CN115510333B 一种基于时空感知并结合局部和全局偏好的poi预测方法 （重庆大学）

一种基于时空感知并结合局部和全局偏好本发明涉及一种基于时空感知并结合局部特征模块计算用户历史POI轨迹序列的Locu和Glou利用总偏好特征Cu预测得到用户的下一个兴趣点。使用本发明模型可以进一步提高对POI预测2每个用户的历史POI轨迹序列表示为DS表示用户在ts时刻所处的兴所述用户历史POI轨迹按时间顺序排列，所述用户历史POI轨迹序列uu其中，Ah表示特征经过多头注意力后的输出，LN(·)表示神经网络中的层归一化，3S800：遍历训练集中所有的用户历史POI轨迹序列，重复步骤2.如权利要求1所述的一种基于时空感知并结征在于：所述S310中计算每个用户在时空区域上的局部特征向量表示Locu的具体步骤如S311：随机选取一个用户历史POI轨迹序列，并对4b2均表示可学习参数，Softmax表示激活函3.如权利要求2所述的一种基于时空感知并S321：随机选取一个用户历史POI轨迹序列，并将564.如权利要求3所述的一种基于时空感知并结合局部和全S321_1：每个用户的历史轨迹序列为用户历56[0001]本发明涉及POI预测领域，特别涉及一种基于时空感知并结合局部和全局偏好的[0002]随着基于个性化服务平台日益增长，基于位置的社交网络(LBSNs)如Foursquare和Brightkite已经成为一个大众喜爱的社交平台，用户在社交平台留下大量的签入POI,[0008]所述用户历史POI轨迹按时间顺序排列，所述用户历史POI轨迹序列包括用户标7u,posu,negu,posu,neg8[0036]其中，表示用户在访问地点i和地点j之间的j表示在地点j的时间戳；[0040]S312：根据时间间隔和地理距离划分该用户历史POI轨迹序列得到时空区域集9[0054]此方法可以有效挖掘时空区域子序列中地点自身的特征和其周围关联地点的信TE=tanh(w·T):(13)和b6表示可学习参数；[0068]该方法关注用户动态序列即全局特征可以有效捕获用户行为随时间变化的动态[0079]1.本发明公开了一种基于时空感知并[0091]本发明公开了基于时空感知的基础上，结合局部和全局偏好，用于下一个POI预[0094]所述用户历史POI轨迹按时间顺序排列，所述用户历史POI轨迹序列包括用户标[0100]所述S310中计算每个用户在时空区域上的局部特征向量表示Locu的具体步骤如[0103]其中，表示用户在访问地点i和地点j之间的时间间隔，j表示在地点j的时间戳；[0107]S312：根据时间间隔和地理距离划分该用户历史POI轨迹序列得到时空区域集gg由于子序列不是GNN建模的固有图，因此需要构建一个图来捕获位置之间uu[0132]根据word2vec词嵌入方法计算轨迹序列的嵌入矩阵E(Su)，word2vec词嵌入方法和b6表示可学习参数；u,posu,negu,posu,neg和东京的长期(约10个月)签到数据，户通过签到来分享他们的位置。而该数据集包含了2008年4月至2010年10月在Brightkite4,513401,85729.8557.8046.460.001；超参数在验证集上通过网格搜索进行调整；嵌入大小被设置为100。NYC和迹是时空特征进行挖掘获得轨迹的上下文特征，但忽略了轨迹的序列特征和序列的周期[0184]LGSP模型在NDCG@10的指标上明显优于baseline,这说明模型对预测结果的排序性即随时间变化的动态偏好，还要从局部考虑用户个性化时