CN119441636A 一种基于超图神经网络和扩散模型的地点推 荐方法 （重庆大学）

一种基于超图神经网络和扩散模型的地点本发明涉及一种基于超图神经网络和扩散Transformer网络，增强的扩散模型更适合于推练好的兴趣点推荐模型用于对新用户推荐下一2其中，r表示超边中POI的签到次数，n表示在滑动窗口下POIGc计算POI类别的意图表征Xc；再通过Xv和Xc计算每条轨迹序列对应的初步用户意图表征采用多维特征融合网络得到每条轨迹序列对应的最终用将每个用户的轨迹序列分割为以24小时为界限的短轨迹，基于所有针对代表用户这条轨迹的超边e∈Etra,它的度为该超边连接的节点数，表示了用户轨迹覆盖的地点数量，因此其表示为d(e)=zvenmah(v,e),所有超边的度构成对角超边度矩阵d(v)=zvevrrwrah(v,e):所有节点的度构成对角节点度矩阵Dtrav；构造一个基于空间阈值的全局空间超图，并利用HaversineFormula计算了点间的空3最后，通过嵌入层根据用户ID嵌入用户表征xusereRldrl,然后融合入Xg、Xtem、Xspa和temS3：特征优化模块中使用改进的扩散模型得到dif与Xglobel和Xl进行相加得到每条轨迹序列对应的综合表征Xfinal：S5：在频域学习层将Xfinal转换到频域后得到序列表示并对F进行编码得到Fez将Fez作为在线性预测层的输入，输出为预测的每条轨迹序列对应的用户的下一个兴趣点兴趣点的访问时间和兴趣点的类别2.如权利要求1所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在l的过程如下：对于POI超图采用双阶段信息传递聚合计算方法计算POI的意图对数据集中的POI地点进行浅层神经网络的嵌入，通过一个嵌入层E将输入的POI地点映射成一个维度为dτ的嵌入向量Xn，同时通过如下公式对超边的表征初始化得到超边初始pp其中为一个特征变换矩阵，使用了LeakyReLU为激活函数，并且使用其中E(v)是包含所有POI点v的超边集合，为一个特征变换矩阵，使用了4通过N层超图卷积计算，初步获得对POI地点和POI类别的意图表征，然后将两者相连xe)(5)采用基于反向位置编码的软注意机制对一个用户轨迹序列中各个POI的重要性进行建其中w3eR2dr为一个特征变换矩阵，W,weR2dr*2dr为一个特征变换矩阵,wseR2drx3dr为一个特征变换矩阵,b1eR23.如权利要求2所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在4.如权利要求3所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在f的过程为：V|的地点集嵌入到维度为d的特征空间中，此时输入超图神经网络第一层的地点嵌入为然后全局超图卷积网络的运作机制如下：其中代表着全局短轨迹交互超图第k+1层的地点嵌入向量；Htra是超tra使用三个可学习权重矩阵去学习查询向量Q，55.如权利要求4所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在dif的过程如下：先对局部轨迹意图表征Xf进行特征归一化得到环,具体实现如公式(15)所示；随机选择一组扩散步数SST,然后在每一个扩散步t进行高斯噪声采样设置waeg",",表示用于执行维度变换的可训练参数并将Erex.作为时间嵌6"是扩散globel和fθ;式(20)所示；由此得到的结果是通过扩散恢复的融合了全局特征的扩散增强的意图表征而6.如权利要求5所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在给定可学习矩阵MC,频域学习建模为:77.如权利要求6所述的一种基于超图神经网络和扩散模型的地点推荐方法，其特征在8[0002]随着基于位置的社交网络(LBSNs)的发展及其应用程序使用量的激增，用户的签些模型旨在通过分析签到历史来揭示用户的访问习惯。下一个POI推荐的主要目标是为用效捕获用户轨迹中的长期周期和短期特征，并从轨迹中提取关键信息，递归神经网络之间的相互作用并建模复杂关系，许多GNN方法或超图神经网络(HGNN)方法被用来描述在较短时间和特定空间区域内的移动行为通常具有相似的模式，但在不同的时空区域之9点类别的集合，Ep和Ec分别代表Gp和Gc中超边的集合，表示两种超图的加权关联矩阵HPE和的定义如下：[0015]其中，关联矩阵中元素为1的实际意义为该行代表的地点出现在该列代表的短轨迹覆盖的地点数量，因此其表示为d(e)=zvevnmh(v,e),所有超边的度构成对角超边度矩d(v)=zvevmawrah(v,e)。所有节点的度构成对角节点度矩阵Dtrav。g[0020]构造一个基于空间阈值的全局空间超图，并利用HaversineFormula计算了点间[0022]xiuser)(14)[0025]S4：在聚合层，将Xdif与Xglobel和Xl进行相加得到每条轨迹序列对应的综合表征[0027]S5：在频域学习层将Xfinal转换到频域后得到序列表示F,并对F进行编码得到Fe2,将Fez作为在线性预测层的输入，输出为预测的每条轨迹序列对应的用户的下一个兴趣点间和下一个兴趣点的类别。[0032]对数据集中的POI地点进行浅层神经网络的嵌入，通过一个嵌入层E将输入的POI地点映射成一个维度为dτ的嵌入向量Xn，同时通过如下公式对超边的表征初始化得到超边pp[0037]其中为一个特征变换矩阵，使用了LeakyReLU为激活函数，并且使用x)(5)[0044]采用基于反向位置编码的软注意机制对一个用户轨迹序列中各个POI的重要性进∈R2dr×3dr为一个特征变换矩阵,beR2dr为偏置项,使用了tanh为激活函数。Pt-i+1[0050]其中wsreR2do"do,wgeRdo是一个可以学习的矩阵，Time2Vec是一种时间编码[0052]先对数据集中的地点进行浅层神经网络的嵌入，通过嵌入矩阵将长[0054]其中代表着全局短轨迹交互超图第k+1层的地点嵌入向量。Htra[0056]使用三个可学习权重矩阵去学习查询向并计算噪声数据[0069]设置表示用于执行维度变换的可训练参数并将作为时u()[0104]给定可学习矩阵MC,频域学习建模为:[0115](1)现有的方法往往忽略了用户意图在轨迹内不断变化和复杂的问题，这限制了[0116](2)全局超图表征学习模块通过集成多个超图，有效地解决了现实场景中用户行[0124]在本发明给下一个POI推荐提出了一个新的HGDRec模型，以解决背景技术中提出本发明的模型通过充分考虑用户和POI之间的多维交互关系，来提取用户在这条轨迹上的条轨迹全局视角下的轨迹表征，通过多维特征融合网络融合得到这条轨迹综合的意图表[0126]为了有效地解决现实场景中用户行为模式和时空相关性用户的重复签到来定义超图中的加权关联矩阵，以缓解过去超图学习中的信息的丢失问地点类别的集合，Ep和Ec分别代表Gp和Gc中超边的集合，表示两种超图的加权关联矩阵和的定义如下：的是通过连接同一轨迹中的所有POI地点(或类别)来描述局部轨迹中的pp[0140]得到POI节点和超边的初始化表示后，开始两阶段传播的超图卷积操作。首先是[0142]其中为一个特征变换矩阵，使用了LeakyReLU为激活函数，并且使用[0146]对于POI类别超图采用同样的双阶段信息传递聚合计算方法计算POI类别的意图x)(5)意机制对一个用户轨迹序列中各个POI的重要性进行建模得到位置感知的用户意图表征[0152]其中w3eR2dr为一个特征变换矩阵，W4,为一个特征变换矩阵,WSER2drx3dr为一个特征变换矩阵,beR2dr为偏置项,使用了tanh列的时间和空间模式。对于时间信息，使用Time2Vector方式对轨迹序列中的时间进行编[0156]其中wsreR2do"do,wgeRdo是一个可以学习的矩阵，Time2Vec是一种时间编码[0160]其中，关联矩阵中元素为1的实际意义为该行代表的地点出现在该列代表的短轨迹覆盖的地点数量，因此其表示为d(e)=zved(v)=zvenmawrah(v,e)。所有节点的度构成对角节点度矩阵Dtrav。为d的特征空间中，此时输入超图神经网络第一层的地点嵌入为然后全局超图卷积网[0165]其中代表着全局短轨迹交互超图第k+1层的地点嵌入向量。Htra的所有地点表征进行累加求平均的操作得到全局视角下，该条轨迹的用户边上的所有地点表征进行累加求平均的操作mean(Hfax超图来得到每条轨迹全局视角下的用户意图表征，但是这种方法所得到的特征并不全面。g[0180]构造一个基于空间阈值的全局空间超图，并利用HaversineFormula计算了点间并计算噪声数据[0196]设置weg",",表示用于执行维度变换的可训练参数并将作为时[0208]7)通过公式(17)计算损失Lair:[0230]S4：在聚合层，将Xdif与Xglobel和Xl进行相加得到每条轨迹序列对应的综合表征[0232]S5：在频域学习层将Xfinal转换到频域后得到序列表示F,并对F进行编码得到Fez,将Fez作为在线性预测层的输入，输出为预测的每条轨迹序列对应的用户的下一个兴趣点j[0234]给定可学习矩阵MC,频域学习建模为:间和下一个兴趣点的类别。本发明根据原始论文仔细地调整了超参数。本发明选择了准确率(Acc@k)和平均倒数排名[0264]通过表2可以观察到在NYC和TKY这两个数据集上各模型的性能对比结果，粗体表对于Acc@1这个评价指标，本研究提出的模型在这两个数据集中均取得了次优的结果。与[0265