技术特征：
1.基于频繁模式图嵌入的循环神经网络fpgnn预测行为轨迹方法，其特征在于包括如下步骤：s1)获取原始行为图所述原始行为图为基于用户历史行为记录构建的图形结构；s2)获取真实意图补充图通过基于序列频繁模式挖掘的方法，补充用户的真实意图，降低用户不确定性行为的干扰，包括：(1)在最大时间窗口的限制下，挖掘用户行为数据的序列频繁模式；(2)统计所有序列频繁模式的中间行为的种类和对应数量，中间行为的种类和数量体现了行为之间关系的不确定程度；(3)采用基于信息熵的方法计算行为间连接强度，在原始行为图上补充用户的真实意图；s3)行为嵌入表示学习利用图形神经网络相关模型来学习结点的关系，从而获得行为的嵌入表示。s4)基于门控循环单元的行为预测根据用户行为序列和行为嵌入表示进行行为编码，并利用循环神经网络来预测用户行为。2.如权利要求1所述的预测行为轨迹方法，其特征在于：所述原始行为图是一个带权有向图g＝(v,e)，v是图中结点的集合，每个结点表示一种行为；e是图中边的集合，每条边e∈e是一个带方向的有序对e＝<u,v>，表示用户先进行了u行为，再进行了v行为。每条边上的权重w
uv
表示行为间关系强度。3.如权利要求1所述的预测行为轨迹方法，其特征在于：在步骤s2)的第(2)步骤中，对于每个二阶频繁模式<act
i
,act
j
>，统计所有以act
i
为开始，act
j
为结束的频繁序列模式<act
i
,act
i+1
,
…
,act
j
‑1,act
j
>的中间行为，生成对应的行为
‑
数量表；在第(3)步骤中，在原始行为图上补充用户的真实意图，根据行为act
i
和行为act
j
的行为
‑
数量表计算其连接强度，将其作为行为关系图中边的权重值，采用基于信息熵的连接强度计算方式计算所述连接强度：其中，strength
ij
表示行为i和行为j之间的连接强度，set(s)表示所有不同的中间行为，p
act
表示行为act在为行为act
i
和act
j
之间出现的概率。4.如权利要求1所述的预测行为轨迹方法，其特征在于：在步骤s3)中，采用line图嵌入学习算法来学习行为的嵌入向量表示，其通过最优化目标函数来使学到的行为嵌入表示同时保留有图的局部结构信息和全局结构信息。5.如权利要求1所述的预测行为轨迹方法，其特征在于：在步骤s4)中，通过在真实意图补充图上学习得到每种行为的嵌入向量表示v
act
∈r
d
，d表示嵌入向量的维度。对于用户u的行为序列actseq
(u)
＝<act
(u)t1
,act
(u)t2
,
…
,act
(u)tn
‑1,act
(u)tn
>，将每个行为act
(u)ti
用相应的嵌入向量v
act(u)ti
替换，并按原序列顺序堆叠，得到行为序列编码e
(u)
∈r
(n
×
d)
。将行为序列
编码输入循环神经网络预测用户未来的行为。
技术总结
本发明提供一种基于频繁模式图嵌入的循环神经网络FPGNN预测行为轨迹方法，包括以下步骤：S1)获取原始行为图；S2)获取真实意图补充图；S3)行为嵌入表示学习S4)基于门控循环单元的行为预测。本发明的优点是：通过对用户行为序列进行频繁模式挖掘，补充用户的真实意图，降低不确定性行为的干扰，并用循环神经网络对用户行为进行预测，该模型在Precision、Recall和F1值等指标上与其他算法相比效果提升明显。升明显。升明显。
技术研发人员：金苍宏 何飞 石龙翔 吴明晖
受保护的技术使用者：浙大城市学院
技术研发日：2021.07.22
技术公布日：2021/11/28