一種興趣點推薦方法及系統技術方案

本發明專利技術提供了一種興趣點推薦方法及系統，屬于信息推送領域，方法包括：在位置感知信息中，基于簽到的興趣點和未訪問的興趣點之間的距離和屬性，使用徑向基函數提取簽到興趣點的鄰居感知影響，獲取高斯核值向量；采用序列模型將用戶行為序列按照時間戳排序獲取用戶行為特征；將輸入數據集輸入至embedding層，獲取Embedding行為序列；在Embedding行為序列進入全連接層的分類之前引入注意力得分機制進行深度特征提取，利用全連接層自動學習各深度特征向量之間的非線性關系組合，輸入至多層神經網絡中獲取點擊率預估值。本發明專利技術在用戶興趣點推薦上，綜合考慮了地理、時間和對象相關度的因素，提高了推薦平臺的點擊率。提高了推薦平臺的點擊率。提高了推薦平臺的點擊率。

【技術實現步驟摘要】
一種興趣點推薦方法及系統


[0001]本專利技術屬于信息推送領域，更具體地，涉及一種興趣點推薦方法及系統。

技術介紹

[0002]隨著大數據時代的到來，推薦系統隨之興起。當用戶沒有明確需求時，根據大數據利用一個自動化的工具推薦系統對用戶進行推薦。推薦算法可以對過載的信息進行分析和處理，已成為解決信息過載的技術解決方案，幫助用戶提供興趣點。
[0003]基于深度學習的推薦算法，包括的深度學習的網路結構有DNN、CNN、RNN、GAN、GNN等。在表征能力方面現有的深度神經網絡能夠較好地捕捉用戶動態興趣，但是利用數據有限，沒有考慮用戶信息及特征，同時也存在為未考慮用戶點擊的項目并不能代表用戶的興趣這一普遍存在的現象，更沒有將地理因素和時間因素考慮在內，導致現有的興趣點推薦方法會存在推薦內容與用戶興趣相悖，用戶可能因為無法發現其感興趣的內容而流失，推薦平臺的點擊率較低。

技術實現思路

[0004]針對現有技術的缺陷，本專利技術的目的在于提供一種興趣點推薦方法及系統，旨在解決現有的推薦方法沒有綜合考慮待推薦對象、用戶所處地理環境以及用戶興趣點隨時間變化等特征導致推薦平臺的點擊率較低問題。
[0005]為實現上述目的，一方面，本專利技術提供了一種興趣點推薦方法，包括以下步驟：
[0006]在位置感知信息中，基于簽到的興趣點和未訪問的興趣點之間的距離和屬性，使用徑向基函數提取簽到興趣點的鄰居感知影響，獲取高斯核值向量；
[0007]采用序列模型將用戶行為序列按照時間戳排序，獲取用戶行為特征；
[0008]將高斯核值向量、用戶行為特征、用戶屬性特征和待推薦對象特征輸入至embedding層，獲取各特征對應的Embedding行為序列；
[0009]在Embedding行為序列進入全連接層的分類之前進行深度特征提取，獲取深度特征向量，其中，在特征提取過程中引入注意力得分機制表征Embedding行為序列中用戶屬性特征和待推薦對象特征的交互大小；
[0010]利用全連接層自動學習各深度特征向量之間的非線性關系組合，輸入至多層神經網絡中獲取點擊率預估值。
[0011]進一步優選地，序列模型為GRU模型。
[0012]進一步優選地，用戶屬性特征包括用戶性別、年齡和出生所在地；用戶行為序列包括用戶目的地、到達目的地的時間和用戶歷史關注對象；待推薦對象特征包括對象分類和對象所在地。
[0013]進一步優選地，點擊率預估值為：
[0014][0015]其中，P為正樣本數量，N為負樣本數量，p
i
為正樣本預測得分，n
j
為負樣本預測得分。
[0016]另一方面，本專利技術提供了一種興趣點推薦系統，包括：
[0017]位置感知信息處理模塊，用于在位置感知信息中，基于簽到的興趣點和未訪問的興趣點之間的距離和屬性，使用徑向基函數提取簽到興趣點的鄰居感知影響，獲取高斯核值向量；
[0018]用戶行為序列排序模塊，用于采用序列模型將用戶行為序列按照時間戳排序，獲取用戶行為特征；
[0019]embedding層，用于接收高斯核值向量、用戶行為特征、用戶屬性特征和待推薦對象特征，輸出各特征對應的Embedding行為序列；
[0020]特征提取模塊，用于在Embedding行為序列進入全連接層的分類之前進行深度特征提取，獲取深度特征向量，其中，在特征提取過程中引入注意力得分機制表征Embedding行為序列中用戶屬性特征和待推薦對象特征的交互大小；
[0021]全連接層，用于自動學習各深度特征向量之間的非線性關系組合，輸入至多層神經網絡中獲取點擊率預估值。
[0022]進一步優選地，序列模型為GRU模型。
[0023]進一步優選地，用戶屬性特征包括用戶性別、年齡和出生所在地；用戶行為序列包括用戶目的地、到達目的地的時間和用戶歷史關注對象；待推薦對象特征包括對象分類和對象所在地。
[0024]進一步優選地，點擊率預估值為：
[0025][0026]其中，P為正樣本數量，N為負樣本數量，p
i
為正樣本預測得分，n
j
為負樣本預測得分。
[0027]總體而言，通過本專利技術所構思的以上技術方案與現有技術相比，具有以下
[0028]有益效果：
[0029]本專利技術提供的興趣點推薦方法及系統，考慮到用戶的地理聚集現象，在DIEN模型上加入了核函數以提取POI的鄰居感知影響，使DIEN可以應用在針對用戶的電商平臺上進行服務，將對象作為POI任務中的興趣點對用戶進行推薦。
[0030]本專利技術提供的興趣點推薦方法及系統，在用戶行為的交互階段應用了DIEN模型，其中，DIEN模型中采用了序列模型，考慮到時間推移，用戶興趣的改變，加強了對用戶興趣遷移的考慮；在進入全連接層的分類之前，使用了加入attention的GRU即AUGRU，在序列模型的基礎上，加強了用戶特征和待推薦廣告特征的交互，使序列模型能更好的提取特征；根據對象的地理位置進行興趣點推薦；在用戶推薦任務上，綜合考慮了地理、時間和對象相關
度的因素，更好地服務該任務。
附圖說明
[0031]圖1是本專利技術實施例提供的興趣點推薦方法的流程圖；
[0032]圖2是本專利技術實施例提供的興趣點推薦方法的模型示意圖。
具體實施方式
[0033]為了使本專利技術的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本專利技術進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本專利技術，并不用于限定本專利技術。
[0034]本專利技術提供了一種興趣點推薦方法及系統，主要是針對用戶的對象平臺推薦，以良好表現的經典電商場景下的DIEN模型為基礎，結合在實際應用環境下用戶的地理聚集現象；綜合CTR(點擊率)中check
?
in任務以及POI推薦，最終為用戶推薦合適的對象地點。
[0035]本專利技術的整體思路為：
[0036]在位置感知信息中，基于簽到的興趣點和未訪問的POI之間的距離和屬性，使用徑向基函數提取簽到興趣點(points of interest，簡稱POI)的鄰居感知影響，為用戶推薦合適的出行地點；
[0037]在此基礎上應用當前主流的電商場景模型DINE，其中，采用深度學習推薦模型進行對象的推薦；其中，應用attention機制增加用戶特征和待推薦項目特征的交互，更加充分的利用用戶歷史數據；
[0038]在深度學習推薦模型中增加序列模型，根據時間戳排列向量，學習用戶的興趣遷移。
[0039]本專利技術綜合考慮了用戶因為時間推移、地點變化而擁有不同的偏好，在保證DIEN推薦結果高精準度的同時將對象作為興趣點，使其能很好地應用在旅游場景中。
[0040]一方面，如圖1和圖2所示，本專利技術提供了一種興趣點推薦方法，包括以下步驟：
[0041]S1：在地理位置特征進入embedding層本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種興趣點推薦方法，其特征在于，包括以下步驟：在位置感知信息中，基于簽到的興趣點和未訪問的興趣點之間的距離和屬性，使用徑向基函數提取簽到興趣點的鄰居感知影響，獲取高斯核值向量；采用序列模型將用戶行為序列按照時間戳排序，獲取用戶行為特征；將高斯核值向量、用戶行為特征、用戶屬性特征和待推薦對象特征輸入至embedding層，獲取各特征對應的Embedding行為序列；在Embedding行為序列進入全連接層的分類之前進行深度特征提取，獲取深度特征向量，其中，在深度特征提取過程中引入注意力得分機制表征Embedding行為序列中用戶屬性特征和待推薦對象特征的交互大小；利用全連接層自動學習各深度特征向量之間的非線性關系組合，輸入至多層神經網絡中獲取點擊率預估值。2.根據權利要求1所述的興趣點推薦方法，其特征在于，所述序列模型為GRU模型。3.根據權利要求1或2所述的興趣點推薦方法，其特征在于，所述用戶屬性特征包括用戶性別、年齡和出生所在地；用戶行為序列包括用戶目的地、到達目的地的時間和用戶歷史關注對象；待推薦對象特征包括對象分類和對象所在地。4.根據權利要求1或2所述的興趣點推薦方法，其特征在于，所述點擊率預估值為：其中，P為正樣本數量，N為負樣本數量，p
i
為正樣本預測得分，n
j
為負樣本預測得分。5.一種興趣點推薦系統，其特征在于，包括：位置感...

【專利技術屬性】
技術研發人員：張勇，李森，李茂哲，
申請(專利權)人：海南港航控股有限公司，
類型：發明
國別省市：