本發(fā)明涉及計(jì)算機(jī)，特別是一種基于知識(shí)圖譜的興趣點(diǎn)推薦方法。

背景技術(shù)：

1、隨隨著移動(dòng)技術(shù)和社交媒體平臺(tái)的迅猛發(fā)展，基于位置的社交網(wǎng)絡(luò)已深入至人類社會(huì)生活的眾多方面。在基于位置的社交網(wǎng)絡(luò)環(huán)境下，用戶頻繁地通過(guò)地理位置、文本、圖像、視頻等多種形式，實(shí)時(shí)地分享個(gè)人生活點(diǎn)滴，從而產(chǎn)生了大量涉及用戶與地點(diǎn)間的交互信息，例如用戶的簽到時(shí)間、地點(diǎn)及其類別等，這些信息共同組成蘊(yùn)含豐富多維信息的社交網(wǎng)絡(luò)簽到數(shù)據(jù)。興趣點(diǎn)是可被抽象為地理坐標(biāo)點(diǎn)的地理實(shí)體，例如餐館、酒店、公園等，興趣點(diǎn)推薦是當(dāng)前推薦系統(tǒng)研究領(lǐng)域中的熱點(diǎn)。在現(xiàn)實(shí)的生活場(chǎng)景中，人們不可避免的要面臨事物的選擇，對(duì)數(shù)據(jù)的提供方來(lái)講如何讓用戶快速的在海量的資源中得到有價(jià)值的信息，會(huì)給服務(wù)方提供巨大的經(jīng)濟(jì)效益，對(duì)用戶來(lái)講，能夠及時(shí)的找到自己想要獲取的信息可以加大的用戶生活的效率。興趣點(diǎn)推薦通過(guò)分析用戶行為，對(duì)基于位置社交網(wǎng)絡(luò)中的海量地理信息數(shù)據(jù)進(jìn)行高效篩選，有效地幫助用戶過(guò)濾掉大量非目標(biāo)信息，從而顯著降低用戶的選擇成本，提高生活效率。

2、context-aware?point-of-interest?recommendation?based?onsimilar?userclusteringand?tensorfactorization提到了一種用戶相似度計(jì)算的方法，區(qū)別于這篇文獻(xiàn)，本方法無(wú)論是原理和核心創(chuàng)新點(diǎn)等方面均有顯著的區(qū)別，原理上本方法使用了深度學(xué)習(xí)領(lǐng)域圖神經(jīng)網(wǎng)絡(luò)、知識(shí)圖譜圖翻譯嵌入技術(shù)等完成推薦，有別于文獻(xiàn)中使用到的矩陣分解技術(shù)。另外本方法改善了用戶聚類流程，引入譜聚類等適用于圖數(shù)據(jù)的聚類方法，得到相似用戶群組，簡(jiǎn)化了計(jì)算邏輯，有別于文獻(xiàn)中使用的相似用戶聚類方法。

3、整體上講本方法獲取相似用戶群組、時(shí)間槽和興趣點(diǎn)區(qū)域等數(shù)據(jù)后，提出并構(gòu)建了一種興趣點(diǎn)知識(shí)圖譜，在此基礎(chǔ)上，完成知識(shí)圖譜圖翻譯嵌入，搭建深度學(xué)習(xí)圖神經(jīng)網(wǎng)絡(luò)，最終完成推薦。有別于文獻(xiàn)中使用相似用戶群組、時(shí)間槽等結(jié)果構(gòu)建張量信息，直接進(jìn)行張量分解得到推薦結(jié)果。

4、相比于傳統(tǒng)的推薦任務(wù)，基于位置的社交網(wǎng)絡(luò)涉及的用戶行為數(shù)據(jù)和簽到數(shù)據(jù)具有不同的表示形式。從國(guó)外知名的lbsn平臺(tái)foursqure和yelp上收集的數(shù)據(jù)顯示，lbsn蘊(yùn)含了大量的用戶節(jié)點(diǎn)和位置節(jié)點(diǎn)，這些節(jié)點(diǎn)在用戶與用戶之間、用戶與地點(diǎn)之間、以及地點(diǎn)與地點(diǎn)之間展現(xiàn)出顯著的相互關(guān)聯(lián)性。在此背景下，知識(shí)圖譜(knowledge?graph,kg)被證明是一種有效的方式，能夠精確地表征這些數(shù)據(jù)間的關(guān)聯(lián)性知識(shí)圖譜依賴實(shí)體、屬性以及關(guān)系描繪節(jié)點(diǎn)之間的關(guān)聯(lián)性，作為一種圖形化的表達(dá)方式，知識(shí)圖譜能夠以節(jié)點(diǎn)屬性和節(jié)點(diǎn)關(guān)系為依據(jù)，將實(shí)體的關(guān)聯(lián)性以清晰的方式表示出來(lái)。將知識(shí)圖譜與推薦方法結(jié)合，有利于深度挖掘用戶與興趣點(diǎn)之間的信息，改善推薦系統(tǒng)中普遍存在的數(shù)據(jù)稀疏和冷啟動(dòng)問(wèn)題?；谥R(shí)圖譜的興趣點(diǎn)推薦，是利用用戶與用戶、用戶與興趣點(diǎn)，以及興趣點(diǎn)與興趣點(diǎn)之間的復(fù)雜關(guān)系，進(jìn)一步增強(qiáng)數(shù)據(jù)的語(yǔ)義信息，提升推薦的準(zhǔn)確度。

5、因此亟需一種基于知識(shí)圖譜的興趣點(diǎn)推薦方法來(lái)提升推薦的準(zhǔn)確度。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述問(wèn)題，本技術(shù)提供了一種基于知識(shí)圖譜的興趣點(diǎn)推薦方法，包括以下步驟，s1、獲取用戶簽到數(shù)據(jù)，分析用戶簽到數(shù)據(jù)得到用戶個(gè)人信息、用戶社交信息、用戶興趣點(diǎn)信息、用戶上下文信息和用戶時(shí)空信息，所述時(shí)空信息包括區(qū)域和時(shí)間；

2、s2、根據(jù)興趣點(diǎn)對(duì)區(qū)域劃分得到興趣區(qū)域，對(duì)興趣區(qū)域整理得到興趣區(qū)域節(jié)點(diǎn)ri，根據(jù)時(shí)間劃分得到若干時(shí)間槽，在若干時(shí)間槽內(nèi)構(gòu)建若干簽到序列，計(jì)算用戶相似度，根據(jù)用戶相似度進(jìn)行譜聚類得到用戶群組，對(duì)用戶群組整理得到用戶群組節(jié)點(diǎn)ui；

3、s3、根據(jù)用戶群組、時(shí)間槽和興趣區(qū)域，構(gòu)建融合上下文信息的多層次興趣點(diǎn)知識(shí)圖譜；

4、s4、基于圖翻譯模型初步學(xué)習(xí)興趣點(diǎn)知識(shí)圖譜得到用戶嵌入向量表示、興趣點(diǎn)嵌入向里表示、關(guān)系嵌入向量表示；

5、s5、構(gòu)建引入地理信息的門(mén)控圖神經(jīng)網(wǎng)絡(luò)，依次對(duì)若干簽到序列使用引入地理信息的門(mén)控圖神經(jīng)網(wǎng)絡(luò)，得到具有時(shí)空特征的興趣點(diǎn)表示；

6、s6、通過(guò)圖注意力機(jī)制模型graphattentionnetwork,gat，融合具有用戶群組特征和興趣區(qū)域特征的簽到關(guān)系，在社交網(wǎng)絡(luò)關(guān)系上傳播所有用戶偏好，挖掘及預(yù)測(cè)單個(gè)用戶可能的興趣點(diǎn)偏好。

7、優(yōu)選地，s2中，根據(jù)興趣點(diǎn)對(duì)區(qū)域劃分得到興趣區(qū)域的具體方法包括：

8、基于經(jīng)緯度的歐拉距離函數(shù)，計(jì)算興趣點(diǎn)之間的地理相關(guān)度，并進(jìn)行空間聚類得到若干興趣區(qū)域region?ofinterest,roi；

9、其中，計(jì)算興趣點(diǎn)之間的地理相關(guān)度的表達(dá)式為：

10、

11、其中，pi＝(xi,yi)為興趣點(diǎn)i的地理位置坐標(biāo)，pj＝(xi,yi)為興趣點(diǎn)j的地理位置坐標(biāo)，k(i,j)為興趣點(diǎn)i和興趣點(diǎn)j的地理相關(guān)度；

12、確定聚類個(gè)數(shù)c，即將興趣點(diǎn)集合p劃分為c個(gè)roi，即p＝{r1,r2,r3,...,rc}，其中，r1,r2,r3,...,rc即為知識(shí)圖譜中的興趣區(qū)域節(jié)點(diǎn)。

13、優(yōu)選地，s2中，根據(jù)時(shí)間劃分得到若干時(shí)間槽，在若干時(shí)間槽內(nèi)構(gòu)建若干簽到序列的具體方法包括：

14、采用二進(jìn)制編碼將用戶的簽到時(shí)間tslot劃分為96個(gè)離散的時(shí)間槽，即tslot＝{t1,t2,t3,...,t96}；

15、將用戶的簽到時(shí)間信息映射到對(duì)應(yīng)時(shí)間槽，捕獲用戶簽到行為的時(shí)間特性；

16、所述時(shí)間特性包括用戶在特定時(shí)段的簽到偏好和周期性特征；

17、每個(gè)時(shí)間槽ti內(nèi)用戶先后訪問(wèn)興趣點(diǎn)pi和pj；

18、興趣點(diǎn)pi和pj之間會(huì)建立一條邊即一條簽到序列。

19、優(yōu)選地，步驟s2中，計(jì)算用戶相似度，根據(jù)用戶相似度進(jìn)行譜聚類得到用戶群組的具體內(nèi)容如下：

20、采用jaccard系數(shù)評(píng)估位置社交網(wǎng)絡(luò)中用戶之間的社交相似度；

21、計(jì)算社交相似度的表達(dá)式為：

22、

23、其中，simuu-v表示用戶u和用戶v的社交相似度，uu、uv分別表示用戶u和用戶v的好友集合，|uu∩uv|表示用戶u和用戶v的共同好友集合，|uu∪uv|表示用戶u和用戶v的全部好友集合，simuu-v∈[0,1]；

24、計(jì)算用戶在不同roi的簽到次數(shù)，得到用戶簽到地點(diǎn)相似度；

25、計(jì)算用戶簽到地點(diǎn)相似度的表達(dá)式為：

26、

27、其中，simlu-v表示用戶u和用戶v的簽到地點(diǎn)相似度，表示用戶u在roi?i的簽到次數(shù)，表示用戶v在roi?i的簽到次數(shù)，ru為用戶u的簽到過(guò)的roi集合，rv為用戶v的簽到過(guò)的roi集合，當(dāng)用戶u和用戶v在相同的興趣區(qū)域i有過(guò)簽到記錄，ru∩rv不為空，當(dāng)兩用戶的簽到行為沒(méi)有交集時(shí)，simlu-v為0，simlu-v∈[0,1]；

28、計(jì)算用戶在不同時(shí)間槽的簽到次數(shù)，得到用戶簽到時(shí)間相似度；

29、計(jì)算戶簽到時(shí)間相似度的表達(dá)式為：

30、

31、其中，simtu-v表示用戶u和用戶v的簽到時(shí)間相似度，表示用戶u在時(shí)間槽i的簽到次數(shù)，表示用戶v在時(shí)間槽j的簽到次數(shù)，tu為用戶u的簽到過(guò)的時(shí)間槽集合，tv為用戶v的簽到過(guò)的時(shí)間槽集合。當(dāng)用戶u和用戶v在相同時(shí)間槽i有過(guò)簽到記錄，tu∩tv不為空，當(dāng)兩個(gè)用戶的簽到行為沒(méi)有交集時(shí)，simtu-v為0，simtu-v∈[0,1]；

32、對(duì)社交相似度、用戶簽到地點(diǎn)相似度和用戶簽到時(shí)間相似度配置權(quán)重得到用戶綜合相似度；

33、計(jì)算用戶綜合相似度的表達(dá)式為：

34、

35、其中，α是社交相似度在用戶綜合相似度計(jì)算中的權(quán)重，β是用戶簽到地點(diǎn)相似度在用戶綜合相似度計(jì)算中的權(quán)重，eij為用戶ui和uj之間綜合相似度；

36、用社交關(guān)系圖q(u,e)表示用戶和用戶的社交關(guān)系，u為lbsn中所有的用戶(u1,u2,u3,…,um)集合，e為邊的權(quán)重eij集合；

37、構(gòu)建用戶相似度矩陣w，其中m為總用戶數(shù)，ei,j表示為用戶ui和用戶uj之間的相似度；

38、其中，用戶相似度矩陣w的表達(dá)式如下：

39、

40、計(jì)算社交關(guān)系圖q(u,e)中用戶和與用戶相連的所有邊權(quán)重之和，得到每個(gè)用戶的節(jié)點(diǎn)的度；

41、對(duì)每個(gè)用戶的節(jié)點(diǎn)的度矩陣化表示，得到m×m的度矩陣d，所述矩陣d為對(duì)角矩陣，對(duì)角線的值對(duì)應(yīng)第i行的第i個(gè)用戶節(jié)點(diǎn)的度的數(shù)值；

42、每個(gè)用戶的節(jié)點(diǎn)的度的表達(dá)式為：

43、

44、對(duì)矩陣d標(biāo)準(zhǔn)化得到標(biāo)準(zhǔn)化拉普拉斯矩陣lsysm，其中，

45、計(jì)算lsysm的特征值和對(duì)應(yīng)的特征向量

46、將lsysm的特征值從大到小排列得到新的特征值集合；

47、計(jì)算本征間隙序列e＝{e1,e2,..,ek1|ei＝λi-λi+1,i＜k1}，所述本征間隙序列中的第一個(gè)極大值對(duì)應(yīng)的下標(biāo)即為聚類的個(gè)數(shù)k；

48、將每一行當(dāng)作一個(gè)新的具有k個(gè)特征的用戶并應(yīng)用聚類得到用戶分組結(jié)果；

49、按照類別輸出用戶集合u，即用戶群組節(jié)點(diǎn)u＝{u1,u2,u3,...,uk}。

50、優(yōu)選地，基于圖翻譯模型初步學(xué)習(xí)興趣點(diǎn)知識(shí)圖譜得到用戶嵌入向量、興趣點(diǎn)嵌入向里、關(guān)系嵌入向量的具體內(nèi)容為：

51、分別定義原始三元組(h,r,t)為用戶、簽到、興趣點(diǎn)原始三元組，用戶、好友、用戶三元組和興趣點(diǎn)、簽到序列、興趣點(diǎn)原始三元組；

52、將用戶群組節(jié)點(diǎn)和興趣區(qū)域節(jié)點(diǎn)聯(lián)合表示為用戶和興趣點(diǎn)之間的簽到關(guān)系，得到用戶、群組在某區(qū)域簽到、興趣點(diǎn)一次三元組；

53、一次三元組加上用戶、好友、用戶原始三元組和興趣點(diǎn)、簽到序列、興趣點(diǎn)原始三元組，共同構(gòu)成了嵌入三元組；

54、形成嵌入三元組的流程表達(dá)式如下：

55、rc＝{(ui,rj)∪r|ui∈u,rj∈p}；

56、將頭實(shí)體h和尾實(shí)體t從實(shí)體空間投影到關(guān)系空間，計(jì)算得到實(shí)體投影向量，其中實(shí)體投影向量表示為，hr,c＝mrh，tr,c＝mrt，其中，mr為關(guān)系rc引入的投影矩陣，mr∈rk×d；

57、計(jì)算實(shí)體投影向量的目標(biāo)函數(shù)表達(dá)式為：

58、

59、其中，||h||2≤1，||t||2≤1，||r||2≤1，||hr,c||2≤1，||tr,c||2≤1。

60、對(duì)多層次知識(shí)圖譜定義積分邊界margin-based損失函數(shù)；

61、積分邊界margin-based損失函數(shù)的表達(dá)式為：

62、

63、其中，s為正確的三元組集合，s'是通過(guò)對(duì)正確三元組負(fù)采樣得到的錯(cuò)誤三元組集合，γ是一個(gè)正的邊界值，用于控制正例與負(fù)例之間的距離。

64、優(yōu)選地，步驟s5中，構(gòu)建引入地理信息的門(mén)控圖神經(jīng)網(wǎng)絡(luò)的具體內(nèi)容為：

65、構(gòu)建門(mén)控圖神經(jīng)網(wǎng)絡(luò)ggnn，并利用ggnn來(lái)迭代更新學(xué)習(xí)節(jié)點(diǎn)的嵌入；

66、其中g(shù)gnn的迭代更新函數(shù)為：

67、

68、其中xv為興趣點(diǎn)節(jié)點(diǎn)v的特征向量，為節(jié)點(diǎn)v的初態(tài)，表示當(dāng)前用戶的簽到序列，表示為入度鄰接矩陣ain對(duì)應(yīng)節(jié)點(diǎn)v的一行，表示為出度鄰接矩陣aout對(duì)應(yīng)節(jié)點(diǎn)v的一行，鄰接矩陣a＝[ain,aout]，win、wout為參數(shù)矩陣，為時(shí)間步t的輸入向量，保存的是前一個(gè)時(shí)間步t-1的向量，得到結(jié)果為興趣點(diǎn)v在t時(shí)刻的隱藏狀態(tài)；

69、使用所有節(jié)點(diǎn)的嵌入對(duì)簽到序列圖進(jìn)行表達(dá)；

70、根據(jù)時(shí)間特征和空間特征對(duì)門(mén)控圖神經(jīng)網(wǎng)絡(luò)ggnn進(jìn)行改進(jìn)得到時(shí)空門(mén)控圖神經(jīng)網(wǎng)絡(luò)。

71、優(yōu)選地，依次對(duì)若干簽到序列使用引入地理信息的門(mén)控圖神經(jīng)網(wǎng)絡(luò)，得到具有時(shí)空特征的興趣點(diǎn)表示的具體內(nèi)容為：

72、在時(shí)間層面，針對(duì)每個(gè)用戶在時(shí)間槽內(nèi)單獨(dú)建模興趣點(diǎn)的簽到序列；

73、在空間層面，融合地理信息到ggnn的消息傳播層對(duì)于poi簽到序列圖中的每個(gè)位置節(jié)點(diǎn)，基于地理距離調(diào)整其輸入邊和輸出邊的權(quán)重；

74、生成一個(gè)包含空間信息的poi簽到序列圖；

75、基于用戶u的簽到數(shù)據(jù)，獲取的簽到序列su；

76、其中簽到序列su的表達(dá)式為：

77、

78、其中為用戶u在時(shí)間槽t內(nèi)的某時(shí)間點(diǎn)訪問(wèn)的poi，|s|為時(shí)間槽t期間訪問(wèn)的poi總數(shù)量；

79、對(duì)簽到序列子圖中的鄰接矩陣進(jìn)行更新計(jì)算，所述更新計(jì)算包括，位置節(jié)點(diǎn)ei的輸入邊權(quán)重計(jì)算、位置節(jié)點(diǎn)ei的輸出邊權(quán)重；

80、其中位置節(jié)點(diǎn)ei的輸入邊權(quán)重的計(jì)算表達(dá)式為：

81、

82、其中位置節(jié)點(diǎn)ei的輸出邊權(quán)重的計(jì)算表達(dá)式為：

83、

84、其中，vi為位置節(jié)點(diǎn)i，vj為位置節(jié)點(diǎn)j，表示為位置節(jié)點(diǎn)ei的輸入邊權(quán)重，w(vi,vj)表示了位置節(jié)點(diǎn)vi和位置節(jié)點(diǎn)vj之間的位置間隔權(quán)重，nin(i)表示位置節(jié)點(diǎn)vi的前向節(jié)點(diǎn)集合，表示為位置節(jié)點(diǎn)ei的輸出邊權(quán)重，nout(i)表示為位置節(jié)點(diǎn)vi的后向節(jié)點(diǎn)集合，pvi為位置節(jié)點(diǎn)vi的位置坐標(biāo)，pvj為位置節(jié)點(diǎn)vj的位置坐標(biāo)，δl為控制距離的比例因子，w(vi,vj)∈(0,1]；

85、其中，位置節(jié)點(diǎn)vi和位置節(jié)點(diǎn)vj之間的位置間隔權(quán)重的表達(dá)式為：

86、

87、計(jì)算每個(gè)序列得到簽到序列子圖的鄰接矩陣wsa，其中wsa＝[wsain,wsaout]，wsain表示入度連接矩陣，wsaout為出度連接矩陣；

88、基于引入地理信息計(jì)算出得到鄰接矩陣wsa；

89、計(jì)算得到用戶u在簽到序列s中的第i個(gè)位置節(jié)點(diǎn)對(duì)應(yīng)的輸入向量

90、輸入向量的表達(dá)式為：

91、

92、其中，表示更新后的入度連接矩陣第i行，表示為更新后的出度連接矩陣第i行，為用戶u在時(shí)間槽t的簽到活動(dòng)序列向量，|s|為簽到序列的簽到次數(shù)，和為參數(shù)矩陣。

93、對(duì)ggnn的節(jié)點(diǎn)更新函數(shù)進(jìn)行修改得到stggnn的節(jié)點(diǎn)更新函數(shù)；

94、stggnn的節(jié)點(diǎn)點(diǎn)更新函數(shù)的表達(dá)式為：

95、

96、其中表示在序列圖中第i個(gè)節(jié)點(diǎn)的圖輸入向量，為用戶u在簽到序列s中的第i個(gè)位置節(jié)點(diǎn)對(duì)應(yīng)的圖輸入向量，表示在時(shí)間槽t的第i個(gè)位置節(jié)點(diǎn)的在t-1時(shí)刻的隱藏狀態(tài)，rit和為節(jié)點(diǎn)經(jīng)過(guò)重置門(mén)和更新門(mén)以后的結(jié)果，為位置節(jié)點(diǎn)在t時(shí)刻的候選隱藏狀態(tài)，為位置節(jié)點(diǎn)在t時(shí)刻的隱藏狀態(tài)，w*為參數(shù)矩陣；

97、將ckge得到的興趣點(diǎn)嵌入向量作為輸入數(shù)據(jù)輸入到stggnn得到輸出矩陣vp＝{xp1,xp2,xp3,...xpn}，其中xpi為興趣點(diǎn)節(jié)點(diǎn)pi最終學(xué)習(xí)到的結(jié)果向量。

98、優(yōu)選地，步驟s6中通過(guò)圖注意力機(jī)制模型graphattention?network,gat，融合具有用戶群組特征和興趣區(qū)域特征的簽到關(guān)系的具體內(nèi)容為：

99、通過(guò)gat模型使其在計(jì)算融合邊信息后的向量xij，根據(jù)融合邊信息后的向量xij計(jì)算節(jié)點(diǎn)之間的注意力系數(shù)；

100、計(jì)算融合后的向量xij的表達(dá)式為：

101、xij＝wnhi||wnhj||wrrij；

102、計(jì)算節(jié)點(diǎn)之間的注意力系數(shù)aij的表達(dá)式為：

103、

104、其中，wn和wr為可學(xué)習(xí)的權(quán)重矩陣，rij為節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的邊的特征向量，||表示向量的連接操作，即對(duì)于每對(duì)節(jié)點(diǎn)i和j，將它們的特征和連接它們的邊的特征向量端對(duì)端地拼接在一起，ct為可學(xué)習(xí)的權(quán)重向量，leakyrelu是非線性激活函數(shù)；

105、引入邊特征后對(duì)信息聚合函數(shù)進(jìn)行調(diào)整得到更新信息聚合函數(shù)；

106、更新信息聚合函數(shù)的表達(dá)式為：

107、

108、其中wh和wr分別為節(jié)點(diǎn)特征和關(guān)系特征的參數(shù)矩陣；

109、構(gòu)建實(shí)現(xiàn)消息聚合的消息聚合模型；

110、消息聚合模型的表達(dá)式為：

111、

112、其中w1和w2分別表示可訓(xùn)練的參數(shù)矩陣，⊙表示向量的乘法，通過(guò)消息聚合將節(jié)點(diǎn)i的表示hi和其一階鄰居節(jié)點(diǎn)聚合的表示聚合為新的當(dāng)前節(jié)點(diǎn)表示；

113、通過(guò)堆疊更多的傳播層捕獲高階連接信息，具體為，在第l個(gè)步驟中，遞歸地將實(shí)體的表示更新為以下形式：

114、

115、其中為來(lái)自其l-1跳的鄰居節(jié)點(diǎn)j的特征向量，來(lái)自節(jié)點(diǎn)i的l-1跳的鄰居信息加入注意力機(jī)制后匯聚表示為

116、在遞歸完成l層后，目標(biāo)節(jié)點(diǎn)獲取最終自l階鄰居的特征信息；

117、經(jīng)過(guò)l層信息傳遞和聚合后，得到了用戶節(jié)點(diǎn)u在不同的層次傳播的多個(gè)表示，以及興趣節(jié)點(diǎn)p的多個(gè)表示：由于不同層的輸出強(qiáng)調(diào)不同階的連通性信息；

118、采用層聚合機(jī)制將每一層的輸出表示連接成單個(gè)向量；

119、單個(gè)向量的表達(dá)式為：

120、

121、其中，||表示是連接操作，為用戶節(jié)點(diǎn)u的向量表示，為興趣點(diǎn)節(jié)點(diǎn)p的向量表示，l表示執(zhí)行聚合操作的層數(shù)；

122、對(duì)用戶向量和興趣點(diǎn)向量進(jìn)行內(nèi)積，得到預(yù)測(cè)用戶u對(duì)興趣點(diǎn)p的匹配分?jǐn)?shù)

123、對(duì)用戶向量和興趣點(diǎn)向量進(jìn)行內(nèi)積的表達(dá)式為：

124、

125、對(duì)圖注意力機(jī)制模型進(jìn)行優(yōu)化并設(shè)定二元交叉熵?fù)p失函數(shù)；

126、二元交叉熵?fù)p失函數(shù)的表達(dá)式為：

127、

128、其中，y(u,p)表示用戶u對(duì)興趣點(diǎn)p的實(shí)際簽到，表示模型預(yù)測(cè)的用戶u對(duì)訪問(wèn)興趣點(diǎn)p的概率。

129、綜上所述，本發(fā)明的一種基于知識(shí)圖譜的興趣點(diǎn)推薦方法，相比興趣點(diǎn)推薦技術(shù)，針對(duì)基于位置的社交網(wǎng)絡(luò)(lbsn)中的興趣點(diǎn)推薦需求，考慮到簽到數(shù)據(jù)的多樣性及其多維特征，深入研究影響用戶簽到行為的核心因素，從用戶社交網(wǎng)絡(luò)、時(shí)間序列和地理位置三個(gè)維度著手，構(gòu)建融合上下文信息的興趣點(diǎn)知識(shí)圖譜，研究基于知識(shí)圖譜圖學(xué)習(xí)的興趣點(diǎn)推薦方法，有效克服了傳統(tǒng)興趣點(diǎn)推薦中上下文信息利用不足的問(wèn)題，有助于緩解用戶簽到數(shù)據(jù)的高稀疏性和弱語(yǔ)義性問(wèn)題，提升興趣點(diǎn)推薦的準(zhǔn)確性。

130、下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。