本发明的实验对比图。
具体实施方式
13.下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
14.本发明所述方法由四个算法组成，具体构造过程如下：
15.(1)构建上下文图
16.step1:输入一组用户的轨迹数据序列其中，表示由一个匿名用户产生的历史轨迹，表示一个特定的签到，此外，还要输入此组用户对应的社交圈标签ui，，是社交圈标签空间。
17.step2:令为用户们的签到数据的集合，每一个签到视为图g的一个节点，如果一个用户从一个节点移动到另外一个节点，以及两个任意节点之间的距离不超过1km，则在这两个节点之间构建一条边e，此时图g为构建的上下文图。
18.(2)签到信息嵌入
19.step3:采用随机游走策略根据一组固定长度的轨迹对图g进行采样，生成学习签到表示的语义库。
20.step4:由于签到c的地理位置关联为c
l
，时间关联为c
t
，使用skip-gram算法生成c的地理位置嵌入vg(c
l
)，并通过将访问时间分配到24小时中的一个小时里，以获得c的时间戳嵌入信息v
t
(c
t
)，将vg(c
l
)和v
t
(c
t
)拼接，得到签到嵌入表示vc(c)，
21.step5:将step1中生成的语义库，按照step2的具体方法,得到所有签到的嵌入表示，即再将所有签到信息vc(c)嵌入上下文图g中。
22.(3)用户移动模式嵌入
22.step6:给定一个轨迹令lstm单元的参数集为w和b，令分别为输入门，遗忘门，输出门和存储单元，通过以下公式计算，获取每一个签到c的隐藏状态具体的公式如下：具体的公式如下：
23.step7:通过融合注意力机制的编码器，对轨迹t的隐藏状态进行表示。具体的编码流程如下：编码流程如下：公式(5)和公式(6)可以简化为，
24.step8:利用重构误差迫使状态保留来自轨迹t的潜在信息。具体计算公式如下，
25.step9:构建由参数参数化的生成器由参数ω参数化的判别器f
ω
，并将两者都设置为全连接网络，并选择流行的wasserstein gan(wgan)来训练这两大模块。然后，随机采样一个高斯噪声u～n(0,1)，将其输入生成器，得到～n(0,1)，将其输入生成器，得到
26.step10:计算和和和
27.step12:调整参数，当step12:调整参数，当和三者同时最小时，为最优
28.(3)社交圈推断
29.step13:令社交圈推理模块为上述给定轨迹为t,其真实社交圈标签为u,并通过推理模块获得其对应的社交圈预测标签获得其对应的社交圈预测标签
30.step14:令ε表示交叉熵损失函数，通过调整参数ω，使最小，
31.step15:从和中，依次提取用户ti和对应的社交圈标签ui，重复step4到step14，通过不断训练更新参数θ，φ，ω，ω，输出最终的推理模型


技术特征：
1.通过移动性上下文感知基于对抗的社交圈推理方法，其特征在于：(1)在捕获用户对pois的偏好时，采用图嵌入方式，构建基于用户签到数据的上下文感知信息图，为解决移动数据稀疏问题提供了一个新的视角；(2)在对人类移动模式进行表征时，采用融合注意力机制的轨迹编码器从给定的轨迹数据中提取高度结构化的移动模式，并通过对抗式的正则化策略进行轨迹表征的学习，以避免因轨迹表征的编码空间没有正则化，而导致后续推理过程出现后向塌陷；(3)社交圈推断采用的是基于学习轨迹表征的推断方法，整个学习轨迹表征的过程是一种无监督的对抗式表征学习，可以在保护用户隐私的前提下，充分挖掘出影响人类移动模式的潜在因素，使其具备产生更近似真实数据分布的能力。2.根据权利要求1所述的通过移动性上下文感知基于对抗的社交圈推理方法，其特征在于，所述方法的具体步骤包括：(1)构建上下文图:输入用户轨迹，根据用户的签到历史数据构建上下文图；(2)嵌入签到信息:通过上下文图的采样轨迹，使用随机游走策略生成一个用于学习签到表示的语义库，在此语义库基础上训练嵌入模型；(3)用户移动模式嵌入:输入轨迹数据，通过融合注意力机制的编码器表示出轨迹的隐藏状态，并通过对抗性的正则化策略来近似隐藏状态的分布，以产生更健壮的轨迹表示；(4)社交圈推断:输入社交网络标签空间，结合推理模块，以最小化真实标签与预测标签之间的成本为目标，优化训练模型并进行测试。3.根据权利要求2所述的通过移动性上下文感知基于对抗的社交圈推理方法，其特征在于，所述方法的具体算法包括：(1)构建上下文图step1：输入一组用户的轨迹数据序列其中，其中，表示由一个匿名用户产生的历史轨迹，表示一个特定的签到，此外，还要输入此组用户对应的社交圈标签u
i
，u
i
∈u，是社交圈标签空间；step2：令为用户们的签到数据的集合，每一个签到视为图g的一个节点，如果一个用户从一个节点移动到另外一个节点，以及两个任意节点之间的距离不超过1km，则在这两个节点之间构建一条边e，此时图g为构建的上下文图；(2)签到信息嵌入step3：采用随机游走策略根据一组固定长度的轨迹对图g进行采样，生成学习签到表示的语义库；step4：由于签到c的地理位置关联为c
l
，时间关联为c
t
，使用skip-gram算法生成c的地理位置嵌入v
g
(c
l
)，并通过将访问时间分配到24小时中的一个小时里，以获得c的时间戳嵌入信息v
t
(c
t
)，将v
g
(c
l
)和v
t
(c
t
)拼接，得到签到嵌入表示v
c
(c)，v
c
(c)＝[v
t
(c
t
)，v
g
(c
l
)]，step5：将step1中生成的语义库，按照step2的具体方法，得到所有签到的嵌入表示，即再将所有签到信息v
c
(c)嵌入上下文图g中；(3)用户移动模式嵌入step6：给定一个轨迹令lstm单元的参数集为w和b，令
分别为输入门，遗忘门，输出门和存储单元，通过以下公式计算，获取每一个签到c的隐藏状态具体的公式如下：具体的公式如下：具体的公式如下：step7：通过融合注意力机制的编码器，对轨迹t的隐藏状态进行表示。具体的编码流程如下：如下：step8：利用重构误差迫使状态保留来自轨迹t的潜在信息，为step9：构建由参数参数化的生成器由参数ω参数化的判别器f
ω
，并将两者都设置为全连接网络，并选择流行的wasserstein gan(wgan)来训练这两大模块。然后，随机采样一个高斯噪声u～n(0，1)，将其输入生成器，得到step10：计算和和和step11：调整参数，当和三者同时最小时，为最优(3)社交圈推断step12：令社交圈推理模块为上述给定轨迹为t，其真实社交圈标签为u，u∈u，并通过推理模块获得其对应的社交圈预测标签step13：令ε表示交叉熵损失函数，通过调整参数ω，使最小；step14：从和中，依次提取用户t
i
和对应的社交圈标签u
i
，重复step4到step13，通过不断训练更新参数θ，φ，ω，ω，输出最终的推理模型

技术总结
本发明公开了一种通过移动性上下文感知基于对抗的社交圈推理方法。其特征在于提出了一种新颖的端到端框架ASCI-CAM(Adversity-based Social Circles Inference via Context-Aware Mobility)，用于从用户的移动性数据推断用户的社会关系。ASCI-CAM利用上下文图从用户签到行为中获取语义轨迹嵌入，以对抗学习的方式解决TSCI(Trajectory-based social circle inference)问题，可以很好地解释人类移动模式，与以往方法相比，进一步提高社交圈推理模型的性能和可解释性。在真实公开数据集(Brightkite,Gowalla和Foursquare)上的大量实验评估证明了我们的方法取得的结果的优越性能和可解释性。的优越性能和可解释性。的优越性能和可解释性。


技术研发人员：刘楠 张凤荔 赵芸伟 王瑞锦 高强
受保护的技术使用者：电子科技大学
技术研发日：2022.06.07
技术公布日：2022/8/9