随机群组POI推荐方法、系统、设备及存储介质

本发明涉及随机群组poi推荐，特别是涉及随机群组poi推荐方法、系统、设备及存储介质。

背景技术：

1、本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

2、近年来，随着移动互联网的快速发展，使得基于位置服务的社交软件(如foursquare、gowalla、yelp)得到了广泛的应用。在这些软件中，用户以签到的方式向好友分享自己的实时位置信息，极大提升了用户社交的便捷性。然而，用户的签到行为产生了大量的签到数据，这些签到数据所引发的信息过载问题严重干扰了用户对poi的选择。为了解决这个问题，poi推荐系统通过对用户的历史签到数据进行建模学习，获取用户的poi签到偏好，并基于用户的偏好信息从海量的poi数据中筛选出用户可能感兴趣的poi推荐给用户。poi推荐系统的出现有效地缓解了信息过载的问题，极大地提升了用户的使用体验以及商家的经济收益，实现了用户和商家的共赢。

3、随着社会的发展以及现代化生活方式的推进，用户经常以群组的形式开展活动，例如组团度假、聚餐、看电影等。在这些场景中，poi推荐系统需要为群组推荐能够让群组成员满意的poi。然而，由于群组成员的偏好差异性，使得传统的个性化poi推荐系统难以直接应用于群组poi推荐，群组poi推荐亟需更具有针对性的推荐方法。近年来，一些学者针对群组poi推荐开展了研究，并取得了一定的研究成果。seko等人提出了一种基于poi类别和群组访问内容的群组poi推荐方法，但是该方法的使用前提是群组已经存在历史签到记录。huang等人提出了一种深层神经网络结构模型(magrm)用于poi群组推荐，magrm将注意力机制与深层神经网络模型相结合，对群组成员与项目的交互数据进行建模学习，从而获取群组成员的偏好信息。yuan等人将群组自身与群组成员的偏好差异考虑在内，基于poi的主题信息提出了一种群组poi推荐模型，然而由于该模型为每一个群组成员都预留了一个学习参数，使得模型在面对大规模的群组时存在计算开销较大的问题。已有的群组poi推荐方法主要通过融合策略将群组成员的个性化推荐结果进行聚合得到群组推荐结果，例如均值策略、最小痛苦策略和最开心策略。然而，这些静态的聚合策略难以对随机群组成员的影响权重进行动态调整，无法体现群组成员间的交互，难以模拟复杂的群组决策过程，最终导致推荐效果不佳。

4、已有的群组poi推荐方法主要面向固定群组开展poi推荐服务，面向随机群组的poi推荐研究较为鲜见。相较于固定群组，随机群组的成员彼此之间不存在任何社交关系，群组成员偏好差异也远大于固定群组，不同成员对群组的最终决策也具有不同的影响权重，因此，传统的静态聚合策略难以应用于随机群组推荐复杂的场景中。有文献提出了一个随机群组推荐模型，为随机群组中的所有用户推荐前k个最吸引人的物品。虽然基于固定群组的poi推荐方法以及随机群组推荐方法取得了一定的研究成果，但这些研究工作还存在以下不足：

5、(1)已有的群组poi推荐方法主要面向固定群组开展poi推荐服务，面向随机群组的poi推荐研究较为鲜见。由于随机群组成员组成较为复杂，群组成员之间不存在社交关系，使得已有的面向固定群组的poi推荐方法，难以直接应用于随机群组poi推荐。

6、(2)已有的群组poi推荐研究，通常使用均值策略、最小痛苦策略、最大满意策略等静态化聚合策略获取群组的拟合特征，然而这些静态化的聚合策略缺乏考虑群组成员的偏好信息对群组poi推荐的作用，影响了推荐效果。

7、(3)随机群组与poi之间极其稀疏的历史交互数据难以为图神经网络模型提供充足的训练数据集，缺少充足的训练数据难以保证推荐模型获取较好的推荐性能。

8、(4)随机群组成员访问poi的频率中隐藏着群组成员对poi的交互偏好，然而已有的群组poi推荐方法在学习群组成员对poi的偏好时，没有将访问频率考虑在内，难以充分全面地学习出群组成员对poi的偏好信息。

技术实现思路

1、为了解决现有技术的不足，本发明提供了随机群组poi推荐方法、系统、设备及存储介质；提出了一种基于混合图神经网络的随机群组poi推荐模型(a poi recommendationmodel for random groups based on hybrid graph neural network,hgnn-prrg)。首先，依据群组成员与poi的交互数据计算群组成员的影响权重，而后从群组中随机选择一名代表成员，将其他成员与代表成员进行权重比较从而确定群组成员最终的影响权重，随后基于群组成员最终的影响权重聚合群组成员特征表示得到随机群组的拟合特征；其次，构建群组成员与poi的标号加权交互二部图，使用isbgnn学习含有群组成员poi交互偏好的poi特征表示；之后，构建群组成员的poi有向转移图，使用srgnn学习含有群组成员poi转移偏好的poi特征表示；最后，将两组poi特征进行融合，结合随机群组的拟合特征，计算随机群组对于每个poi的预测评分，依据预测评分完成面向随机群组的poi推荐。

2、第一方面，本发明提供了随机群组poi推荐方法；

3、随机群组poi推荐方法，包括：

4、获取随机群组，所述随机群组是由若干个群组成员随机组成的，每一个随机群组中的群组成员彼此之间不存在社交关系；获取兴趣点数据集、群组成员对兴趣点poi的签到序列和群组成员的兴趣点poi转移序列；

5、依据群组成员对兴趣点poi的签到序列，计算群组成员的最终影响权重；基于群组成员的最终影响权重，对群组成员的特征表示进行聚合，得到随机群组的拟合特征；

6、依据群组成员对兴趣点poi的签到序列和兴趣点数据集，构建群组成员与兴趣点poi的标号二部图，采用sbgnn从所述标号二部图中，提取出含有群组成员poi交互偏好的poi特征表示；依据群组成员的兴趣点poi转移序列，构建群组成员的poi有向转移图，采用srgnn从所述有向转移图中，提取出含有群组成员poi转移偏好的poi特征表示；

7、将所述含有群组成员poi交互偏好的poi特征表示，与所述含有群组成员poi转移偏好的poi特征表示，进行特征融合得到融合特征；基于融合特征与随机群组的拟合特征，计算出随机群组对每个poi的预测评分，根据预测评分为随机群组推荐感兴趣的poi列表。

8、第二方面，本发明提供了随机群组poi推荐系统；

9、随机群组poi推荐系统，包括：

10、数据获取模块，其被配置为：获取随机群组，所述随机群组是由若干个群组成员随机组成的，每一个随机群组中的群组成员彼此之间不存在社交关系；获取兴趣点数据集、群组成员对兴趣点poi的签到序列和群组成员的兴趣点poi转移序列；

11、随机群组特征拟合模块，其被配置为：依据群组成员对兴趣点poi的签到序列，计算群组成员的最终影响权重；基于群组成员的最终影响权重，对群组成员的特征表示进行聚合，得到随机群组的拟合特征；

12、特征提取模块，其被配置为：依据群组成员对兴趣点poi的签到序列和兴趣点数据集，构建群组成员与兴趣点poi的标号二部图，采用sbgnn从所述标号二部图中，提取出含有群组成员poi交互偏好的poi特征表示；依据群组成员的兴趣点poi转移序列，构建群组成员的poi有向转移图，采用srgnn从所述有向转移图中，提取出含有群组成员poi转移偏好的poi特征表示；

13、输出模块，其被配置为：将所述含有群组成员poi交互偏好的poi特征表示，与所述含有群组成员poi转移偏好的poi特征表示，进行特征融合得到融合特征；基于融合特征与随机群组的拟合特征，计算出随机群组对每个poi的预测评分，根据预测评分为随机群组推荐感兴趣的poi列表。

14、第三方面，本发明还提供了一种电子设备，包括：

15、存储器，用于非暂时性存储计算机可读指令；以及

16、处理器，用于运行所述计算机可读指令，

17、其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。

18、第四方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。

19、第五方面，本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。

20、与现有技术相比，本发明的有益效果是：

21、(1)提出了一种面向随机群组的poi推荐方法。据本发明所知，本发明是首次开展面向随机群组poi推荐的研究工作。

22、(2)提出了一种动态群组特征拟合方法。该方法首先依据群组成员与poi的历史交互数据计算群组成员的影响权重；然后，从群组中随机选择一名代表成员，将其他成员与代表成员进行权重比较从而确定成员最终的影响权重；最后，基于群组成员最终的影响权重聚合群组成员的特征表示得到随机群组的拟合特征。

23、(3)为了缓解随机群组与poi的交互数据稀疏问题对推荐效果的影响，本发明提出了一种基于相似用户数据的模型训练方法。该方法通过寻找与随机群组特征相似的用户，使用相似用户的数据来对本发明提出的混合图神经网络模型进行训练学习。实验结果表明，这种训练方法能够有效地缓解随机群组数据稀疏问题对模型推荐效果的影响，有利于进一步提升模型的推荐性能。

24、(4)本发明在学习群组成员对poi的偏好信息时，将群组成员的poi访问频率考虑在内，构建出带有标号的加权交互二部图，采用isbgnn学习含有群组成员交互偏好的poi特征表示。该特征表示在包含群组成员正负交互偏好信息的同时，也融合了群组成员的poi访问频率信息，能够更加全面地反映出群组成员的poi交互偏好。