本發(fā)明涉及城市推薦，具體為基于用戶歷史簽到序列的城市poi推薦與時間戳預測方法。

背景技術(shù)：

1、位置社交網(wǎng)絡(luò)的快速發(fā)展引發(fā)了對個性化位置推薦服務(wù)的廣泛關(guān)注。序列興趣點（poi）推薦旨在根據(jù)用戶的歷史簽到序列預測下一次訪問的poi。隨著城市環(huán)境日益復雜，對推薦的準確性和時效性提出了更高要求，序列poi推薦在城市中的應(yīng)用變得至關(guān)重要。目前基于深度學習的推薦技術(shù)主要有：①多層感知機；②循環(huán)神經(jīng)網(wǎng)絡(luò)；③卷積神經(jīng)網(wǎng)絡(luò)；④基于transformer的技術(shù)。

2、transformer模型已成為主流技術(shù)，通過自注意力機制有效捕捉用戶簽到序列中的時序關(guān)系，準確建模長距離依賴，從而提升推薦效果。其核心編碼器-解碼器結(jié)構(gòu)支持并行處理輸入序列，大幅提高計算效率?；趖ransformer的序列poi推薦不僅能捕捉用戶的歷史偏好，還能結(jié)合復雜的時空特征，成為城市poi推薦中的重要技術(shù)手段。

3、現(xiàn)有的序列poi推薦方法存在兩大主要問題。首先，這些方法通常側(cè)重于序列相關(guān)性，忽視了簽到序列中蘊含的具體時間戳信息，導致用戶行為模式的建模不夠完整，進而影響推薦結(jié)果的準確性。其次，將時間戳作為輔助信息的推薦方法雖然引入了時間因素，但無法準確捕捉用戶的日常規(guī)律和時間偏好，導致個性化程度不足，推薦效果不理想?？傊?，這些方法在長距離依賴關(guān)系的建模上存在局限性，難以有效處理復雜的時空特征，進一步削弱了推薦的精度與效果。

技術(shù)實現(xiàn)思路

1、本部分的目的在于概述本發(fā)明的實施方式的一些方面以及簡要介紹一些較佳實施方式。在本部分以及本技術(shù)的說明書摘要和發(fā)明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發(fā)明名稱的目的模糊，而這種簡化或省略不能用于限制本發(fā)明的范圍。

2、因此，本發(fā)明的目的是提供基于用戶歷史簽到序列的城市poi推薦與時間戳預測方法，以解決上述背景技術(shù)中提出的問題。

3、為解決上述技術(shù)問題，根據(jù)本發(fā)明的一個方面，本發(fā)明提供了如下技術(shù)方案：

4、基于用戶歷史簽到序列的城市poi推薦與時間戳預測方法，包括如下步驟：

5、s1、收集用戶的歷史簽到數(shù)據(jù)，并按照時間順序?qū)γ课挥脩舻暮灥接涗涍M行排序，形成用戶簽到序列，隨后將數(shù)據(jù)實時傳輸至服務(wù)器并存儲；

6、s2、對數(shù)據(jù)進行預處理，然后從預處理后的用戶簽到序列中提取出有效的poi序列和時間戳序列，分別表示為和；

7、s3、將poi序列和時間戳序列輸入到構(gòu)建的tapt模型中，利用tapt模型中高效的編碼器模塊和嵌入連接層，將poi嵌入與時間戳嵌入進行融合，形成聯(lián)合嵌入，最終，聯(lián)合嵌入輸入到poi推薦模型和時間戳預測器中，實現(xiàn)對poi及其對應(yīng)時間戳的聯(lián)合預測。

8、作為本發(fā)明所述的基于用戶歷史簽到序列的城市poi推薦與時間戳預測方法的一種優(yōu)選方案，其中，步驟s1中，利用移動應(yīng)用程序和gps傳感器，定期收集用戶的歷史簽到數(shù)據(jù)，包括每個poi及其對應(yīng)的時間戳，并將數(shù)據(jù)實時傳輸至服務(wù)器并存儲。

9、作為本發(fā)明所述的基于用戶歷史簽到序列的城市poi推薦與時間戳預測方法的一種優(yōu)選方案，其中，步驟s2中，對數(shù)據(jù)進行預處理的具體步驟如下：

10、首先進行數(shù)據(jù)清洗，剔除含有缺失值或異常值的用戶和poi交互數(shù)據(jù)，并按時間順序排序每個用戶的歷史簽到數(shù)據(jù)，公式如下：

11、；

12、其中，是第個用戶排序后的歷史簽到序列，是第個用戶的原始輸入序列，代表排序函數(shù)，表示按照時間戳先后進行排序；

13、然后采用過濾技術(shù)，去除不活躍用戶和冷門poi的交互，以保證數(shù)據(jù)的質(zhì)量和代表性，操作方式如下：

14、；

15、；

16、其中，和分別代表過濾后的活躍用戶集合和熱門poi集合，和分別表示用戶的簽到次數(shù)和興趣點的交互次數(shù)，和分別代表簽到次數(shù)閾值和交互次數(shù)閾值。

17、作為本發(fā)明所述的基于用戶歷史簽到序列的城市poi推薦與時間戳預測方法的一種優(yōu)選方案，其中，所述tapt模型包括編碼器模塊、poi推薦模塊以及時間戳預測模塊。

18、作為本發(fā)明所述的基于用戶歷史簽到序列的城市poi推薦與時間戳預測方法的一種優(yōu)選方案，其中，編碼器模塊由poi編碼器和時間戳編碼器組成；

19、在處理poi序列時，將其轉(zhuǎn)換為，其中表示序列長度，表示poi的嵌入維度，將poi序列轉(zhuǎn)換為對應(yīng)嵌入，公式如下：

20、；

21、其中，表示poi嵌入，是poi編碼器，是輸入的poi序列；

22、為了捕捉用戶日常的行為模式，將時間戳序列解耦為三個組成部分：小時、分鐘和秒鐘，解耦的公式如下：

23、；

24、其中，是解耦的時間戳序列，是時間戳解耦器，是輸入的時間戳序列，

25、隨后，將編碼為可學習的嵌入，公式如下：

26、；

27、其中，是時間戳嵌入，是時間戳嵌入維度，是時間戳編碼器，

28、在獲得poi嵌入和時間戳嵌入后，將二者輸入到一個拼接層，以生成聯(lián)合嵌入表征，具體的處理公式如下：

29、；

30、其中，是聯(lián)合嵌入，并且，是連接操作。

31、作為本發(fā)明所述的基于用戶歷史簽到序列的城市poi推薦與時間戳預測方法的一種優(yōu)選方案，其中，時間戳預測模塊具體實現(xiàn)如下步驟：

32、首先，將從中學得的聯(lián)合表征輸入到一個transformer模型中，

33、其中，是學習得到的信息表征，是序列poi推薦的基本架構(gòu)；

34、然后進一步學習時間戳表征：

35、；

36、其中，是進一步學習到的聯(lián)合表征，表示基于transformer架構(gòu)的深度模型；

37、隨后，通過時間戳特征提取器來提取與時間戳相關(guān)的特征：

38、；

39、其中，是提取到的用于時間戳預測任務(wù)的特征，是時間戳特征提取器；

40、隨后，通過解碼器解碼，將提取到的特征轉(zhuǎn)換為時間戳表示：

41、；

42、其中，是解碼的表征，是解碼器；

43、最終，通過激活函數(shù)和縮放操作映射為表示時間戳信息的離散值：

44、；

45、其中，是最終預測的時間戳信息，和分別表示縮放操作和激活操作。

46、作為本發(fā)明所述的基于用戶歷史簽到序列的城市poi推薦與時間戳預測方法的一種優(yōu)選方案，其中，步驟s3中，構(gòu)建的tapt模型通過梯度下降法更新模型參數(shù)，以最小化訓練過程中的損失函數(shù)，從而實現(xiàn)有效的模型訓練，練過程中采用的損失函數(shù)如下：

47、；

48、其中，是用于序列poi推薦的損失：

49、；

50、其中，表示樣本總數(shù)，是sigmoid函數(shù)，是第個正樣本的得分，是第個負樣本的得分，是一個超參數(shù)用來平衡兩個損失函數(shù)；

51、采用均方誤差mse損失來進行優(yōu)化：

52、；

53、其中，是每個用戶的時間戳序列長度，是第個樣本的真實時間戳，是第個樣本的預測時間戳。

54、與現(xiàn)有技術(shù)相比，本發(fā)明具有的有益效果是：本發(fā)明通過提出基于時間感知的poi推薦和時間戳預測框架（tapt），有效克服了現(xiàn)有技術(shù)在用戶行為建模和時間信息處理方面的不足，首先，采用數(shù)據(jù)過濾技術(shù)，排除不活躍用戶和冷門poi，確保數(shù)據(jù)質(zhì)量和代表性。隨后，通過精心設(shè)計的時間戳編碼和特征連接，模型能夠更全面地捕捉用戶的時空偏好，提高推薦的準確性。此外，多任務(wù)學習框架的應(yīng)用，使得poi推薦與時間戳預測相輔相成，進一步增強了系統(tǒng)的整體性能。這些優(yōu)點使得tapt在實時推薦和預測任務(wù)中表現(xiàn)出色，提升了用戶體驗和滿意度。