2025《基于用户行为轨迹分析的兴趣点推荐系统建模综述》6600字.docxVIP

PAGE

PAGE2

基于用户行为轨迹分析的兴趣点推荐系统建模综述

1.1问题的定义

为了便于表示，本节我们将定义与行为轨迹和下一个兴趣点预测相关的基本术语本、关键数据结构和符号。

定义1.1(兴趣点)。兴趣点POI（PointofInterest）一般被定义为一个区域的质心或唯一编码的特定地点。我们用v表示一个POI。

定义1.2(签到活动序列)。用户u的签到活动序列由Htiu

定义1.3(轨迹)。定义Tr表示用户u的行为轨迹，其中轨迹Tr可被分割成若干个子轨迹T=T

定义1.3(轨迹嵌入)。对于数据集D中的每个用户u，其动态偏好将表示为一个具有时间感知的用户，将Pu,t嵌入到R

定义1.4（下一个兴趣点）。给定用户的历史签到记录Htiu

1.2整体模型架构

图1.SEQ图3.\*ARABIC2模型结构图

Fig1.SEQFig3.\*ARABIC2Modelstructurediagram

1.2行为轨迹分析

1.2.1轨迹的嵌入

通过相关问题定义能够了解到，就一条活动轨迹而言，其属于有限序列，构成包括了相关签到点，所有签到点会关联起对应的特定活动。考虑到要对用户相关的活动行为在相似度方面实施衡量，除了必须对轨迹里面涉及到的用户活动行为进行考虑之外，还必须对相关活动执行的实际顺序实施考虑。所以，对于用户相关的行为来说，要选择相应的轨迹嵌入算法实施向量空间当中的映射，从而能够将用户签到点对应的序列属性捕获到。

图1.1行为轨迹嵌入结构

Fig.1.1Behaviortrajectoryembeddingstructure

关于轨迹嵌入算法进行分析，起初需要将词向量相关的嵌入技术用起来，而后对所有用户相关的活动轨迹实施序列属性的提取，在此基础上就能够做到用户签到位置相关的低维嵌入过程。其使得用户历史对应的长轨迹被分成了一个个的子轨迹，而后通过文本序列相关学习获取连续分布式相关向量，从而能够更好的对无监督相关方法进行表达。详细分析就是，把所有具备活动时间的相关行为当成是对应的单词，这样的话用户相关的整体活动签到点序列就变成了文本段落。所有段落都涉及到对应的主旨，从而能够将这一段的中心体现出来，该篇文章的观点是，这个段落主旨能够将用户实际行为偏好反映出来，所以具备相似主旨的这些人群在一定程度上能够表现出他们相似的行为模式偏好。基于词向量相关模型，可以实施对应段落向量的增添，同时能够使得其开展对应的扩展，通过段落向量能够实现主题对应的提取过程，也就能够用在用户相关行为相似度的计算上。

就用户行为轨迹进行分析，其中的滑动窗口就是上文以及下文对应相关用户向量的拼接过程，并能够实施目标签到点的相关预测，利用持续性的采样轨迹相关片段能够实现记忆用户行为模式的确切目标。就轨迹相关嵌入模型进行分析，可以实施用户签到点以及时空相关向量的行为模式总结。对于用户行为向量来说，其能够将现阶段上文和下文不具备的信息表现出来，同时其能够作为用户活动相关轨迹行为模式对应的存储存在。

由于在相同地点来说，较多的用户有大概率会在同一时间实施签到以及开展相同的活动，所以可以通过全部用户来实施签到状态相关向量的共享过程。同时用户相关的行为模式向量方面，表示的是所有用户对应的行为偏好，也是用户自身独自享有的，所以共享的过程只能够通过用户相关活动轨迹实施窗口滑动来实现。通过举例来实施说明就是，众多的用户具备相应的概率在夜晚到烧烤摊吃夜宵，同时还会在一些软件里面留下对应的签到点，包括了微博以及美团等等，所以关于全部用户来说，该签到点就都是一致的。同时部分用户都会在烧烤结束以后直接去洗澡，该行为就是用户独自具备的相关行为偏好。在用户相关的活动轨迹里面，我们把段向量对应的模型使用好，从而能够将用户对应的行为模式相关特征提取出来。就段向量模型来说，它会将所有用户对应的行为模式以及相关签到点进行映射，对应的结果就是唯一的一个向量，这里面可以通过矩阵里面的一行来对用户行为向量进行表示，在矩阵W的基础上，对应的签到点向量会通过一行进行表示。将用户对应的活动轨迹确定下来，就是这里面活动轨迹对应的签到点相关数量。就此条用户活动轨迹进行分析，对于目标函数而言，其中的段向量模型就是具备最大概率的相关签到点对应的序列平均对数：

1NIk=j

上述对应的属于滑动窗口，ci,1,c

pci,kc

从上式来看，全部用户活动相关签到点对应的集合可以用C表示，ωci,k也作为签到点ci,k相关的输出向量存在，它还是一个拼接输入向量，对应的是前后活动签到点向量以及用户活动相关行为向量，也就是说，关于用户行为向量方面，能够将它看成是对用户行为具备的偏好性质的抽取特征过程，υi是前后活动签到点向量υci,k?i

一般情况下，会选择