一种多任务个性化行为模式的位置预测方法

技术领域

本发明涉及数据挖掘技术领域，尤其涉及一种多任务个性化行为模式的位置预测方法。

背景技术

在基于位置的社交网络中，用户可以通过签到等行为记录他们在现实世界中访问的场所。随着无线通信和定位技术的发展，基于位置的社交网络产生了大量的数据积累，使用基于位置的社交网络中的用户会希望去探索游玩这些位置，根据自己的个人喜好在海量的位置之中做出选择，但是在实际应用中每个用户之前的访问或者签到轨迹可能只会覆盖极少部分位置。面对海量可供用户选择的场所，如何选择自己感兴趣的场所成为了一个关键问题。在这种情况下，用户势必会希望基于位置的社交网络根据他们的历史访问和签到数据来对他们进行预测，帮助用户进行选择。那么基于位置的社交网络利用自己所存储的用户过往数据，结合用户当前的位置以及时间信息，预测用户可能感兴趣的位置的行为就被称为位置预测。在位置预测任务中，有多个查询条件可以考虑。一种常见的查询条件是基于给定的时间来预测用户的下一个位置，以提供实时的预测体验。另一种查询条件是为每个用户预测未访问的位置，以帮助用户发现新的地点和体验。这些查询条件可以根据用户的需求和特定的应用场景进行定制。

先前的研究表明，并没有位置预测模型可以同时解决不同的用户需求，其主要原因在于不同任务之间的性质差异、用户数据的稀疏性和冷启动问题。首先在不同任务之间的差异可能不仅仅体现在数据上，还可能涉及到任务目标、用户期望和预测内容的类型。这种异构性使得设计一个通用的跨任务位置预测系统更加具有挑战性。此外，在跨不同任务的情况下，用户的移动行为数据可能非常稀疏，因为用户在不同任务中的行为记录相对较少。这种稀疏性使得难以准确地了解用户的行为模式和位置偏好，影响了预测系统的性能。同时，在跨任务的场景下，当一个新任务或一个新用户加入系统时，由于缺乏足够的历史数据，同样使预测系统难以准确地了解用户的偏好。

发明内容

本发明旨在至少解决相关技术中存在的技术问题之一。为此，本发明提供一种多任务个性化行为模式的位置预测方法。

本发明提供一种多任务个性化行为模式的位置预测方法，包括：

S1：采集用户的历史位置轨迹，对所述历史位置轨迹进行编码，获得轨迹嵌入表示；

S2：基于用户未提交的位置记录建立辅助轨迹模拟，获得辅助嵌入表示，通过所述辅助嵌入表示对所述轨迹嵌入表示进行数据增强，获得增强嵌入表示；

S3：根据所述增强嵌入表示建立协同位置转移图并构建图神经网络，通过所述图神经网络进行特征建模获得用户轨迹特征；

S4：通过对比学习网络，将多个预测任务下分别获得的用户轨迹特征和引入的用户的个性化行为模式特征进行可迁移特征学习，获得个性化行为特征；

S5：根据所述个性化行为特征对所述图神经网络进行训练，基于训练后的图神经网络输出用户的偏好得分，以完成用户的位置预测。

根据本发明提供的一种多任务个性化行为模式的位置预测方法，步骤S2进一步包括：

S21：采集用户未提交的位置记录；

S22：根据所述位置记录构建协同邻居特征矩阵，并对所述协同邻居特征矩阵进行归一化；

S23：根据归一化后的协同邻居特征矩阵构建辅助位置嵌入，获得辅助嵌入表示；

S24：通过所述辅助嵌入表示对所述轨迹嵌入表示进行数据增强，获得增强嵌入表示。

根据本发明提供的一种多任务个性化行为模式的位置预测方法，步骤S22中的归一化后的协同邻居特征矩阵的表达式为：

其中，

步骤S24中的所述增强嵌入表示的表达式为：

其中，

根据本发明提供的一种多任务个性化行为模式的位置预测方法，步骤S3中，所述协同位置转移图的节点为用户位置，所述协同位置转移图的边为用户位置间的转移关系。

根据本发明提供的一种多任务个性化行为模式的位置预测方法，步骤S3进一步包括：

S31：根据所述增强嵌入表示建立协同位置转移图；

S32：将所述协同位置转移图中的关系转换为全局关系矩阵，并进行归一化；

S33:对归一化后的全局关系矩阵进行嵌入学习，获得所述图神经网络；

S34：通过所述图神经网络进行特征建模，获得用户轨迹特征。

根据本发明提供的一种多任务个性化行为模式的位置预测方法，步骤S33中，对归一化后的全局关系矩阵进行嵌入学习的计算式为：

其中，

根据本发明提供的一种多任务个性化行为模式的位置预测方法，步骤S4中，所述对比学习网络进行可迁移特征学习获得的损失的表达式为：

其中，

根据本发明提供的一种多任务个性化行为模式的位置预测方法，步骤S5中，用于所述图神经网络的总损失的表达式为：

其中，

根据本发明提供的一种多任务个性化行为模式的位置预测方法，步骤S5中获得的用户的偏好得分的表达式为：

其中，

本发明的目的是针对当前位置预测系统普遍存在的数据稀疏和冷启动问题，以及同一位置预测模型不能有效地用于基于不同查询条件的用户需求问题，提出一种适配多任务个性化行为模式的位置预测方法，以一种模型同时解决不同的位置预测任务，并且同时提高不同任务下的预测表现。

本发明提出的一种多任务个性化行为模式的位置预测方法，用于同时满足用户对下一个位置预测和未访问位置预测的需求。该模型由统一轨迹嵌入网络和多任务偏好评分网络组成，统一轨迹嵌入网络用于编码用户轨迹，而多任务偏好评分网络输出不同任务的偏好评分。为了捕捉共同偏好，模型引入了可迁移的个性化行为模式（TPP）概念，并通过对比学习框架推动TPP嵌入的多样化表示。模型利用辅助轨迹模拟未上传的签到数据，能够有效应对数据稀疏和冷启动问题；并通过可迁移的个性化行为模式捕捉不同任务下的用户个性化行为模式，同时提高了不同下游任务的预测效果。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种多任务个性化行为模式的位置预测方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。以下实施例用于说明本发明，但不能用来限制本发明的范围。

在本发明实施例的描述中，需要说明的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明实施例中的具体含义。

在本发明实施例中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

下面结合图1描述本发明实施例。

本发明提供一种多任务个性化行为模式的位置预测方法，包括：

S1：采集用户的历史位置轨迹，对所述历史位置轨迹进行编码，获得轨迹嵌入表示；

进一步的，本阶段定义原始子轨迹。将第

S2：基于用户未提交的位置记录建立辅助轨迹模拟，获得辅助嵌入表示，通过所述辅助嵌入表示对所述轨迹嵌入表示进行数据增强，获得增强嵌入表示；

其中，步骤S2进一步包括：

S21：采集用户未提交的位置记录；

S22：根据所述位置记录构建协同邻居特征矩阵，并对所述协同邻居特征矩阵进行归一化；

其中，步骤S22中的归一化后的协同邻居特征矩阵的表达式为：

其中，

进一步的，

S23：根据归一化后的协同邻居特征矩阵构建辅助位置嵌入，获得辅助嵌入表示；

S24：通过所述辅助嵌入表示对所述轨迹嵌入表示进行数据增强，获得增强嵌入表示。

其中，步骤S24中的所述增强嵌入表示的表达式为：

其中，

S3：根据所述增强嵌入表示建立协同位置转移图并构建图神经网络，通过所述图神经网络进行特征建模获得用户轨迹特征；

其中，步骤S3中，所述协同位置转移图的节点为用户位置，所述协同位置转移图的边为用户位置间的转移关系。

其中，步骤S3进一步包括：

S31：根据所述增强嵌入表示建立协同位置转移图；

S32：将所述协同位置转移图中的关系转换为全局关系矩阵，并进行归一化；

S33:对归一化后的全局关系矩阵进行嵌入学习，获得所述图神经网络；

其中，步骤S33中，对归一化后的全局关系矩阵进行嵌入学习的计算式为：

其中，

S34：通过所述图神经网络进行特征建模，获得用户轨迹特征。

进一步的，本阶段首先构建协同位置转移图：将全部用户的原始子轨迹作为输入并转化为图结构，其中每个节点表示一个位置，边表示节点之间的转移关系。将协同位置转移图中的关系表示为全局关系矩阵并进行归一化；

其次计算初始位置嵌入经过全局转移关系矩阵计算后的得到其隐藏状态表示；然后通过门控图神经网络中的

最后利用LSTM网络对用户的原始子轨迹和辅助子轨迹进行编码，得到用户的子轨迹嵌入和辅助子轨迹嵌入。

S4：通过对比学习网络，将多个预测任务下分别获得的用户轨迹特征和引入的用户的个性化行为模式特征进行可迁移特征学习，获得个性化行为特征；

其中，步骤S4中，所述对比学习网络进行可迁移特征学习获得的损失的表达式为：

其中，

进一步的，本阶段首先可迁移个性化行为模式学习，通过引入可迁移个性化行为模式学习嵌入，用于学习每个用户在不同的预测任务中能够进行迁移利用的个性化行为模式，从而捕捉不同用户在不同任务中体现的通用个性化行为模式特征。对于子轨迹嵌入和辅助子轨迹嵌入，对于下一个位置预测任务，附加其时间条件信息；

其次融合可迁移个性化行为模式计算，获得用户对位置的偏好得分。

S5：根据所述个性化行为特征对所述图神经网络进行训练，基于训练后的图神经网络输出用户的偏好得分，以完成用户的位置预测。

其中，步骤S5中，用于所述图神经网络的总损失的表达式为：

其中，

其中，步骤S5中获得的用户的偏好得分的表达式为：

其中，

进一步的，首先生成子轨迹相关的损失，利用交叉熵损失函数分别在不同任务下的子轨迹和辅助子轨迹生成损失，然后生成用于模型训练的总损失，经过迭代训练直至模型收敛后，再将其对应的所有子轨迹分别在两个任务中的得分加权求和，生成最终的位置预测得分。

在一些实施例中，以基于位置的社交网络Gowalla和Foursquare中的数据作为网络训练和预测对象，提取其用户签到记录。其中对于Gowalla数据集，过滤访问地点少于15个的用户和访问用户少于10人的地点，最终得到的用户数量为18737，地点数量为32510，签到记录数量为1278274。对于Foursquare数据集，过滤访问地点少于10个的用户和访问用户少于10人的地点，最终得到的用户数量为24941，地点数量为28593，签到记录数量为1196248。两个数据集中，训练集、验证集和测试集的比例分别为70%、10%和20%，并且为了保障预测未访问位置的任务需求，出现在验证集和测试集中的访问记录，其位置未出现在训练集中，并且访问时间均在训练集之后。因此签到记录需以用户ID分组。签到时间的表示是将时间均以周为一个周期划分成24*7=168个时间槽，将用户签到记录中的具体访问时间映射至时间槽中，以对应的时间槽ID表示签到时间息。对于位置的位置信息，根据数据集中位置的经纬度范围，将经度和纬度分别划分成32个子区间，最终形成1024个地理网格，根据用户签到记录中地点所在具体位置映射至相应的网格中，以对应的地理网格ID表示位置信息。将每个用户所有的签到记录即原始轨迹按一周的时间跨度划分成多个连续顺序的子轨迹，以对本发明的适配多任务个性化行为模式的位置预测方法进行有效性验证。

本发明在两个广泛使用的公开基于位置的社交网络数据集Gowalla和Foursquare上进行了位置预测实验。实验包含两个方面的内容：针对每个用户，为其生成未访问位置偏好得分和下一个的位置偏好得分，每个任务对比了7种相应的位置预测模型，其预测结果通过精确率、召回率、平均精度均值和归一化折扣累计收益4种评估指标评估。实验结果显示，本发明提出的方法相比于以往效果最好的方法，在两种任务的预测效果上都有不同程度的提升。另外还提供了分别取消辅助轨迹、图神经网络编码和可迁移个性化行为模式后的每个任务下的效果，可以得到在每个模块取消后，模型的预测效果有着不同程度上的下降，说明了上述3个模块的设计为预测性能的提高起到了正面作用。另外一些实施例中提供了融合可迁移个性化行为模式学习前后的轨迹表示，可以获得引入可迁移个性化行为模式学习后，每个用户的子轨迹嵌入更加聚合，不同用户间的轨迹相隔距离变大，说明了子轨迹嵌入在融合可迁移个性化行为模式后，有效地获取到了更加个性化的偏好语义，以上结果充分说明了本发明提出的方法在多任务个性化行为模式的位置预测中取得了理想的效果。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。