基于GRU神经网络的可移动性兴趣点的推荐系统

摘要

目前,兴趣点推荐算法的研究主要聚焦在静态兴趣点的推荐上,对可移动性兴趣点的推荐研究比较少.本文提出了一种包括3个网络模块的复合神经网络结构,可以实现可移动性兴趣点的推荐.整体算法框架包含门控循环(gaterecurrentunit,GRU)神经网络专家模块和门网决策模块,门控循环神经网络专家模块由模式GRU和点GRU两个子模块组成.模式GRU网络模块融入了迁移学习策略,负责学习其他数据集中的动态时空模式,用于模式预测.点GRU网络模块融入了对比学习策略,以达到扩展目标训练集的样本数量、提高网络泛化能力的目的,用于点预测;门网决策模块负责根据输入样本的形式选择相应的GRU模块的输出作为预测结果,实现神经网络专家决策系统.本文还提出了一种结合Tr AdaBoost+最大期望(expectationmaximization,EM)算法的样本过滤算法,该算法能够从两种学习策略产生的扩容样本中筛选出可信的、可用的样本,用于训练模式GRU以及点GRU网络模块.实验结果表明,与马尔可夫(Markov)模型和高斯混合模型(Gaussian mixture model,GMM)方法相比,本文方法泛化能力强,可用小训练样本集驱动神经网络,产生的预测误差以及预测误差分位数更小.