本發(fā)明涉及目的地推薦，尤其涉及基于共現(xiàn)模式挖掘的下一目的地推薦方法、系統(tǒng)及介質(zhì)。

背景技術(shù)：

1、下一個(gè)目的地推薦是人們?nèi)粘３鲂械挠辛ぞ?。它的主要目的地推薦的目標(biāo)是為用戶提供最有可能訪問(wèn)的位置列表，可以提高市民生活質(zhì)量和促進(jìn)城市經(jīng)濟(jì)發(fā)展，有利于各種基于位置的服務(wù)和叫車服務(wù)等的發(fā)展。

2、現(xiàn)有的推薦方法主要分為兩類，一類是基于位置的推薦，一類是基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)方法的推薦。基于位置的推薦方法探索了過(guò)去地點(diǎn)對(duì)歷史軌跡影響的差異。例如，將軌跡壓縮為基于不同功能區(qū)的興趣區(qū)訪問(wèn)序列，或?qū)⒚總€(gè)點(diǎn)投影到劃分為多尺度網(wǎng)格的地圖上。而基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的推薦方法探索了異構(gòu)用戶-條目交互之間的關(guān)系，例如hetgnn可以同時(shí)捕獲用戶軌跡的結(jié)構(gòu)和特征異質(zhì)性，hans同時(shí)考慮了節(jié)點(diǎn)和元路徑的重要性等。

3、然而，現(xiàn)有的方案都沒有分析時(shí)間敏感的推薦，而只是專注于序列敏感的社會(huì)或商品推薦，推薦結(jié)果往往不盡人意，無(wú)法捕獲動(dòng)態(tài)變化以進(jìn)行目的地推薦；且現(xiàn)有的方法遇到了欠耦合的重大挑戰(zhàn)，除了居住區(qū)、工作場(chǎng)所等具有較強(qiáng)規(guī)律性的場(chǎng)所，很多場(chǎng)多人們出行的規(guī)律性很弱，而模型的學(xué)習(xí)能力是有限的，故易出現(xiàn)欠擬合的問(wèn)題。因此，需要研發(fā)一種下一目的地推薦方法來(lái)解決上述問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了基于共現(xiàn)模式挖掘的下一目的地推薦方法、系統(tǒng)及介質(zhì)，構(gòu)建了人類出行軌跡中豐富的特征信息和連接關(guān)系，并構(gòu)建異構(gòu)圖神經(jīng)網(wǎng)絡(luò)，挖掘人類的出行偏好。

2、第一方面，本發(fā)明的第一目的是提供基于共現(xiàn)模式挖掘的下一目的地推薦方法，包括如下步驟：

3、s1、獲取用戶的軌跡數(shù)據(jù)集，對(duì)軌跡數(shù)據(jù)集進(jìn)行預(yù)處理；

4、s2、將所述軌跡數(shù)據(jù)集通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取用戶目的地信息和時(shí)間信息，形成異構(gòu)圖神經(jīng)網(wǎng)絡(luò)；所述異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)表示用戶和目的地；

5、s3、定義若干種元路徑，分別提取所述異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中各條元路徑的路徑特征；

6、s4、在異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中，獲取目標(biāo)節(jié)點(diǎn)和源節(jié)點(diǎn)，根據(jù)目標(biāo)節(jié)點(diǎn)、源節(jié)點(diǎn)及路徑特征計(jì)算得到各個(gè)源節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)之間的第一重要性；

7、s5、根據(jù)第一重要性更新元路徑的節(jié)點(diǎn)，得到元路徑中各個(gè)節(jié)點(diǎn)更新后的嵌入向量；

8、s6、根據(jù)更新后的嵌入向量得到所有目的地的可能性分?jǐn)?shù)，根據(jù)可能性分?jǐn)?shù)得到推薦目的地。

9、進(jìn)一步，所述s3中，所述定義若干種元路徑，分別提取各條元路徑的路徑特征包括以下三種：

10、計(jì)算異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中的每個(gè)目的地之間的距離，定義距離為第一特征；

11、根據(jù)異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中用戶訪問(wèn)目的地順序，計(jì)算用戶之間偏好的余弦相似度，定義余弦相似度為第二特征；

12、判斷用戶是否為冷啟動(dòng)用戶，若不是冷啟動(dòng)用戶，則根據(jù)用戶的歷史訪問(wèn)目的地得到用戶的訪問(wèn)特征；若是冷啟動(dòng)用戶，則根據(jù)核密度估計(jì)法推斷用戶的訪問(wèn)特征；定義訪問(wèn)特征為第三特征。

13、進(jìn)一步，將所述軌跡數(shù)據(jù)集通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取用戶目的地信息和時(shí)間信息，包括：

14、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)依次包括第一卷積層、池化層、第二卷積層和全連接層；所述卷積神經(jīng)網(wǎng)絡(luò)輸出初始目的地信息和初始時(shí)間信息；

15、將所述初始目的地信息和初始時(shí)間信息輸入編碼器得到用戶目的地信息和時(shí)間信息；所述編碼器包括圖注意力層和長(zhǎng)短期記憶層。

16、進(jìn)一步，所述根據(jù)異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中用戶訪問(wèn)目的地順序，計(jì)算用戶之間偏好的余弦相似度，包括：

17、s321、對(duì)每個(gè)用戶的每個(gè)訪問(wèn)目的地依次進(jìn)行節(jié)點(diǎn)嵌入得到軌跡嵌入；

18、s322、利用門循環(huán)單元分別處理各個(gè)用戶的所述軌跡嵌入，得到各個(gè)用戶的軌跡向量；

19、s323、計(jì)算全部用戶中兩兩用戶之間軌跡向量的余弦相似度。

20、進(jìn)一步，所述根據(jù)用戶的歷史訪問(wèn)目的地得到用戶的訪問(wèn)特征，包括：

21、s3311、預(yù)設(shè)訪問(wèn)位置，獲取不同用戶在所述訪問(wèn)位置前的歷史訪問(wèn)數(shù)據(jù)，所述歷史訪問(wèn)數(shù)據(jù)包括若干個(gè)歷史訪問(wèn)目的地、每個(gè)歷史訪問(wèn)目的地的歷史訪問(wèn)時(shí)間和歷史離開時(shí)間；

22、s3312、利用門循環(huán)單元分別處理不同用戶的歷史訪問(wèn)數(shù)據(jù)，得到不同用戶在所述訪問(wèn)位置的第一訪問(wèn)時(shí)間和離開時(shí)間；

23、s3313、將訪問(wèn)位置、第一訪問(wèn)時(shí)間和離開時(shí)間進(jìn)行整合，得到第三特征。

24、進(jìn)一步，所述根據(jù)核密度估計(jì)法推斷用戶的訪問(wèn)特征包括：

25、s3321、給定目的地集合，利用核密度估計(jì)法構(gòu)建概率密度公式，所述概率密度公式用于計(jì)算所述目的地集合中各個(gè)目的地的概率密度值，得到第一概率密度分布；

26、s3322、按時(shí)間順序預(yù)設(shè)若干個(gè)訪問(wèn)目的地及各個(gè)訪問(wèn)目的地對(duì)應(yīng)的第二訪問(wèn)時(shí)間，計(jì)算得到所述訪問(wèn)目的地的第二概率密度分布，將所述第二概率密度分布輸入門循環(huán)單元處理得到下一次訪問(wèn)時(shí)目的地集合中各個(gè)目的地的第三概率密度分布；

27、s3323、選出第三概率密度分布中位于前z個(gè)的第三概率密度值，將所述第三概率密度值對(duì)應(yīng)的訪問(wèn)目的地記為第三特征，其中，z是不為0的自然數(shù)。

28、進(jìn)一步，所述s4包括：

29、s41、根據(jù)訪問(wèn)目的地的排名計(jì)算得到各個(gè)冷啟動(dòng)用戶之間的節(jié)點(diǎn)關(guān)系；

30、s42、獲取源節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)，根據(jù)源節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)計(jì)算得到各條元路徑之間的第二重要性，根據(jù)第二重要性、路徑特征和節(jié)點(diǎn)關(guān)系得到各條元路徑的權(quán)重系數(shù)，根據(jù)權(quán)重系數(shù)得到各條元路徑中源節(jié)點(diǎn)的向量表征；

31、s43、根據(jù)各條元路徑中源節(jié)點(diǎn)的向量表征及節(jié)點(diǎn)關(guān)系，利用圖級(jí)別注意力機(jī)制計(jì)算得到各個(gè)源節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)之間的第一重要性。

32、進(jìn)一步，所述s5包括：

33、s51、基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)，分別計(jì)算各個(gè)用戶兩兩連續(xù)目的地之間的相對(duì)時(shí)間差；

34、s52、根據(jù)相對(duì)時(shí)間差計(jì)算不同用戶不同連續(xù)目的地的時(shí)間感知權(quán)重；

35、s53、根據(jù)時(shí)間感知權(quán)重和第一重要性計(jì)算元路徑中各個(gè)節(jié)點(diǎn)更新后的嵌入向量。

36、第二方面，本發(fā)明的第二目的是提供基于共現(xiàn)模式挖掘的下一目的地推薦系統(tǒng)，包括：

37、處理單元：獲取用戶的軌跡數(shù)據(jù)集，對(duì)軌跡數(shù)據(jù)集進(jìn)行預(yù)處理；將所述軌跡數(shù)據(jù)集通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取用戶目的地信息和時(shí)間信息，形成異構(gòu)圖神經(jīng)網(wǎng)絡(luò)；所述異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)表示用戶和目的地；

38、預(yù)測(cè)單元：與數(shù)據(jù)處理單元連接，用于定義若干種元路徑，分別提取所述異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中各條元路徑的路徑特征；在異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中，獲取目標(biāo)節(jié)點(diǎn)和源節(jié)點(diǎn)，根據(jù)目標(biāo)節(jié)點(diǎn)、源節(jié)點(diǎn)及路徑特征計(jì)算得到各個(gè)源節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)之間的第一重要性；根據(jù)第一重要性更新元路徑的節(jié)點(diǎn)，得到元路徑中各個(gè)節(jié)點(diǎn)更新后的嵌入向量；

39、輸出模塊：與預(yù)測(cè)單元連接，用于根據(jù)更新后的嵌入向量得到所有目的地的可能性分?jǐn)?shù)，根據(jù)可能性分?jǐn)?shù)得到推薦目的地。

40、第三方面，本發(fā)明的第三目的是提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)第一方面所述的方法。

41、本發(fā)明實(shí)施例具有以下技術(shù)效果：

42、本技術(shù)將樣本數(shù)據(jù)進(jìn)行預(yù)處理，保證數(shù)據(jù)被模型有效利用，并提出了一種深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行特征提取，通過(guò)編碼器處理捕獲全局與時(shí)序信息；

43、本技術(shù)通過(guò)獲取人類出行軌跡中豐富的特征信息，如路徑信息和節(jié)點(diǎn)關(guān)系來(lái)發(fā)現(xiàn)復(fù)雜的共現(xiàn)模式，并構(gòu)建了異構(gòu)圖神經(jīng)網(wǎng)絡(luò)；

44、本技術(shù)根據(jù)用戶的出行軌跡捕獲時(shí)變的城市熱點(diǎn)，為冷啟動(dòng)用戶提供潛在的目的地，進(jìn)一步避免了欠擬合的問(wèn)題；

45、本技術(shù)在節(jié)點(diǎn)層面上綜合考量了鄰居節(jié)點(diǎn)的信息，提高了異構(gòu)圖神經(jīng)網(wǎng)絡(luò)處理數(shù)據(jù)的性能；通過(guò)圖級(jí)別注意力機(jī)制捕獲節(jié)點(diǎn)之間的重要性，關(guān)注圖中的重要部分，以捕獲用戶偏好的動(dòng)態(tài)變化，再獲得動(dòng)態(tài)的節(jié)點(diǎn)表征，從而得到推薦的目的地，提高了方法整體的準(zhǔn)確性。