(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211232832.7 (22)申请日 2022.10.10 (71)申请人 常熟理工学院 地址 215500 江苏省苏州市 常熟市南 三环 路99号 (72)发明人 司亚利　李峰　聂盼红　刘井莲　 赵卫绩　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 张俊范 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9537(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于用户长短期偏好的自适应兴趣点 推荐方法 (57)摘要 本发明公开了一种基于用户长短期偏好的 自适应兴趣 点推荐方法， 包 括步骤： 基于LBSNs历 史签到数据集， 构建用户签到的轨迹序列集合， 并且按照签到记录的时间间隔采用动态时间窗 口划分为历史签到轨迹序列和近期签到轨迹序 列； 基于所述历史签到轨迹序列采用融合时间因 素的LSTM模型学习用户的历史偏好， 基于所述近 期签到轨迹序列采用结合时空因素的RNN模型学 习用户的近期偏好， 结合所述历史偏好和所述近 期偏好得到用户的长短期兴趣偏好； 结合所述长 短期兴趣偏好对候选兴趣点进行概率预测， 并把 概率值排序靠前的若干兴趣点推荐给用户。 本发 明利用长短期学习结果进行兴趣点推荐， 优化推 荐效果。 权利要求书2页 说明书7页 附图2页 CN 115495661 A 2022.12.20 CN 115495661 A 1.一种基于用户长短期偏好的自适应兴趣点推荐方法， 其特 征在于， 包括以下步骤： 步骤1、 基于LBSNs历史签到数据集， 构建用户签到的轨迹序列 集合， 并且按照 签到记录 的时间间隔采用动态时间窗口划分为历史签到 轨迹序列和近期签到 轨迹序列； 步骤2、 基于所述历史签到轨迹序列采用融合时间因素的LSTM模型学习用户的历史偏 好， 基于所述近期 签到轨迹序列采用结合时空因素的RNN模 型学习用户的近期偏好， 结合所 述历史偏好和所述近期偏好得到用户的长短期兴趣偏好； 步骤3： 结合所述长短期兴趣偏好对候选兴趣点进行概率预测， 并把概率值排序靠前的 若干兴趣点推荐给用户。 2.根据权利要求1所述的基于用户长短期偏好的自适应兴趣点推荐方法， 其特征在于， 所述步骤1中按照签到记录的时间间隔采用动态时间窗口划分是以签到时间对签到记录排 序， 计算排序后的签到记录中相邻签到记录的时间间隔， 以最大时间间隔为所述动态时间 窗口， 将最早的第一次签到至所述动态时间窗口的签到轨迹序列定义为所述历史签到轨迹 序列， 将所述动态时间窗口之后的签到 轨迹序列定义 为所述近期签到 轨迹序列。 3.根据权利要求1所述的基于用户长短期偏好的自适应兴趣点推荐方法， 其特征在于， 根据用户的所述近期签到轨迹序列的近期 签到记录数划分为活跃用户和不活跃用户， 计算 所述活跃用户和所述不活跃用户的相似度， 对所述不活跃用户选择相似度最高的若干活跃 用户的近期签到 轨迹序列合并至所述 不活跃用户的近期签到 轨迹序列。 4.根据权利要求3所述的基于用户长短期偏好的自适应兴趣点推荐方法， 其特征在于， 所述划分活跃用户和不活跃用户时， 根据所有用户的近期 签到轨迹序列的平均近期 签到记 录数设定活跃阈值和 不活跃阈值， 所述活跃阈值大于所述平均近期签到记录数， 所述不活 跃阈值小于所述平均近期签到记录数， 所述近期签到轨迹序列的近期 签到记录数达到所述 活跃阈值的用户为活跃用户， 所述近期 签到轨迹序列的近期 签到记录数未达到所述不活跃 阈值的用户为 不活跃用户。 5.根据权利要求3所述的基于用户长短期偏好的自适应兴趣点推荐方法， 其特征在于， 所述将若干活跃用户的近期 签到轨迹序列合并至所述不活跃用户的近期 签到轨迹序列时， 剔除活跃用户的近期签到轨迹序列中签到地点相同的签到记录， 并且在合并后的所述不活 跃用户的近期签到轨迹序列超出签到记录数最大值时剔除时间较早的签到记录至签到记 录数达到签到记录数最大值。 6.根据权利要求1所述的基于用户长短期偏好的自适应兴趣点推荐方法， 其特征在于， 基于所述历史签到轨迹序列采用融合时间因素的LSTM模 型学习用户的历史偏好时， 所述融 合时间因素的LSTM模型的细胞状态ck的更新如下 ik＝σ(Wi[hk‑1， xk]+bi) fk＝σ(Wf[hk‑1， xk]+bf) 是权重矩阵， 为偏置向量， 为所 述融合时间因素的LSTM模型的输入， 表示地点的嵌入表示， 表示所述历史权　利　要　求　书 1/2 页 2 CN 115495661 A 2签到轨迹序列中相邻两签到记录的时间 间隔的特 征向量， 所述历史偏好为pk＝tanh(Vlck)， 为所述融合时间因素的LSTM模型需要学习 的参数。 7.根据权利要求1所述的基于用户长短期偏好的自适应兴趣点推荐方法， 其特征在于， 所述基于所述近期签到轨迹序列采用结合时空因素的RNN模型学习用户的近期偏好时， 所 述结合时空 因素的RN N模型的隐状态更新 为 为兴趣点li的嵌入表示； 是所述近期签到轨迹序列中相邻两签到记录 的时间间隔的特征向量； 为所述近期签到轨迹序列中相邻两兴趣点的距离间隔的 特征向量； 为输入兴趣点li后模型更新的状态信息， 状态用一个d维度的特征向量表 示， 用来记录近期签到轨迹序列的特征信息， σ 为sigmod激活函 数， 为相 关的权重矩阵， 是模型待学习的参数， 所述近期偏好 为pi＝tanh(Vshi)， 为相关的权 重矩阵是模型待学习的参数。 8.根据权利要求7所述的基于用户长短期偏好的自适应兴趣点推荐方法， 其特征在于， 所述近期签到 轨迹序列中相邻两兴趣点的距离间隔为di， i‑1 C＝sin L ati*sinL ati‑1+cos L ati*cos L ati‑1*cos(Loni‑1‑Loni) 其中R表示地球的平均半径， Pi为圆周率， li＝{Loni， Lati}和li‑1＝{Loni‑1， Lati‑1}表示 相邻两兴趣点的经纬度。 9.根据权利要求1所述的基于用户长短期偏好的自适应兴趣点推荐方法， 其特征在于， 所述用户的长短期兴趣偏好 为pu， pu＝pi+pk， pi为用户的近期偏好， pk为用户的历史偏好。 10.根据权利要求1所述的基于用户长短期偏好的自适应兴趣点推荐方法， 其特征在 于， 所述步骤3中进行概 率预测时用户u对兴趣点 l的推荐概 率Su， l Su， l＝puTql pu为所述步骤2得到的用户的长短期兴趣偏好， 为兴趣点l∈Lcan的嵌入表示， Lcan为候选兴趣点 集合。权　利　要　求　书 2/2 页 3 CN 115495661 A 3