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！

龙图腾网获悉重庆邮电大学申请的专利一种基于图卷积网络的下一个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：CN115795182B 。

龙图腾网通过国家知识产权局官网在2026-01-27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：202211411140.9，技术领域涉及：G06F16/9537；该发明授权一种基于图卷积网络的下一个POI推荐方法是由苏畅;陈诺;谢显中;龚彬设计研发完成，并于2022-11-11向国家知识产权局提交的专利申请。

本一种基于图卷积网络的下一个POI推荐方法在说明书摘要公布了：本发明涉及一种基于图卷积网络的下一个POI推荐方法，属于互联网技术领域。利用图卷积网络融合类别和时间影响，提出了基于图卷积网络的下一个POI推荐方法CTGCN。在本文中，首先生成了用户嵌入、POI嵌入、时间嵌入、类别嵌入、相对位置嵌入的初始化嵌入层。然后，基于图卷积网络、注意力机制、前馈层搭建了卷积层。最后，通过得到的用户特征和POI特征进行内积操作，得到用户对POI的偏好。

本发明授权一种基于图卷积网络的下一个POI推荐方法在权利要求书中公布了：1.一种基于图卷积网络的下一个POI推荐方法，其特征在于：该方法包括以下步骤： S1：定义符号和问题； 为用户集合，为POI集合，为用户数量，为POI数量，为类别数量，为户嵌入，为POI嵌入，为类别嵌入，为时间嵌入，为对位置嵌入，为签到序列； 对于每个用户，按照如下方式定义签到序列： 定义签到序列：对于每个用户的签到序列表示为一个时间序列，每一条签到表示为，其含义是用户在时间点对POI进行了签到，而是POI的类别； 定义下一个POI推荐：给定用户的历史签到序列和下一个签到时间，目的是从候选POI集合中推荐下一个POI； S2：设计模型框架 框架包含三部分： 1嵌入层，生成用户嵌入、POI嵌入、时间嵌入、类别嵌入、相对位置嵌入； 2卷积层，考虑用户的签到序列，融合类别和时间影响； 3预测层，通过学习得到的用户特征与POI特征得到用户对POI的偏好； 1嵌入层 嵌入层的目的是将给定的输入映射为低维稠密的向量表示；为有效地模拟序列模式和签到时间、类别的影响，将用户索引、POI索引、类别索引、签到时间和每次交互在节点邻域中的相对位置编码到共享的潜在空间中； 为用户创建一个嵌入矩阵，为POI创建一个嵌入矩阵，为POI类别创建一个矩阵，其中是嵌入向量的维度；使用邻域聚合来更新用户嵌入、POI嵌入和类别嵌入； 对于时间和相对位置的嵌入，使用提到的编码方法得到，具体如下：给定一个时间戳，首先将映射到一个四维特征向量： 1 其中，表示“一年中的月份”、“一个月中的某天”、“一周中的某天”、“一天中的某小时”；这个向量形成时间戳的原始特征向量；将中的每个特征通过正、余弦函数扩展到多维向量，具体如下： 2 3 其中，表示一种时间维度特征，表示每种特征的维度，表示对应特征的取值范围；时间戳会被计算为一个4维向量： 4 通过公式4会得到时间嵌入矩阵； 为有效地建模签到序列，在用户邻域或POI邻域中编码每个交互的位置信息；相对位置嵌入矩阵通过如下公式得到： 5 6 其中，是序列位置，是序列长度； 2卷积层 给定一个节点的邻居集合，包含第k次迭代时节点的直接邻居，而一次图卷积操作就是连接节点的当前表示和它邻居特征的聚合表示来更新节点嵌入；标准的图卷积表示如下： 7 8 其中是一个聚合函数，是一个连接函数，是一个权重矩阵，是一个非线性激活函数； 在通用图卷积中加入序列特征，同时为进一步提高模型的性能，融合类别与时间上下文信息； 根据节点类型的不同将图卷积层分为用户邻域聚合、POI邻域聚合两类；关于用户的邻域聚合；给定用户和其邻居，用户邻域聚合表示如下： 9 其中，，其表示融合当前的用户特征、时间特征和相对位置特征；，表示融合当前用户的邻居POI特征、邻居POI时间特征、邻居POI相对位置特征、邻居POI类别特征；函数是提出的注意力机制，具体表示形式如下： 10 其中是将输出值映射到的激活函数，是与的维度； 为避免过拟合和梯度消失问题，采用前馈层来聚合当前用户特征和其邻居特征；具体如下： 11 其中，是以一定概率随机地临时丢弃部分神经元节点的函数，是权重矩阵，是激活函数，是用户的特征表示，是用户邻域聚合后的特征表示； 给定POI和其邻居，POI邻域聚合表示如下： 12 其中，，其表示融合当前的POI特征、时间特征、相对位置特征、类别特征；，表示融合当前POI的邻居用户特征、邻居用户时间特征、邻居用户相对位置特征；通过前馈层来聚合当前POI特征和其邻居特征；具体如下： 13 其中是POI的特征表示，是POI邻域聚合后的特征表示； 为捕捉用户与POI交互的高阶协作信号，将邻域聚合融入到图卷积的体系结构之中； 3预测层 对于给定的目标用户和目标时间，得到相应的用户嵌入表示与目标POI的嵌入表示；使用内积操作得到用户对目标POI的偏好值： 14 S3：优化模型； 为训练模型，选择使用二元交叉熵作为损失函数；损失函数定义如下： 13 其中，是训练集合，为每一个正样本签到POI抽样一个负样本，是正则化参数，是F-范数； 最后，采用Adam优化方法对模型进行优化，以及采用小批量随机梯度下降SGD方法来加速训练过程。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2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。