针对社交网络用户在未来给定时间的访问位置预测方法

技术领域

本发明涉及一种针对社交网络用户在未来给定时间的访问位置预测方法。

背景技术

移动社交网络是位置与社交的结合，它支持用户随时随地记录并分享自己的地理位置信息，在线上虚拟世界与线下物理空间之间架起了一座桥梁。移动社交网络具有社会化、本地化和移动性等信息服务特征，其产生的海量位置轨迹数据记录了人们在真实物理世界的移动过程，反映了人们的生活与出行习惯，蕴含了极为丰富的时空语义信息。

通过深入分析挖掘移动社交网络中用户位置轨迹，能够发现位置轨迹背后隐藏的各种用户移动行为模式和个人访问偏好，进而预测用户在未来访问的位置，这不仅能为活动推荐与商品精准化营销带来价值，还利于构筑智慧交通与智慧城市，具有重要的现实与社会意义。

在移动社交网络中，用户对于不同位置的访问偏好随自身所处的综合环境发生变化，因而，如何挖掘用户移动行为与语义时空环境之间的深度关联至关重要。

诸多技术借助循环神经网络融合用户短期位置轨迹中的时间、空间特征以洞悉用户即时的访问需求，据此预测用户下一个访问位置，其难点在于捕捉轨迹中各位置的相关性以及用户行为偏好的时序演变规律。部分技术将时间间隔和地理距离通过“门控”的形式融入循环神经网络结构使其具备时空情境感知能力，从而隐式地赋予时间间隔较短、地理距离较近的轨迹更大的权重以刻画用户即时的访问偏好，进而预测用户下一个访问位置。

另外一些技术是将用户轨迹按照时间间隔划分为不同子轨迹，随后将子轨迹逐一输入循环神经网络，通过注意力机制捕捉与当前时间节点用户隐含状态相似的历史轨迹，以感知用户对于时间上下文的偏好，随后基于注意力权重进行轨迹聚合以获悉用户即时的访问需求。

然而，现有技术中基于情境感知的位置预测技术，主要是针对用户下一次移动行为进行访问位置的预测，且多通过间接、隐式地方式刻画用户所处时间上下文，并未对时间因素进行直接、显式地处理，因此，对于给定时间下用户移动偏好的情境感知尚不充分。

可见，现有关于移动社交网络用户在未来指定时间的访问位置预测技术较为匮乏。

用户所处的时空上下文是其选择访问目的地的重要因素，在真实场景下，用户在不同时间、不同地域对访问目的地会产生迥异的选择和需求。由于现有的位置预测技术忽略了用户在特定时间窗口的移动模式与访问偏好，因此难以预测用户在未来指定时间的访问位置。

发明内容

本发明的目的在于提出一种针对社交网络用户在未来给定时间的访问位置预测方法，该方法能够对未来给定时间目标用户的访问位置进行有效预测。

本发明为了实现上述目的，采用如下技术方案：

一种针对社交网络用户在未来给定时间的访问位置预测方法，包括如下步骤：

步骤1. 获得时间窗口敏感的用户隐含偏好表示；

定义用户在移动社交网络中的历史位置轨迹集合为

其中，

针对用户

利用注意力机制获得该次签到的注意力权重；

基于注意力权重聚合用户

步骤2. 获得兴趣点隐含表示；

通过特征融合的方式将兴趣点嵌入表示与兴趣点属性向量融合，获得兴趣点隐含表示；

步骤3. 获得地理影响力隐含表示；

利用高斯核函数计算任意两个兴趣点之间的地理因子，获得地理影响力隐含表示；

步骤4. 计算用户

在步骤1至步骤3的基础上，将用户隐含偏好表示、兴趣点隐含表示、地理影响力隐含表示进行拼接操作，输入多层神经网络以计算用户

步骤5. 对多层神经网络模型进行训练；

在步骤4的基础上构建目标函数，通过贝叶斯个性化排序对目标函数进行优化，利用梯度下降算法获得步骤1至步骤4中涉及的模型参数，从而获得训练好的多层神经网络模型；

步骤6. 利用训练好的多层神经网络模型对目标用户的访问位置进行预测；

在步骤5的基础上，针对目标用户

选取top-

优选地，定义移动社交网络用户集合表示为

其中，

在上述符号定义的基础上，用户

其中，用户

上述四元组(

优选地，所述步骤1具体为：

步骤1.1. 对于用户

其中，

步骤1.2. 为刻画第

其中，

步骤1.3. 为刻画用户

步骤1.4.在获得每一次签到的嵌入表示

其中，W

在此基础上，对权重

步骤1.5. 将用户

其中，W

优选地，步骤2具体为：

定义兴趣点属性向量为

依据特征融合的方式将兴趣点嵌入表示

优选地，步骤3具体为：

步骤3.1. 利用高斯核函数计算任意两个兴趣点之间的地理因子，获得地理因子矩阵K，K∈

地理因子矩阵K中矩阵元素K (

其中，

步骤3.2. 根据用户

其中，

在此基础上，获得兴趣点集合

步骤3.3. 对地理因子向量K[

其中，W

优选地，步骤4具体为：

将用户隐含偏好表示

…

其中，

优选地，步骤5具体为：

通过贝叶斯个性化排序对目标函数进行优化，优化后的目标函数

其中，

（

（

模型训练过程中最小化目标函数

本发明具有如下优点：

如上所述，本发明述及了一种针对社交网络用户在未来给定时间的访问位置预测方法，该方法将情境视作语义与时空上下文进行复合，基于用户历史位置轨迹中的时间、地点与评分信息，依据深度特征提取与融合思想自底向上逐步刻画用户-位置交互过程；特别地，为学习用户在不同时间窗口的交互偏好，本发明通过注意力机制捕捉用户历史交互记录中的相似情境，利于提高用户对于不同时间窗口的感知能力，本发明提出的方法强化了针对时间窗口的语义时空情境感知能力，因而能够对未来给定时间目标用户的访问位置进行有效预测。

附图说明

图1为本发明针对社交网络用户在未来给定时间的访问位置预测方法的流程示意图；

图2为本发明要解决的目标用户在未来给定时间的访问位置预测问题示意图；

图3为本发明针对社交网络用户在未来给定时间的访问位置预测方法的总体框图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

本发明述及了一种针对社交网络用户在未来给定时间的访问位置预测方法，该方法能够有效地预测移动社交网络用户

需要说明的是，本发明可以实现兴趣点级别的访问位置预测，例如餐厅、影院或酒店等细粒度地理区域，如无特殊说明，下文所述“位置”均指细粒度的兴趣点。

在对本发明方法进行说明之前，首先给出如下定义：

定义用户在移动社交网络中的历史位置轨迹集合为

用户在移动社交网络中的历史位置轨迹

其中，

下面对本发明提出的针对社交网络用户在未来给定时间的访问位置预测方法进行详细说明，如图1所示，该访问位置预测方法包括如下步骤：

步骤1. 用户-兴趣点交互建模，获得时间窗口敏感的用户隐含偏好表示。

针对用户

其中，时间特征是与该次签到的时间窗口相关的特征，空间特征是与用户位置轨迹的地域范围相关的特征，兴趣点属性特征是与位置的文字描述或评分信息相关的特征。

为强化针对特定时间窗口的情境感知能力，本发明还采用注意力机制捕获用户历史轨迹中的重要签到行为，得到该次签到的注意力权重，以使用户对历史签到行为具有感知能力。

本发明融合时空上下文、评分信息等多维特征，有效缓解了移动社交网络数据的稀疏性。为了方便描述，首先给出各个参量的物理表示。

定义移动社交网络用户集合表示为

其中，

在上述符号定义的基础上，用户

其中，用户

上述四元组(

该步骤1的具体实施方式为：

步骤1.1. 对于用户

其中，

步骤1.2. 为刻画第

其中，

步骤1.3. 为刻画用户

步骤1.4. 在获得每一次签到的整嵌入表示

具体地，通过两层注意力网络计算第

其中，W

在此基础上，对权重

其中，

步骤1.5. 将用户

其中，W

步骤1通过捕捉用户历史签到记录中特定时间窗口的移动模式与访问偏好，使得用户对历史访问行为具有感知能力，进而能够推测目标用户在未来给定时间窗口内的行为意图。

步骤2. 兴趣点属性建模，获得兴趣点隐含表示。

通过特征融合的方式将兴趣点嵌入表示与兴趣点属性向量融合，获得兴趣点隐含表示。

移动社交网络中，兴趣点除位置类别属性之外，一般还拥有其他属性信息，比如用户在此处发表的评分、评论以及图片等内容，本实施例以数值化评分作为兴趣点属性。

假设兴趣点

在此基础上，依据特征融合的方式将兴趣点嵌入表示

步骤3. 地理影响力建模，获得地理影响力隐含表示。

以核密度估计的方式衡量任意两个兴趣点之间的地理影响力。具体地，本发明利用高斯核函数计算任意两个兴趣点之间的地理因子，获得地理影响力隐含表示。

步骤3具体为：

步骤3.1. 利用高斯核函数计算任意两个兴趣点之间的地理因子，获得地理因子矩阵K，K∈

地理因子矩阵K中矩阵元素K (

其中，

步骤3.2. 根据用户

其中，

在此基础上，获得兴趣点集合

步骤3.3. 对地理因子向量K[

其中，W

在上述过程中，本发明针对用户的每一次签到行为，从语义时空情境感知的角度出发，融合时间、地理、情感因素，自底向上逐步刻画用户-位置交互过程。

步骤4. 计算用户

在步骤1至步骤3的基础上，将用户隐含偏好表示、兴趣点隐含表示、地理影响力隐含表示进行拼接操作，输入多层神经网络以计算用户

其计算过程如下：

…

其中，

步骤5. 对多层神经网络模型进行训练。

本发明将情境感知的用户访问位置预测问题视作排序问题。

在步骤4的基础上构建目标函数，通过贝叶斯个性化排序对目标函数进行优化，利用梯度下降算法获得步骤1至步骤4中涉及的模型参数，获得训练好的多层神经网络模型。

其中，上述涉及的模型参数包括注意力网络的权值、神经网络的权值与偏置值等等。

通过贝叶斯个性化排序对目标函数进行优化，优化后的目标函数

其中，

（

（

θ为模型参数集合，其包括步骤1至步骤4中所有的模型参数，例如W

模型训练过程中最小化目标函数

针对每个正例样本（

本发明方法基于贝叶斯个性化排序思想学习时间敏感的评分函数

步骤6. 利用训练好的多层神经网络模型对目标用户的访问位置进行预测。

在步骤5的基础上，针对目标用户

然后，将得到的访问概率值降序排序。

最后，选取top-

本发明自底向上逐步刻画用户-位置交互过程，通过评分函数量化用户在未来给定时间针对不同候选位置的访问概率，从而实现用户在未来给定时间条件下的访问位置预测。

当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。