本技術涉及社交網(wǎng)絡應用的推薦領域，特別是涉及一種基于超圖卷積的多尺度時空感知推薦方法及系統(tǒng)。

背景技術：

1、推薦系統(tǒng)在現(xiàn)代互聯(lián)網(wǎng)和信息技術中扮演著至關重要的角色，廣泛應用于電子商務、社交網(wǎng)絡、旅游規(guī)劃、廣告投放、旅游規(guī)劃等多個領域。其核心目標是通過分析用戶的歷史行為和偏好，為用戶提供個性化的內(nèi)容或服務，從而提高用戶體驗、增加用戶粘性，并最終實現(xiàn)商業(yè)價值的最大化。在旅游行業(yè)，推薦系統(tǒng)可以幫助旅行者規(guī)劃行程，推薦熱門景點、住宿、交通方式等。基于社交網(wǎng)絡應用平臺通過分析用戶的旅行歷史、評價和偏好，提供個性化的旅行建議，提升用戶的旅行體驗。

2、為了克服單一推薦方法的局限性，混合推薦系統(tǒng)結合了協(xié)同過濾和基于內(nèi)容的推薦，同時利用多種數(shù)據(jù)源(如用戶行為、物品特征、社交關系等)，提供了更加多樣化的推薦結果。然而，傳統(tǒng)的混合推薦方法仍然難以處理復雜的時空關系和群體互動效應。近年來，隨著深度學習和圖神經(jīng)網(wǎng)絡的發(fā)展，推薦系統(tǒng)進入了智能化的新階段。深度學習模型(如神經(jīng)協(xié)同過濾、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡等)能夠自動學習復雜的非線性關系，顯著提高了推薦的準確性和個性化程度。圖神經(jīng)網(wǎng)絡則通過建模用戶和物品之間的復雜關系，然而，現(xiàn)有的深度學習和圖神經(jīng)網(wǎng)絡方法在處理多尺度時空數(shù)據(jù)和群體互動方面仍存在不足，推薦結果的準確性較低。

技術實現(xiàn)思路

1、本技術的目的是提供一種基于超圖卷積的多尺度時空感知推薦方法及系統(tǒng)，可提高推薦的準確性和個性化程度。

2、為實現(xiàn)上述目的，本技術提供了如下方案：

3、第一方面，本技術提供了一種基于超圖卷積的多尺度時空感知推薦方法，包括：

4、獲取樣本用戶簽到數(shù)據(jù)；所述樣本用戶簽到數(shù)據(jù)包括用戶信息、用戶訪問的簽到點的時空信息；所述時空信息包括簽到點的地理信息和簽到時間信息；

5、對所述樣本用戶簽到數(shù)據(jù)進行時間尺度分割，得到樣本多尺度簽到序列數(shù)據(jù)；所述樣本多尺度簽到序列數(shù)據(jù)包括不同尺度下的子序列；每一子序列包括若干簽到點的時空信息；

6、以用戶的簽到點作為節(jié)點，以時間尺度作為超邊，根據(jù)所述樣本多尺度簽到序列數(shù)據(jù)構建每一時間尺度下的超圖；所述超圖中節(jié)點的節(jié)點特征包括用戶信息和簽到點的時空信息；所述超邊的超邊特征由所連接若干節(jié)點的節(jié)點特征構成；

7、采用所述超圖的節(jié)點特征和超邊特征，對推薦模型進行訓練，得到訓練好的推薦模型；所述推薦模型，利用超圖卷積和注意力機制，以聯(lián)合約束為損失，對節(jié)點特征和超邊特征進行更新，得到更新后的節(jié)點特征和更新后的超邊特征；基于更新后的節(jié)點特征和更新后的超邊特征，進行多尺度時空信息交互融合，得到預測推薦結果；所述聯(lián)合約束由節(jié)點約束損失函數(shù)和超邊損失函數(shù)構成；所述預測推薦結果包括預測推薦點的位置信息；

8、采用訓練好的推薦模型，對待預測信息進行預測，得到待預測時刻的目標預測推薦結果；所述待預測信息包括用戶信息、用戶訪問的簽到點的地理信息和待預測時刻的時間信息。

9、可選地，采用所述超圖的節(jié)點特征和超邊特征，對推薦模型進行訓練，得到訓練好的推薦模型，具體包括：

10、對于每一時間尺度，基于每個節(jié)點的特征向量，采用聚合節(jié)點相似語義信息的操作，更新超邊特征，得到超邊的聚合后特征信息；將超邊的聚合后特征信息作為超邊的超邊特征；

11、基于超邊的聚合后特征信息，對節(jié)點及對應超邊的語義相似度進行約束，構建節(jié)點約束損失函數(shù)和超邊損失函數(shù)；

12、利用超圖卷積和注意力機制，以聯(lián)合約束為損失，對節(jié)點特征和超邊特征進行更新，得到更新后的節(jié)點特征和更新后的超邊特征；

13、基于更新后的節(jié)點特征和更新后的超邊特征，進行多尺度時空信息交互融合，得到預測推薦結果；

14、根據(jù)每一批次的預測推薦結果計算損失函數(shù)值；

15、利用損失函數(shù)值，對推薦模型進行訓練，得到訓練好的推薦模型。

16、可選地，所述損失函數(shù)值由交叉熵損失函數(shù)計算得到。

17、可選地，所述節(jié)點約束損失函數(shù)表示如下：

18、

19、其中，表示節(jié)點約束損失函數(shù)，ns表示在時間尺度s處的節(jié)點數(shù)量，表示時間尺度s的第j個節(jié)點的語義相似度差。

20、可選地，所述超邊損失函數(shù)表示如下：

21、

22、其中，表示超邊損失函數(shù)，ms表示在時間尺度s下的超邊數(shù)量，αij表示時間尺度s下第i條超邊和第j條超邊的相關權重，dij表示時間尺度s下第i條超邊和第j條超邊的距離。

23、可選地，超圖卷積表示如下：

24、

25、其中，(vs)(k+1)表示第k+1個超圖卷積網(wǎng)絡層的編碼結果，(vs)(k)表示第k個超圖卷積網(wǎng)絡層的編碼結果，dv是超圖的節(jié)點度的對角矩陣，hs表示時間尺度s下的超圖，de是超圖的超邊度的對角矩陣。

26、可選地，采用訓練好的推薦模型，對待預測信息進行預測，得到待預測時刻的目標預測推薦結果，具體包括：

27、獲取待預測信息；所述待預測信息包括用戶信息、用戶訪問的簽到點的地理信息和待預測時刻的時間信息；

28、將所述待預測信息輸入至訓練好的推薦模型中，得到若干預測推薦點的預測分數(shù)；

29、對所有預測推薦點的偏好分數(shù)按從大到小進行排序，將排在前設定數(shù)量個的預測推薦點確定為待預測時刻的目標預測推薦結果。

30、第二方面，本技術提供了一種基于超圖卷積的多尺度時空感知推薦系統(tǒng)，包括：

31、用戶簽到數(shù)據(jù)獲取模塊，用于：獲取樣本用戶簽到數(shù)據(jù)；所述樣本用戶簽到數(shù)據(jù)包括用戶信息、用戶訪問的簽到點的時空信息；所述時空信息包括簽到點的地理信息和簽到時間信息；

32、時間尺度分割模塊，用于：對所述樣本用戶簽到數(shù)據(jù)進行時間尺度分割，得到樣本多尺度簽到序列數(shù)據(jù)；所述樣本多尺度簽到序列數(shù)據(jù)包括不同尺度下的子序列；每一子序列包括若干簽到點的時空信息；

33、超圖構建模塊，用于：以用戶的簽到點作為節(jié)點，以時間尺度作為超邊，根據(jù)所述樣本多尺度簽到序列數(shù)據(jù)構建每一時間尺度下的超圖；所述超圖中節(jié)點的節(jié)點特征包括用戶信息和簽到點的時空信息；所述超邊的超邊特征由所連接若干節(jié)點的節(jié)點特征構成；

34、模型訓練模塊，用于：采用所述超圖的節(jié)點特征和超邊特征，對推薦模型進行訓練，得到訓練好的推薦模型；所述推薦模型，利用超圖卷積和注意力機制，以聯(lián)合約束為損失，對節(jié)點特征和超邊特征進行更新，得到更新后的節(jié)點特征和更新后的超邊特征；基于更新后的節(jié)點特征和更新后的超邊特征，進行多尺度時空信息交互融合，得到預測推薦結果；所述聯(lián)合約束由節(jié)點約束損失函數(shù)和超邊損失函數(shù)構成；所述預測推薦結果包括預測推薦點的位置信息；

35、預測推薦模塊，用于：采用訓練好的推薦模型，對待預測信息進行預測，得到待預測時刻的目標預測推薦結果；所述待預測信息包括用戶信息、用戶訪問的簽到點的地理信息和待預測時刻的時間信息。

36、可選地，所述模型訓練模塊，用于：

37、對于每一時間尺度，基于每個節(jié)點的特征向量，采用聚合節(jié)點相似語義信息的操作，更新超邊特征，得到超邊的聚合后特征信息；將超邊的聚合后特征信息作為超邊的超邊特征；

38、基于超邊的聚合后特征信息，對節(jié)點及對應超邊的語義相似度進行約束，構建節(jié)點約束損失函數(shù)和超邊損失函數(shù)；

39、利用超圖卷積和注意力機制，以聯(lián)合約束為損失，對節(jié)點特征和超邊特征進行更新，得到更新后的節(jié)點特征和更新后的超邊特征；

40、基于更新后的節(jié)點特征和更新后的超邊特征，進行多尺度時空信息交互融合，得到預測推薦結果；

41、根據(jù)每一批次的預測推薦結果計算損失函數(shù)值；

42、利用損失函數(shù)值，對推薦模型進行訓練，得到訓練好的推薦模型。

43、可選地，所述預測推薦模塊，用于：

44、獲取待預測信息；所述待預測信息包括用戶信息、用戶訪問的簽到點的地理信息和待預測時刻的時間信息；

45、將所述待預測信息輸入至訓練好的推薦模型中，得到若干預測推薦點的預測分數(shù)；

46、對所有預測推薦點的偏好分數(shù)按從大到小進行排序，將排在前設定數(shù)量個的預測推薦點確定為待預測時刻的目標預測推薦結果。

47、根據(jù)本技術提供的具體實施例，本技術公開了以下技術效果：

48、本技術提供了一種基于超圖卷積的多尺度時空感知推薦方法及系統(tǒng)，通過超圖卷積和注意力機制，以聯(lián)合約束為損失，對節(jié)點特征和超邊特征進行更新，得到更新后的節(jié)點特征和更新后的超邊特征；基于更新后的節(jié)點特征和更新后的超邊特征，進行多尺度時空信息交互融合，得到預測推薦結果，通過引入超圖卷積注意力機制和多尺度時空感知，綜合考慮了復雜時空關系的多尺度信息問題，提供了一種更加智能、精準的推薦方法，顯著提升了推薦的準確性和個性化程度。