·410- 智能系统学报 第16卷 签到序列上面的0和1数值表示相邻的两个兴趣 条件进行动态推荐，用户最后的一个会话信息被 点之间是否属于一个会话。本文将用户的每一次 用于推荐。例如，当用户在P地点提出查询时 签到记录作为训练目标，每个用户将会得到s-1 模型将会根据用户在p,的签到时间判断是否上 训练序列，s为用户历史签到总数。下面举例说 一个会话已结束，当用户的前一个会话结束时（即 明模型的训练和推荐过程。如果一个用户在3时 S)=0),用户最后一次签到的p地点将作为一 刻之前已访问过P、p2两个兴趣点，用户访问P1 个新的会话用于推荐下一个兴趣点，当S(①=1， 和P2之间的时间间隔小于π，那么P1和P2属于 说明p?地点的签到属于上一个会话信息，此时P6 同一个会话，假如用户在t(-52≤π)时刻在P 和P,将共同作为一个会话信息用于推荐下一个 兴趣点提出一个查询Q,此用户最后的会话信息 兴趣点。 {P1,P2,P}将会作为序列输入用于推荐，兴趣点p4 3.2序列建模 将会作为目标兴趣点进行训练。假如用户在 本文采用RNN模型对用户的签到序列信息 t4(t4-3>元)时刻在p4地点提出查询Q,由于当前 进行建模。在RNN中，用户在时刻签到的隐藏 用户的会话信息不属于上一会话，模型将在4时 层向量h,表示为 刻新建一个只包括当前用户查询位置的会话信息 h=f(Mp +Ch) (1) 作为输入，用户下一个访问的兴趣点5将会被作 式中：表示对应兴趣点p编码的低维向量；f 为训练目标。在模型的训练中，用户每次访问的 表示激活函数；M、C分别表示参数矩阵。 下一个兴趣点被当成目标兴趣点，由于它的地理 3.3时空偏好建模 信息和签到时间是已知的，用户访问下一个兴趣 一些模型在对空间信息建模时，通常认为用 点的时空间隔信息也可以通过计算得到。本文使 户更倾向于访问位置较近的地，点，通过利用空间 用用户访问下一个兴趣点的时空信息作为用户的 距离作为参数控制用户的空间偏好。然而，这些 查询信息在模型中进行训练。通过大量用户历史 模型无法对用户的远距离偏好的兴趣点进行推 签到数据集来学习，用户访问下一个兴趣点的远近 荐。传统的RNN模型对近距离和远距离的用户 距离偏好、长短时间偏好和时空信息的交互作用。 偏好建模存在困难，因此需要对RNN模型进行改 0 进。本文通过设置2个空间转移矩阵W、W2对 会话 用户的空间偏好进行建模，W,用于捕获用户的短 会话 距离偏好，W2用于捕获用户长距离偏好。为了能 P p/Q) 够让转移矩阵W,自然过渡到转移矩阵W2,设置 了一个最大距离间隔π4。当兴趣点转换距离在最 用户历史签到 用户提交查询时所处位置 大距离间隔内时，用户的空间偏好转移矩阵由距 Ps 离间隔对W,和W2转移矩阵进行加权计算得到。 session, session, session 当兴趣点转换距离在最大距离间隔外时，用户表 训练 输入会话 目标 session, 现出远距离的偏好，此时W2将作为空间转移矩 P P 阵。在训练时，用户访问下一个兴趣点的转换距 session 3 离（△d)由用户历史签到兴趣点相邻的下一个签 session P P P Pa 到兴趣点的距离相减得到，即 session, △d4=h(gt-8P) Ps 式中：△d表示相邻兴趣点的距离间隔；g表示 session, 安 用户u在k时刻访问的兴趣点p的经纬度坐标；h 预测 session, P p?) 表示Harversine公式，用于计算经纬度坐标之间的 1-=π 距离。根据用户签到兴趣点的转换距离，兴趣点 session, M?) 12-62=π 的空间转移矩阵可表示为 图1 基于会话的下一个兴趣点推荐模型的训练与推荐 Y(πa-△dk)W+△dW2 △d<ra 过程 Fig.1 Training and recommendation process of the next W2,△d≥πa POI recommendation model based on session 得到用户的空间转移矩阵D4后，用DM替 在模型的推荐过程中，模型根据用户的查询 代式(1)中的M矩阵，因此考虑用户空间偏好的s−1 s t3 p1 p2 p1 p2 πs p1 p2 t3 t3 −t2 ⩽ πs p3 Q p1, p2, p3 p4 t4 t4 −t3 > πs p4 Q t4 p5 签到序列上面的 0 和 1 数值表示相邻的两个兴趣 点之间是否属于一个会话。本文将用户的每一次 签到记录作为训练目标，每个用户将会得到 训练序列， 为用户历史签到总数。下面举例说 明模型的训练和推荐过程。如果一个用户在 时 刻之前已访问过 、 两个兴趣点，用户访问 和 之间的时间间隔小于 ，那么 和 属于 同一个会话，假如用户在 ( ) 时刻在 兴趣点提出一个查询 ，此用户最后的会话信息 { }将会作为序列输入用于推荐，兴趣点 将会作为目标兴趣点进行训练。假如用户在 ( ) 时刻在 地点提出查询 ，由于当前 用户的会话信息不属于上一会话，模型将在 时 刻新建一个只包括当前用户查询位置的会话信息 作为输入，用户下一个访问的兴趣点 将会被作 为训练目标。在模型的训练中，用户每次访问的 下一个兴趣点被当成目标兴趣点，由于它的地理 信息和签到时间是已知的，用户访问下一个兴趣 点的时空间隔信息也可以通过计算得到。本文使 用用户访问下一个兴趣点的时空信息作为用户的 查询信息在模型中进行训练。通过大量用户历史 签到数据集来学习，用户访问下一个兴趣点的远近 距离偏好、长短时间偏好和时空信息的交互作用。 会话 会话 会话 p1 p1 p1 p1 p2 p2 p2 p3 p3 p4 p4 p4 p5 p5 p6 p6 p7 p7 p1 p2 p3 p4 p5 p6 p2 p3 p4 p5 p6 t1 t2 t3 t4 t5 t6 S(t) p7 (Q) p8 用户历史签到 用户提交查询时所处位置 session1 session1 session1 session1 session2 session2 session3 session4 session2 session3 训练 t7−t6<=πs t7−t6>=πs 预测 p(?) p(?) 1 1 0 1 0 输入会话 目标 图 1 基于会话的下一个兴趣点推荐模型的训练与推荐 过程 Fig. 1 Training and recommendation process of the next POI recommendation model based on session 在模型的推荐过程中，模型根据用户的查询 p7 p7 S (t) = 0 p7 S (t) = 1 p7 p6 p7 条件进行动态推荐，用户最后的一个会话信息被 用于推荐。例如，当用户在 地点提出查询时， 模型将会根据用户在 的签到时间判断是否上 一个会话已结束，当用户的前一个会话结束时 (即 )，用户最后一次签到的 地点将作为一 个新的会话用于推荐下一个兴趣点，当 ， 说明 地点的签到属于上一个会话信息，此时 和 将共同作为一个会话信息用于推荐下一个 兴趣点。 3.2 序列建模 tk htk 本文采用 RNN 模型对用户的签到序列信息 进行建模。在 RNN 中，用户在 时刻签到的隐藏 层向量 表示为 htk = f(M pu tk +Chtk−1 ) (1) p u t k p f M C 式中： 表示对应兴趣点 编码的低维向量； 表示激活函数； 、 分别表示参数矩阵。 3.3 时空偏好建模 W1 W2 W1 W2 W1 W2 πd W1 W2 W2 ∆d 一些模型在对空间信息建模时，通常认为用 户更倾向于访问位置较近的地点，通过利用空间 距离作为参数控制用户的空间偏好。然而，这些 模型无法对用户的远距离偏好的兴趣点进行推 荐。传统的 RNN 模型对近距离和远距离的用户 偏好建模存在困难，因此需要对 RNN 模型进行改 进。本文通过设置 2 个空间转移矩阵 、 对 用户的空间偏好进行建模， 用于捕获用户的短 距离偏好， 用于捕获用户长距离偏好。为了能 够让转移矩阵 自然过渡到转移矩阵 ，设置 了一个最大距离间隔 。当兴趣点转换距离在最 大距离间隔内时，用户的空间偏好转移矩阵由距 离间隔对 和 转移矩阵进行加权计算得到。 当兴趣点转换距离在最大距离间隔外时，用户表 现出远距离的偏好，此时 将作为空间转移矩 阵。在训练时，用户访问下一个兴趣点的转换距 离 ( ) 由用户历史签到兴趣点相邻的下一个签 到兴趣点的距离相减得到，即 ∆dk = h ( g u,pk+1 k+1 −g u,pk k ) ∆dk g u,pk k u k p h Harversine 式中： 表示相邻兴趣点的距离间隔； 表示 用户 在 时刻访问的兴趣点 的经纬度坐标； 表示 公式，用于计算经纬度坐标之间的 距离。根据用户签到兴趣点的转换距离，兴趣点 的空间转移矩阵可表示为 D∆dk =    (πd −∆dk)W1 πd + ∆dkW2 πd , ∆dk < πd W2 , ∆dk ⩾ πd D∆dk D∆dk M 得到用户的空间转移矩阵 后，用 替 代式 (1) 中的 矩阵，因此考虑用户空间偏好的 ·410· 智 能 系 统 学 报 第 16 卷