买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利一种基于多活跃区域感知网络的下一个兴趣点推荐方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116401461B 。

龙图腾网通过国家知识产权局官网在2026-02-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310454568.X，技术领域涉及：G06F16/9535；该发明授权一种基于多活跃区域感知网络的下一个兴趣点推荐方法是由孙笑笑;黄博祎;蔡政;俞东进设计研发完成，并于2023-04-25向国家知识产权局提交的专利申请。

本一种基于多活跃区域感知网络的下一个兴趣点推荐方法在说明书摘要公布了：本发明公开了一种基于多活跃区域感知网络的下一个兴趣点推荐方法。该方法充分利用用户行为轨迹在空间上的聚集性，通过分析用户的历史活动轨迹对用户的活跃区域中心进行筛选，并根据距离进行划分、聚合，实现活跃区域内长期稳定的用户偏好特征的获取。同时该方法基于邻居地区的负样本采样方法，通过用户的活动区域对兴趣点进行筛选，充分利用地理位置特性，获取信息更加丰富的样本信息。本发明基于用户的历史签到数据以及其他多模态信息，通过深度学习方法构建网络模型，提取用户偏好特征来预测当前用户下一个最有可能访问的地点，具有准确度高、可扩展性强等特点，可以及时掌握用户行为走向，为用户行为轨迹预测人员提供指导。

本发明授权一种基于多活跃区域感知网络的下一个兴趣点推荐方法在权利要求书中公布了：1.一种基于多活跃区域感知网络的下一个兴趣点推荐方法，其特征在于，包括以下步骤： S1、针对数据集中的用户历史行为轨迹，分别提取用户ID、地点ID、用户访问时间和经纬度GPS信息；根据用户历史行为轨迹以及地理位置信息，提取地区转移轨迹，并分别生成每个用户的历史行为轨迹子串和地区转移轨迹子串，构建形成轨迹数据集； S2、针对S1中每个用户的历史行为轨迹，根据用户的活跃程度确定活跃中心，并根据用户历史行为轨迹在空间上的聚集性行为划定当前用户的多个局部活跃区域，在保持用户历史行为轨迹不变的基础上添加中心地点指向，建立用户活跃区域有向图；同时针对S1中每个用户的地区转移轨迹，根据用户的活跃程度确定活跃中心，并根据地区转移轨迹直接构建地区转移轨迹有向图； S3、针对S1中每个用户的历史行为轨迹子串和地区转移轨迹子串，以及S2中构建的用户活跃区域有向图和地区转移轨迹有向图，构建模型训练集； S4、利用S3中构建的训练集训练多活跃区域感知网络Multiple Active Region‑Aware Network，MARAN，从而得到下一个兴趣点推荐模型，用于以待预测时间段之前的历史行为轨迹和地区转移轨迹为输入，对下一时刻用户可能访问的兴趣点进行预测； S5、针对目标用户，将其历史行为轨迹和地区转移轨迹输入下一个兴趣点推荐模型中，对下一时刻目标可能访问的兴趣点进行预测； 所述S4具体包括以下子步骤： S41、利用S3中构建的训练集训练多活跃区域感知网络时，先将用户，POI和经过Geohash‑5位置编码的地区进行词嵌入Embedding操作，分别得到维度为d的用户词向量POI词向量和地区词向量S42、利用活跃区域聚合模块，学习用户行为轨迹在空间上的聚集特征，来表示多个活跃区域的独特局部特征，活跃区域聚合模块中具体包括以下子步骤： S421、使用图卷积网络GCN对用户活跃区域有向图进行聚合操作，其中输入为图节点词向量组成的矩阵聚合操作如下： 其中σ为激活函数；A为图的邻接矩阵，为度矩阵；W为可学习参数矩阵；h为循环层数；聚合之后得到活跃区域中心特征矩阵同时，使用相同的图卷积网络GCN聚合的方法对地区转移轨迹有向图进行聚合操作，其中输入为得到聚合之后的活跃地区特征矩阵S422、根据S421聚合之后的活跃区域特征矩阵以及活跃地区特征矩阵分别通过活跃区域中心集合和活跃地区集合Gcu进行筛选，计算中心位置的均值得到用户对POI的偏好信息以及地区的偏好信息并将两者进行拼接得到计算方法如下： 其中表示拼接操作； S423、通过多头注意力机制捕获POI和地区偏好内部的依赖关系得到中间值接着将送入全连接层并将全连接层的输出结果与用户词向量eu拼接，得到最终的用户偏好特征计算方法如下： 其中表示拼接操作；为用户词向量特征；均为可学习参数矩阵；其中Attention表示多头注意力机制，其计算式表达为： S424、根据S421聚合之后的活跃区域中心特征表示将用户历史行为轨迹特征矩阵进行重映射，得到每个地点对应的局部区域中心，生成局部区域中心轨迹矩阵接着将用户历史行为轨迹和局部区域中心轨迹中的元素加权求和，并拼接用户词向量特征eu，得到带有区域中心信息的行为轨迹对于每个区域中心的计算式如下： 其中表示拼接操作；u,v均为可学习参数且u+v＝1；σ为激活函数； S43、通过LSTM单元来获取用户签到行为中的时间顺序关系以及上下文信息；将用户u的历史行为轨迹Su的子串以及与之对应的地区转移轨迹子串作为输入，再加上S423得到的用户偏好特征pu，由LSTM单元计算如下： 其中和分别为to时刻和to‑1时刻的隐藏层状态，o∈[1,m]；通过单层LSTM得到当前用户的行为特征S44、利用注意力机制对当前用户的行为特征与带有区域中心信息的行为特征进行融合，并在其中加入用户访问POI的时间间隔信息，计算如下： 其中表示第a次访问和第b次访问的时间间隔信息；c为上下文向量；式中的Attention机制表示为： 最后将用户的行为特征以及上下文向量c送入两个分别用于预测POI及POI所在区域的全连接层，得到用户前往每个POI的概率和用户前往每个地区的概率其中bl,bg,Wl,Wg均为全连接层中的可学习参数矩阵； S45、利用邻居地区感知的采样模块，对用户的活动区域对兴趣点进行筛选，获取信息更加丰富的样本信息；其中，对于地点l，选择l所在的地区g及其8个邻居地区作为选区Nl，将这9个地区内的POI作为候选POI；同时考虑到用户可能存在的漏签到以及GPS定位偏移的问题，使用历史行为轨迹的子串所包含的m个POI来确定最终选区若候选POI数量低于最少候选样本数量，则以随机采样的方式进行补足； S46、对于S41～S45构成的多活跃区域感知网络框架，在每一轮模型训练过程中，使用交叉熵损失函数计算地区层面的损失Lgeo： 其中和分别表示的标签和其他POI针对Lpoi，则根据S45进行样本选取并使用交叉熵损失函数来计算损失： 其中和分别表示POI的真实标签和位于选区内的其他POI； 最终的总损失函数为： Lfin＝Lpoi+ηLgeo其中η∈[0,1]为超参数以平衡POI预测概率与地区预测概率； S47、以最小化总损失函数为目标，对多活跃区域感知网络框架不断迭代进行训练，当达到迭代终止条件时，停止训练输出最终的下一个兴趣点推荐模型，用于预测下一个兴趣点。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。