融合时空感知GRU和注意力的下一个地点推荐

【摘要】：针对循环神经网络(RNN)的门控循环单元(GRU)在进行地点推荐时没有考虑地点的时间和空间信息的影响,提出了融合时空感知的GRU模型。另外,对于签到序列中不相关的签到数据会产生噪声的问题,提出了融合时空感知的GRU和注意力的下一个地点推荐模型(ST-GRU+Attention)。首先,通过计算两个地点之间时间间隙和距离间隙,在GRU模型的基础上增加时间门和空间门,设置权重矩阵,控制时间信息和空间信息对推荐下一个地点的影响;然后,引入注意力机制,通过计算用户偏好的注意力权重得分,得到用户的注意力权重系数,获取用户的个性化偏好;最后,通过贝叶斯个性化排序(BPR)算法构造目标函数并学习模型参数。实验结果表明,与个性化马尔可夫链和用户位置受限的推荐方法(FPMC-LR)、基于个性化排名度量嵌入的推荐方法(PRME)和融合时间和空间的循环神经网络(ST-RNN)的推荐方法相比,ST-GRU+Attention的准确度有了较大的提高,其准确率(Precision)和召回率(Recall)两项指标比较优的ST-RNN算法分别提高了15. 4%和17. 1%。ST-GRU+Attention推荐方法可以有效地改善地点推荐的结果。