买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国计量大学申请的专利基于用户偏好与时空上下文信息的下一个POI推荐方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117194763B 。

龙图腾网通过国家知识产权局官网在2025-12-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310167363.3，技术领域涉及：G06F16/9535；该发明授权基于用户偏好与时空上下文信息的下一个POI推荐方法是由吴向平;张峥;裴思华;姚帅威;胡珺设计研发完成，并于2023-02-27向国家知识产权局提交的专利申请。

本基于用户偏好与时空上下文信息的下一个POI推荐方法在说明书摘要公布了：本发明公开了基于用户偏好与时空上下文信息的下一个POI推荐方法：获取用户签到记录进行预处理，利用低维稠密向量对兴趣点及各种附属信息进行向量嵌入，构建并训练基于用户偏好与时空上下文信息的下一个兴趣点推荐模型，输入用户的长期签到序列和短期签到序列，生成k个兴趣点，推荐给用户；下一个兴趣点推荐模型中，包括用户偏好特征提取模块、长期行为特征提取模块、短期行为特征提取模块和预测模块。本发明充分挖掘兴趣点到兴趣点转移序列，缓解地理空间、时间信息的稀疏性，引入GRU模块学习序列的转移信息，引入双层注意力机制挖掘用户行为特征，通过兴趣点‑地理过滤器缩小推荐范围，极大提高推荐的准确度。

本发明授权基于用户偏好与时空上下文信息的下一个POI推荐方法在权利要求书中公布了：1.基于用户偏好与时空上下文信息的下一个POI推荐方法，其特征在于：包括以下步骤： 步骤1、从基于位置的社交网络中获取一组用户的所有签到记录； 步骤2、数据预处理：对所有签到数据进行清洗，删除缺失用户、兴趣点、兴趣点经纬度、兴趣点类别或签到时间的无效签到记录，删除被访问次数小于10的兴趣点对应的签到记录以及签到记录数量小于100的用户的签到记录；然后对清洗后剩余签到数据进行格式统一，具体为：根据每条签到记录的时间戳生成统一格式的“周”和“时”，根据每条签到记录的经纬度生成对应的地理位置编码；按照用户分类保存签到记录，并按照时间顺序对每个用户的签到记录进行重构；接着，进行判断，若用户签到记录超过500个，取用户签到记录中最近的500个签到记录组成长期签到序列，否则取用户所有签到记录组成长期签到序列；并将每个用户签到记录中每s个签到记录划分为一个短期签到序列，将最后剩余的s1个签到记录与前s-s1个签到记录划分为一个短期签到序列；遍历所有用户，得到每个用户对应的长期签到序列和短期签到序列； 步骤3、签到记录信息向量嵌入：利用低维稠密向量对兴趣点及各种附属信息进行向量嵌入，对附属信息向量嵌入分别为对用户、地理位置编码、兴趣点类别、“时”和“周”以及类别喜好进行向量嵌入； 步骤4、构建并训练基于用户偏好与时空上下文信息的下一个兴趣点推荐模型，具体包括：1构建用户偏好特征提取模块；该模块采用双层注意力机制挖掘用户长期签到序列中的用户偏好特征，第一层注意力机制采用基于多头自注意力机制的Transformer编码器，并行地捕获整个长期签到序列中各签到记录之间的相互关系；第二层注意力机制采用双线性注意力机制，捕获每个签到记录对用户类别喜好的贡献度；2构建长期行为特征提取模块：该模块的输入是用户的长期签到序列，将每个签到记录的兴趣点、地理位置编码、兴趣点类别以及“时”和“周”属性嵌入向量进行拼接，然后将整个长期签到序列的拼接向量输入到多层GRU，将多层GRU的输出向量与用户嵌入向量进行拼接，再经过全连接层与用户偏好特征提取模块的输出向量进行相加；3构建短期行为特征提取模块：该模块的输入是用户的短期签到序列，将每个签到记录的兴趣点嵌入向量、地理位置编码嵌入向量和兴趣点类别嵌入向量分别与其时间嵌入向量进行拼接，得到三种拼接向量，三种拼接向量分别输入到三个参数不共享的GRU内，将三个GRU的输出向量进行有权重相加，然后与用户嵌入向量进行拼接，经过全连接层与用户偏好特征提取模块的输出向量进行相加；4构建预测模块：将长、短期行为特征提取模块的输出经过非线性层，输出两个兴趣点概率分布向量和两个地理位置编码概率分布向量，两个兴趣点概率分布向量经过兴趣点融合层合并为一个兴趣点概率分布向量，两个地理位置编码概率分布向量经过地理位置融合层合并为一个地理位置编码概率分布向量；然后，将兴趣点概率分布向量和地理位置编码概率分布向量分别按概率值从大到小进行排序，取地理位置编码概率值最大的前10个地理位置编码，取这些地理位置编码内的概率值最大的前k个兴趣点组成推荐列表输出，k取值为1、5或10，得到基于用户偏好与时空上下文信息的下一个兴趣点推荐模型；5训练基于用户偏好与时空上下文信息的下一个兴趣点推荐模型：根据每个用户的长期签到序列和短期签到序列构建训练集，采用交叉熵损失函数计算该下一个兴趣点推荐模型的兴趣点预测损失和地理位置编码预测损失，并使用Adam优化器更新该下一个兴趣点推荐模型的参数，从而实现该下一个兴趣点推荐模型的训练； 步骤5、将用户的长期签到序列和短期签到序列输入到已训练的基于用户偏好与时空上下文信息的下一个兴趣点推荐模型中，生成k个兴趣点，推荐给用户； 所述兴趣点嵌入的具体过程为： ①依据所有用户的签到序列建立同构图，将每个兴趣点作为同构图网络中的节点，兴趣点到兴趣点的转移关系作为同构图网络中的边，边的权重是两个兴趣点之间的转移次数，并依据时间顺序标示兴趣点到兴趣点的方向形成有向图； ②设置采样长度，基于同构图中边的权重进行采样，采用结构化深层网络嵌入模型学习上述采样得到的序列，将有向图上的所有兴趣点嵌入为向量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国计量大学，其通讯地址为：310018 浙江省杭州市下沙高教园区学源街258号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。