本技术聚焦于目的地推荐技术,介绍了一种利用共现模式挖掘技术来预测用户下一个目的地的方法、系统和存储介质。该技术首先收集用户轨迹数据,进行预处理;随后,利用卷积神经网络对数据进行特征提取,以识别共现模式;最终,基于这些模式为用户提供个性化的目的地推荐。
背景技术
下一个目的地推荐是人们日常出行的有力工具。它的主要目的地推荐的目标是为用户提供最有可能访问的位置列表,可以提高市民生活质量和促进城市经济发展,有利于各种基于位置的服务和叫车服务等的发展。
现有的推荐方法主要分为两类,一类是基于位置的推荐,一类是基于异构图神经网络方法的推荐。基于位置的推荐方法探索了过去地点对历史轨迹影响的差异。例如,将轨迹压缩为基于不同功能区的兴趣区访问序列,或将每个点投影到划分为多尺度网格的地图上。而基于异构图神经网络的推荐方法探索了异构用户-条目交互之间的关系,例如HetGNN可以同时捕获用户轨迹的结构和特征异质性,HANs同时考虑了节点和元路径的重要性等。
然而,现有的方案都没有分析时间敏感的推荐,而只是专注于序列敏感的社会或商品推荐,推荐结果往往不尽人意,无法捕获动态变化以进行目的地推荐;且现有的方法遇到了欠耦合的重大挑战,除了居住区、工作场所等具有较强规律性的场所,很多场多人们出行的规律性很弱,而模型的学习能力是有限的,故易出现欠拟合的问题。因此,需要研发一种下一目的地推荐方法来解决上述问题。
实现思路