一种融合全局周期性和局部规律性的下一个兴趣点推荐方法,步骤为:1获取历史数据并预处理,得到数据集;2提取数据集中的相关属性,组成用户的签到序列;3将用户短期签到序列中的距离跨度信息构建图结构用于图卷积网络,更新兴趣点的嵌入表示;4对用户的兴趣点签到序列编码,生成签到的嵌入表示,并划分为以签到为单位和以天为单位的签到序列嵌入表示;5根据签到序列的嵌入表示,构建代表用户的短期偏好嵌入表示和长期偏好嵌入表示;6根据用户长期和短期的偏好嵌入表示,预测用户下一次兴趣点是某些地点的概率;7选取最优的几个兴趣点进行推荐,得到推荐集合。本技术通过上述方法,实现更具个性化、更精准的下一个兴趣点推荐。
背景技术
随着社交媒体的广泛普及和位置信息技术的飞速进展,定位数据的产生与应用已成为当代社会的一大特征。智能手机及其他移动设备的普及导致位置数据的急剧积累,极大地提高了日常生活的便利性,并优化了基于位置的服务的准确性与便捷性。然而,在信息量日益庞大的背景下,向用户准确推荐其感兴趣的位置,并提升用户的线下参与度成为了一个迫切的需求。一方面,通过个性化位置推荐系统,可以有效地提高用户的参与度和满意度;另一方面,个性化位置推荐为商家提供了一个有效的推广平台,使他们能够精准地定位潜在客户群体。因此,从海量的位置数据中为用户精准推荐感兴趣的地点,不仅能够显著提升居民的生活质量,还能激发消费潜力,加速构建以国内市场为主导的新发展格局,进一步推动国家治理体系及治理能力的现代化。
近年来,许多学者已经对基于位置的社交网络中的位置推荐问题进行了深入研究。这些研究主要围绕用户签到数据的地理信息、文本信息、时序信息以及社交信息等方面进行建模,并采用诸如循环神经网络(Recurrent Neural Network,RNN)、长短期记忆网络(Long Short-Term Memory,LSTM)和图神经网络(Graph Neural Network,GNN)等先进的深度学习技术来进行位置推荐。
在社交网络中,用户在不同时间的兴趣点偏好可能会变化,对距离跨度的偏好也有所不同,例如,假期期间用户可能会外出旅游,而在其他时间则主要在家附近活动。此外,用户的兴趣点偏好还存在周期性规律,如每月的某几天访问特定地点,或者在每周的周末和工作日表现出不同的兴趣点偏好。
但是,现有的兴趣点推荐方法并未有效结合用户全局周期性和局部规律性来推荐下一个兴趣点,导致推荐效果有待提高。
实现思路