一种基于社交时空信息与用户偏好的连续兴趣点推荐方法

技术特征：
1.一种基于社交时空信息与用户偏好的连续兴趣点推荐方法，其特征在于，包括：获取用户签到序列中用户的长期偏好特征和短期偏好特征；统计每个用户签到序列数据集中所有兴趣点的经纬度信息，使用haversine函数计算每两个兴趣点之间的实际物理距离；设定距离阈值，根据各所述实际地理距离构建邻接矩阵，通过邻接矩阵获取每个兴趣点的邻居集合；遍历每个兴趣点的邻居集合，分别计算每个兴趣点和邻居节点之间的注意力系数和距离系数，对应聚合为每个兴趣点的地理空间特征；获取所述用户签到序列中每个位置上的用户社交信息特征；将所述长期偏好特征、所述短期偏好特征、所述地理空间特征以及所述用户社交信息特征进行相加融合成为多语义特征，并输入至推荐模型中，生成符合用户喜好的兴趣点推荐列表。2.如权利要求1所述的方法，其特征在于，所述获取用户签到序列中用户的长期偏好特征和短期偏好特征，包括：通过多头注意力机制对输入的所述用户签到序列进行特征提取，从多个子空间学习到用户的长期偏好特征；通过循环神经网络rnn对输入的所述用户签到序列进行特征提取，对用户的近期签到行为进行建模，学习到用户的短期偏好特征。3.如权利要求1所述的方法，其特征在于，所述遍历每个兴趣点的邻居集合，分别计算每个兴趣点和邻居节点之间的注意力系数和距离系数，对应聚合为每个兴趣点的地理空间特征，包括：获取目标兴趣点的初始特征以及目标兴趣点的邻居集合；从所述邻居集合中依次获取一个兴趣点，依次计算获取的兴趣点与目标兴趣点之间的注意力系数：其中，s
ij
为注意力打分机制，通过打分函数计算两点之间的相关性，得出一个分数，再使用softmax对分数进行归一化；a(
·
,
·
)表示的相似度计算函数，w表示可训练的参数矩阵，h
j
是节点j的特征；表示的是兴趣点i的邻居兴趣点集合；依次计算获取的兴趣点与目标兴趣点之间的距离系数：依次计算获取的兴趣点与目标兴趣点之间的距离系数：其中，d(i,j)表示的是两个兴趣点之间的距离；根据每次计算得到的所述注意力系数和所述距离系数更新目标兴趣点的特征：遍历所述邻居集合后，根据目标兴趣点的位置信息，构造所述目标兴趣点的地理空间特征向量；并构造每个兴趣点的地理空间特征4.如权利要求1所述的方法，其特征在于，所述获取所述用户签到序列中每个位置上的
用户社交信息特征，包括：根据不同用户的兴趣信息之间的偏好关联关系，构建社交网络图；通过所述社交网络图获取用户的相似矩阵；根据所述相似矩阵获取对应的邻居用户集，并采用随机邻居采样算法从所述邻居用户集中进行特征提取；将提取的特征增加至目标用户，构成用户社交信息特征。5.如权利要求4所述的方法，其特征在于，所述偏好关联关系采用类杰卡德相似度表示；所述类杰卡德相似度公式为：若所述类杰卡德相似度大于用户相似度阈值δ，则判断对应的两个用户之间存在偏好关联。6.如权利要求1所述的方法，其特征在于，所述将所述长期偏好特征、所述短期偏好特征、所述地理空间特征以及所述用户社交信息特征进行相加融合成为多语义特征，并输入至推荐模型中，生成符合用户喜好的兴趣点推荐列表，包括：将所述长期偏好特征、所述短期偏好特征、所述地理空间特征以及所述用户社交信息特征的特征向量信息进行拼接，生成兴趣点元数据；基于所述兴趣点元数据计算下一个兴趣点的候选集的概率分布；选取候选集中概率最大的前k个作为用户喜好的兴趣点推荐列表。7.如权利要求6所述的方法，其特征在于，所述兴趣点的候选集包括类别候选集和地点候选集。8.如权利要求1所述的方法，其特征在于，在所述获取用户签到序列中用户的长期偏好特征和短期偏好特征之前，还包括：将用户签到序列中多模态的标量信息转化为低维稠密的多模态的特征向量信息。9.一种基于社交时空信息与用户偏好的连续兴趣点推荐系统，其特征在于，包括：用户偏好追踪模块，利用循环神经网络rnn和多头注意力机制来对用户历史签到序列进行分析处理，获取用户签到序列中用户的长期偏好特征和短期偏好特征；地理距离感知模块，利用图神经网络gnn获取所述用户签到序列中每个位置上的地理空间特征；社交信息影响模块，使用随机邻居采样算法来从用户的社交网络图中进行特征提取，获取所述用户签到序列中每个位置上的用户社交信息特征；候选集预测模块，用于根据所述用户偏好追踪模块、所述地理距离感知模块以及所述社交信息影响模块所获得的特征信息，进行相加融合成为多语义特征，并输入至推荐模型中，生成符合用户喜好的兴趣点推荐列表。

技术总结
本发明公开了一种基于社交时空信息与用户偏好的连续兴趣点推荐方法及系统。该方法包括：获取用户签到序列中用户的长期偏好特征和短期偏好特征；获取用户签到序列中每个位置上的地理空间特征；获取用户签到序列中每个位置上的用户社交信息特征；将长期偏好特征、短期偏好特征、地理空间特征以及用户社交信息特征进行相加融合成为多语义特征，并输入至推荐模型中，生成符合用户喜好的兴趣点推荐列表。解决了签到数据稀疏性，元信息利用广度不足和冷用户推荐不准确的技术问题，实现对用户签到序列进行了层次化特征提取，增加了地理空间特征，增强了用户社交信息特征，全面学习用户的行为特点，准确推荐的下一个兴趣点，优化用户的使用感受。的使用感受。的使用感受。


技术研发人员：李玉华 吴君壮 李瑞轩 辜希武
受保护的技术使用者：华中科技大学
技术研发日：2022.08.11
技术公布日：2022/12/1