(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 202210866581.1 (22)申请日 2022.07.22 (71)申请人 东北财经 大学 地址 116025 辽宁省大连市沙河口区尖山 街217号 (72)发明人 王晓军　刘涛　 (74)专利代理 机构 大连智高专利事务所(特殊 普通合伙) 2123 5 专利代理师 马庆朝 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9537(2019.01) G06N 20/00(2019.01) (54)发明名称 基于Pseudo- Checkin的外地POI推荐方法 (57)摘要 本发明公开了基于Pseudo ‑Checkin的外地 POI推荐方法， 属于计算机应用技术领域。 步骤包 括： 基于迁移学习和图嵌入技术生成外地用户在 目标城市的伪签 到记录； 获得用户在12个时间段 上的类别层面POI偏好 向量， 构建样 本集 在 cur＝1,2, …12上建 立基于T‑SemiDAE的外地POI推荐 模型； 训练 cur＝1,2, …12上的基于T ‑SemiDAE的外地 POI推荐模型； 预测应用， 即为外地用户推荐目标 城市POI。 本发明依托O2O模式下的位置社交网 络， 以新颖且更合理的方式构建基于迁移学习、 图嵌入以及深度学习技术的时空动态型外地POI 推荐模型； 实验 结果表明所申请技术能够显著提 高外地POI推荐的准确度。 权利要求书2页 说明书6页 CN 115292590 A 2022.11.04 CN 115292590 A 1.一种基于Pseudo ‑Checkin的外地POI推荐方法， 其特 征在于： 包括如下步骤， 第一步： 基于迁移学习和图嵌入方法生成外地用户在目标城市的伪签到记录； 将其与 本地用户的真实签到记录合并为目标城市签到数据集； 在目标城市数据集中， 表示用户 集合且 其中 和 分别表示本地和外地用户集合； 表示POI集合且 其中 和 分别表示目标城市POI集 合和外地用户的家乡城市POI集合； 表示POI类型集合且 其中 和 分别表示目标城市POI类型集合和外地 用户的家乡城市POI类型集 合； 第二步： 获得用户在12个时间段 上的类别层面POI偏好向量 构建样本集 以00:00为起点、 2小时为粒度， 将一天的24小时划分为12个均等时间段； 和 分别表示在时间段 上用户 在目标城市签到或伪签到过的POI集合和POI类别集 合； 表示在时间段 上用户 在目标城市签到或伪签到过的类别为 的POI集合； 利 用词频‑逆向文档频率方法将用户签到次数转换为类别层面的POI偏好 值: 其中 是在时间段 上用户 对POI 的签到的次数， ·表示集合的元素数 量； 用户 在时间段 上的POI偏好向量 是长度为 的multi‑hot编码向量， 其非缺 失元素由公式(1)计算获得， 缺失元素在训练阶段设置为nan， 在预测应用阶段设置为0值； 以 为一个样本， 那么时间段 的用户集合 中所有用户的POI偏好向量 组成样本集Θcur,cur＝1,2, …12； 第三步:在 上建立基于T ‑SemiDAE的外地POI推荐模型； 其中 SemiDAE表示基于半受限玻尔兹曼机的深度编码器； T ‑SemiDAE由SemiDAE的第一个隐藏层 和输出层外接时间条件网络而形 成的； 时间条件网络接收用户 在 的 个最相近时间段 上的POI偏好向量 第四步： 训练 上的基于T ‑SemiDAE的外地POI推荐模型； 首先基于社 交‑协同‑公众正则项的学习 算法预训练T ‑SemiDAE的编码器， 其中技术实现上是在基于社 交关系的正则化学习算法的基础上补充了协同用户偏好信息和公众偏好信息； 然后， 通过 镜像对称的方式复制编码器获得预训练的解码器； 最后， 使用BP算法对经过预训练的T ‑ SemiDAE进行参数微调； 第五步： 预测应用， 即为外地用户推荐目标城市POI； 根据当前时间段 生成外地用户 在目标城市的伪签到记录并计算POI类别层面偏好向量 然后喂入时间段 上的T‑ SemiDAE模型输出POI推荐列表。 2.根据权利要求1所述的基于Pseudo ‑Checkin的外地POI推荐方法， 其特征在于： 第一 步的生成外地用户在目标城市的伪签到记录， 实现过程 为： 首先， 定义POI ‑word网络为一个无向图 其中 表示POI集合且 表示语料库， 来自于POI类型集合 且 是POI与单词之权　利　要　求　书 1/2 页 2 CN 115292590 A 2间边的集合， 是words之间边的集合； 如果单词 用于描述POI 则 和 之间存在 边； 如果单词 和 用于描述同一个POI， 则单词 和 之间存在边； 当边存在时， 边的权重 设置为1， 否则为0； 其次， 采用N ode2vec方法对POI ‑word图进行嵌入表示学习， 获得POI节点的嵌入向量； 然后， 根据向量的余弦相似度匹配跨城市的最相似POI， 迁移外地用户在家乡城市的签 到记录； 外地用户 访问了其家乡的POI 计算 的嵌入向量与 中所有POI的 嵌入向量的余弦相 似度， 选择相似度最大的POI， 记为 在 上的签到记录信息迁移到 上， 生成 对 的伪签到记录 。权　利　要　求　书 2/2 页 3 CN 115292590 A 3