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是為用戶提供最有可能訪問的位置列表，可以提高市民生活質(zhì)量和促進城市經(jīng)濟發(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?；谖恢玫耐扑]方法探索了過去地點對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)訪問序列，或?qū)⒚總€點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可以同時捕獲用戶軌跡的結(jié)構(gòu)和特征異質(zhì)性，hans同時考慮了節(jié)點和元路徑的重要性等。

3、然而，現(xiàn)有的方案都沒有分析時間敏感的推薦，而只是專注于序列敏感的社會或商品推薦，推薦結(jié)果往往不盡人意，無法捕獲動態(tài)變化以進行目的地推薦；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)、工作場所等具有較強規(guī)律性的場所，很多場多人們出行的規(guī)律性很弱，而模型的學(xué)習(xí)能力是有限的，故易出現(xiàn)欠擬合的問題。因此，需要研發(fā)一種下一目的地推薦方法來解決上述問題。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題，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，對軌跡數(shù)據(jù)集進行預(yù)處理；

4、s2、將所述軌跡數(shù)據(jù)集通過卷積神經(jīng)網(wǎng)絡(luò)提取用戶目的地信息和時間信息，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，獲取目標節(jié)點和源節(jié)點，根據(jù)目標節(jié)點、源節(jié)點及路徑特征計算得到各個源節(jié)點和目標節(jié)點之間的第一重要性；

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

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數(shù)，根據(jù)可能性分數(shù)得到推薦目的地。

9、進一步，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、計算異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中的每個目的地之間的距離，定義距離為第一特征；

11、根據(jù)異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中用戶訪問目的地順序，計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用戶，若不是冷啟動用戶，則根據(jù)用戶的歷史訪問目的地得到用戶的訪問特征；若是冷啟動用戶，則根據(jù)核密度估計法推斷用戶的訪問特征；定義訪問特征為第三特征。

13、進一步，將所述軌跡數(shù)據(jù)集通過卷積神經(jīng)網(wǎng)絡(luò)提取用戶目的地信息和時間信息，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間信息；

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

16、進一步，所述根據(jù)異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中用戶訪問目的地順序，計算用戶之間偏好的余弦相似度，包括：

17、s321、對每個用戶的每個訪問目的地依次進行節(jié)點嵌入得到軌跡嵌入；

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

19、s323、計算全部用戶中兩兩用戶之間軌跡向量的余弦相似度。

20、進一步，所述根據(jù)用戶的歷史訪問目的地得到用戶的訪問特征，包括：

21、s3311、預(yù)設(shè)訪問位置，獲取不同用戶在所述訪問位置前的歷史訪問數(shù)據(jù)，所述歷史訪問數(shù)據(jù)包括若干個歷史訪問目的地、每個歷史訪問目的地的歷史訪問時間和歷史離開時間；

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

23、s3313、將訪問位置、第一訪問時間和離開時間進行整合，得到第三特征。

24、進一步，所述根據(jù)核密度估計法推斷用戶的訪問特征包括：

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

26、s3322、按時間順序預(yù)設(shè)若干個訪問目的地及各個訪問目的地對應(yīng)的第二訪問時間，計算得到所述訪問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時目的地集合中各個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個的第三概率密度值，將所述第三概率密度值對應(yīng)的訪問目的地記為第三特征，其中，z是不為0的自然數(shù)。

28、進一步，所述s4包括：

29、s41、根據(jù)訪問目的地的排名計算得到各個冷啟動用戶之間的節(jié)點關(guān)系；

30、s42、獲取源節(jié)點和目標節(jié)點，根據(jù)源節(jié)點和目標節(jié)點計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)點的向量表征；

31、s43、根據(jù)各條元路徑中源節(jié)點的向量表征及節(jié)點關(guān)系，利用圖級別注意力機制計算得到各個源節(jié)點和目標節(jié)點之間的第一重要性。

32、進一步，所述s5包括：

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

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

35、s53、根據(jù)時間感知權(quán)重和第一重要性計算元路徑中各個節(jié)點更新后的嵌入向量。

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，對軌跡數(shù)據(jù)集進行預(yù)處理；將所述軌跡數(shù)據(jù)集通過卷積神經(jīng)網(wǎng)絡(luò)提取用戶目的地信息和時間信息，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)點表示用戶和目的地；

38、預(yù)測單元：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，獲取目標節(jié)點和源節(jié)點，根據(jù)目標節(jié)點、源節(jié)點及路徑特征計算得到各個源節(jié)點和目標節(jié)點之間的第一重要性；根據(jù)第一重要性更新元路徑的節(jié)點，得到元路徑中各個節(jié)點更新后的嵌入向量；

39、輸出模塊：與預(yù)測單元連接，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數(shù)，根據(jù)可能性分數(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算機可讀存儲介質(zhì)，存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)第一方面所述的方法。

41、本發(fā)明實施例具有以下技術(shù)效果：

42、本技術(shù)將樣本數(shù)據(jù)進行預(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)進行特征提取，通過編碼器處理捕獲全局與時序信息；

43、本技術(shù)通過獲取人類出行軌跡中豐富的特征信息，如路徑信息和節(jié)點關(guān)系來發(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變的城市熱點，為冷啟動用戶提供潛在的目的地，進一步避免了欠擬合的問題；

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