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！

申请/专利权人：沈阳理工大学

摘要：本发明提供了一种多模态时间信息融合的POI推荐方法，涉及计算机智能技术领域，本发明提供的下一个POI推荐的多模态时态信息融合模型MTFNR模型，融合了长短期偏好模型LSTHN和时间信息模型TIHN，其中，时间信息建模可以获取用户在不同时间段内的行为模式，能够更好地了解用户的行为规律；长短期偏好建模则可以动态地捕捉用户的兴趣变化，增加POI推荐的时效性；最后，MTFNR模型在GRU模型的基础上加入了用户的时空间隔信息，有效地捕捉签到序列的依赖关系，使推荐系统有更好的鲁棒性，从而提高模型的整体性能。另外，MTFNR模型可以及时地捕捉用户的兴趣变化，使得推荐的POI更加精准。

主权项：1.一种多模态时间信息融合的POI推荐方法，其特征在于，包括：步骤1：获取兴趣点POI的稠密向量，时间间隔的编码向量以及空间间隔的编码向量所述兴趣点为地点；步骤2：构建时间信息模型TIHN，具体的，构造时间信息的时间超图神经网络中的时间关联矩阵Ht和超边权重矩阵Wt，所述时间信息包含用户在预设时间范围内访问的POI，根据时间超图神经网络，以及时间超图神经网络中的时间关联矩阵Ht和超边权重矩阵Wt，获取用户访问POI在时间上的特征Xt，Xt表征用户的时间偏好；步骤3：构建长短期偏好模型LSTHN，具体的，根据用户的签到序列信息，构造多个基于长短期偏好的超图神经网络，所述签到序列信息至少包括签到序列中签到记录的排列顺序，通过多个基于长短期偏好的超图神经网络获取用户访问POI在长短期偏好上的特征Xa，Xa表征用户的长短期偏好；步骤4：构建时空门嵌入的GRU模型ST-GRU融合TIHN模型和LSTHN模型输出的特征，得到POI嵌入特征，具体通过以下公式表示： 其中，ωe为超参数，Xa为长短期偏好模型LSTHN输出的特征，Xt为聚合后的时间信息模型TIHN输出的特征；当ωe＝1时，表示长短期偏好对用户访问POI的影响；当ωe＝0时，表示时间信息对用户访问POI的影响；结合时间间隔编码向量和空间间隔编码向量，以及针对时间间隔编码向量的T-shift门控和针对空间间隔编码向量S-shift门控，得到T-shift门控与S-shift门控的公式，具体通过以下公式表示： 其中，ωt是时间间隔编码向量的权重，ωs是空间间隔编码向量的权重，ωtx是POI嵌入特征在T-shift门控中的权重，ωsx是POI嵌入特征在S-shift门控中的权重，bt表示引入T-shift门控的偏置，bs表示引入S-shift门控的偏置，σ则表示Sigmoid激活函数，Tsi是T-shift门控的输出，表示时间间隔编码向量对POI嵌入特征的影响，Ssi是T-shift门控的输出，表示空间间隔编码向量对POI嵌入特征的影响，表示中的第l个POI嵌入特征；将S-shift门控的输出与T-shift门控的输出，与中的每个POI嵌入特征进行点乘，具体通过以下公式表示： 其中，ωst表示嵌入特征在ST-shift门控中的权重，所述ST-shift门控为对S-shift门控和T-shift门控进行整合得到的门控，bst表示引入ST-shift门控的偏置，⊙表示逐元素乘法，是ST-shift门控的输出，表示包含时间间隔特征和空间间隔特征的特征；将经过控制重置的R门控与控制更新的Z门控，得到该门控更新后的特征，得到ST-shift-GRU单元的输出，具体通过以下公式表示： 其中，ωR为R门控中的上一个隐藏状态hi-1的权重，ωZ为Z门控中的上一个隐藏状态hi-1的权重，bR为R门控中的上一个隐藏状态hi-1的偏置，bZ为Z门控中的上一个隐藏状态hi-1的偏置，ωRx为R门控中POI嵌入特征的权重，ωZx为Z门控中嵌入特征的权重，bRx为R门控中POI嵌入特征的偏置，bZx为Z门控中嵌入特征的偏置，h′为候选隐藏状态，ωhx为POI嵌入特征的权重，ωh为隐藏状态hi-1的权重，bhx为POI嵌入特征的偏置，bh为隐藏状态hi-1的偏置；签到序列包含有多个签到记录，每个签到记录对应有ST-shift-GRU单元，当前签到记录对应的ST-shift-GRU单元输出的隐藏状态hi，传递给当前签到记录的下一签到记录对应的ST-shift-GRU单元进行计算，同时当前签到记录对应的ST-shift-GRU单元还输出Yif，Yif为第f层第i个ST-shift-GRU单元输出的节点特征，将Yif传递给第f层第i+1个ST-shift-GRU单元，其中，Yif通过以下公式表示： 其中，ST-shift-GRUCell是单个ST-shift-GRU单元，为第f层第i-1个ST-shift-GRU单元的隐藏状态，表示空间间隔编码向量，表示时间间隔编码向量，Yif-1表示第f-1层第i个ST-shift-GRU单元输出的节点特征；对最后一层的所有ST-shift-GRU单元的输出进行拼接，具体通过以下公式表示： 其中，Concat表示连接操作，YF表示第F层,也就是最后一层的所有ST-shift-GRU单元的输出特征，为第F层第1个ST-shift-GRU单元的输出特征，为第F层第2个ST-shift-GRU单元的输出特征，为第F层第n个ST-shift-GRU单元的输出特征；对YF进行非线性变换，得到以下公式： 其中，ωY表示权重矩阵，bY表示偏置向量；表示用户访问POI的偏好；步骤5：下一个POI预测和模型优化对用户下一节点访问的POI进行预测，得到t+1时刻POIl的偏好评分具体通过以下公式表示： 其中，POIl中l为POI的编号，POIl表示编号为l的POI，POIl为待预测POI，表示t时刻用户访问POI的偏好，表示POIl在签到序列中位置矩阵的转置，表示t+1时刻用户访问POIl的偏好评分。

全文数据：

权利要求：

百度查询： 沈阳理工大学 一种多模态时间信息融合的POI推荐方法