(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211223975.1 (22)申请日 2022.10.06 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区四牌楼 2 号 (72)发明人 金嘉晖　张皓翔　张竞慧　罗军舟　 (74)专利代理 机构 南京众联专利代理有限公司 32206 专利代理师 张天哲 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/9537(2019.01) G06F 16/9535(2019.01) G06Q 10/06(2012.01) G06K 9/62(2022.01)G06F 17/18(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于城市时空知识图谱的兴趣点实时推荐 方法 (57)摘要 本发明公开了基于城市时空知识图谱的兴 趣点实时推荐方法， 旨在为用户提供将来其最有 可能访问的兴趣点列表， 包括三个部分： 城市时 空知识图谱构建模块、 图谱实体特征学习 与用户 长短期偏好提取模块、 和用户推荐结果生成模 块； 以城市时空知识图谱为基础， 图谱融合了多 源城市数据， 以兴趣点为中心， 辅以各种城市多 源数据， 用动态图的方式有效表征了实体语义信 息和城市时空信息。 本发明基于时空城市知 识图 谱， 学习了兴趣点、 类别、 品牌等实体随着时间推 移的动态特征， 并且从图谱中提取用户长短期偏 好， 最后基于学习到的实体特征和用户偏好， 生 成兴趣点推荐列表， 将得分排名前n个兴趣点推 荐给用户。 权利要求书4页 说明书10页 附图2页 CN 115470362 A 2022.12.13 CN 115470362 A 1.基于城市时空知识图谱的兴趣点实时推荐方法， 其特 征在于， 该 方法包括以下步骤： 步骤1.整合城市的异构多源数据， 得到城市时空知识图谱模式， 构建城市时空知识图 谱G＝{G1， G2， ...Gn}， n为图谱层的数量； 对于任意一层图谱， 其结构为Gi＝{V， E}； 其中V＝ {POI， CATEGORY， BRAND， BA， REGION， USER}为包含6个域， 即兴趣点、 类别、 品牌、 商圈、 区域、 用户的实体 集合， E＝{Ecross， Ewithin}为包含域间和域内的实体关系集合； 通 过不同初始化 方 式得到6个域实体的初始特 征p、 c、 b、 ba、 r和u以及关系的初始特 征； 步骤2.对于一层图谱内， 使用图卷积神经网络模型学习一层图谱内不同实体间影响； 对于同一个实体在多层图谱间， 使用长短期记忆人工神经网络学习6个域实体随时间变化 的动态特 征 和 以及关系随时间变化的动态特 征； 步骤3.结合学习到的城市时空知识图谱中的动态实体向量表征， 得到用户u对兴趣点 的长期偏好 以及短期偏好 步骤4.对于学习到的知识图谱实体和关系的动态特征， 结合用户长短期偏好， 进行推 荐结果的生成； 推荐结果结合基于关系的评分 基于长期偏 好的评分 和基于短 期偏好的评分 对兴趣点计算进 行最终评 分su→p； 对候选集中的兴趣点打分， 并根据得 分排序取 前k个兴趣点作为推荐兴趣点列表。 2.根据权利要求1所述的基于城市时空知识图谱的兴趣点实时推荐方法， 其特征在于， 步骤1中用动态图的形式构建时空动态图谱， 一定时间间隔的城市特征归纳在一层知识图 谱中， 构建具体步骤为： 步骤101.构建结构为G＝{G1， G2， ...Gn}的时空动态图谱， n为图谱层的数量； 对于任意 一层图谱， 其结构为Gi＝{V， E}； 步骤102.构建模式为V＝{POI， CATEGORY， BRAND， BA， REGION， USER} 的实体集合， 其中包 含6个域的子实体集合； POI＝{pot1， poi2， ...， poi|P|}为兴趣点实体集合， CATEGORY＝ {cate1， cate2， ...， cate|C|}为类别实体集合， BRAND＝{brand1， brand2， ...， brand|B|}为品 牌实体集合， BA＝{ba1， ba2， ...， ba|BA|}为商圈实体集合， R＝{region1， region2， ...， region|R|}为区域实体集 合， U＝{user1， user2， ...， user|U|}为用户实体集 合； 步骤103.构建模式为E＝{Ecross， Ewithin}的关系集合， 其中包括域间的实体关系和域内 的实体关系； Ecross＝{EP→C， EP→B， EP→R， EP→BA， EC→B， EC→R， EB→R， EBA→R， EU→P}为跨域的实体间的边 集合， 包含9种子边类型集合， 分别为<兴趣点， 属于， 类别>、 < 兴趣点， 属于， 品牌>、 <兴趣点， 位于， 区域>、 <兴趣点， 位于， 商圈>、 <类别， 属于， 品牌>、 <类别， 位于， 区域>、 <品牌， 位于， 区 域>、 <商圈， 位于， 区域>和<用户， 访问， 兴趣点>； Ewithin＝{EsimilarBrand， Ec3ToC2， Ec2ToC1， EnearByRegion， EregionFlow}为域内的实体间的边集合， 分 别为<品牌1， 相似于， 品牌2>、 <三级类型， 属于， 二级类型>、 <二级类型， 属于， 一级类型>、 < 区域1， 临近 于， 区域2>和<区域1， 流 量传输， 区域2>； 步骤104.利用双曲空间嵌入模型学习知识图谱中类型实体的三层树状结构的初始表 征向量{c1， c2， ...， c|C|}； 步骤105.使用自注意力模型， 如式(1)， 学习知识图谱中区域实体的初始表征向量{r1， r2， ...， r|R|}， 以减少空间不平衡问题对学习造成的影响； 考虑到城市所有区域间都存在或 多或少的影响， 故使用sef ‑attention模型学习区域之间的权重矩阵Wsp； 该式学习到区域之权　利　要　求　书 1/4 页 2 CN 115470362 A 2间的权重矩阵， 该矩阵为方阵， 矩阵的第i行第j列元素代表第i个区域对第j个区域的权重 值， 能刻画区域之间的影响大小： 步骤106.对城市区域进行正则化操作， 如式(2)， 以减少发达区域与周边区域的差距； 式中 为区域i所处上下文的平均池化特 征向量， Gi是区域i的邻居区域 集合： 步骤107.使用正态分布初始化兴趣点类型、 品牌类型、 商圈类型和用户类型的实体向 量{p1， p2， ...， p|P|}、 {b1， b2， ...， b|B|}、 {ba1， ba2， ...， ba|BA|}和{u1， u2， ...， u|U|}。 3.根据权利要求1所述的基于城市时空知识图谱的兴趣点实时推荐方法， 其特征在于， 步骤2中对于一层图谱内， 使用图卷积神经网络模 型学习一层图谱内不同实体间影响， 为了 利用图谱中不同类型节点和边的信息， 充分考虑节点的邻居影响， 具体步骤为： 步骤20101.对于图谱中的节点v， 在 GCN的第i层的隐向量表示为 对于图谱中的一类 型边e， 在GCN的第i层的隐向量表示为 图谱中的一个三元组表示为(v， e， w)， 意为节点v 经过边e到达节点w点； 节点v在GCN第i+1层的隐向量的计算公式如式(3)， 其中σ( ·)为从d 维实数空间映射到d维实数空间的非线性激活函数， 是节点v在边类型e下的邻居节点集 合； 为边类型e在第i层的投影矩阵， 操作 °为两个向量的逐 元素相乘的操作： 步骤20102.通过不同的关系 投影矩阵， 信息在一层图谱传播中， 能自动识别不同边对 于信息传播的重要性， 从而提取到更有用的城市图谱知识； 对于图谱中的边类型e， 在GCN第 i+1层的隐向量计算如下式： 步骤20103.在多层图谱的每一层中都进行步骤20101 ‑步骤20102所述的信息传播操 作。 4.根据权利要求1所述的基于城市时空知识图谱的兴趣点实时推荐方法， 其特征在于， 步骤2中对于一层图谱内， 使用长短期记忆人工神经网络学习多层图谱间同一个实体随时 间变化的动态特 征， 具体步骤为： 步骤20201.对于多层图谱间， 同一个实体在多层图谱间 的表征向量， 能构成时间序列， 使用长短期记忆人工神经网络模型学习实体在不同层之 间的时间变化信息， 解决较长时间 片之前的特征被覆盖或遗忘的问题， 同时避免梯度消失与梯度爆炸问题； 对于V＝{POI， CATEGORY， BRAND， BA， REGION， USER}中的6种实体集合， 考虑到不仅用户和兴趣点的特征随 时间动态变化， 实体的特征也会随时间推移而发生改变； 将对应随时间推移的特征序列输 入长短期记忆人工神经网络， 以学习不同兴趣点、 不同类别、 不同品牌、 不同区域和不同用 户在各层图谱的动态特 征表示；权　利　要　求　书 2/4 页 3 CN 115470362 A 3