一种通过移动性上下文感知基于对抗的社交圈推理方法

摘要

本发明公开了一种通过移动性上下文感知基于对抗的社交圈推理方法。其特征在于提出了一种新颖的端到端框架ASCI‑CAM(Adversity‑based Social Circles Inference via Context‑Aware Mobility)，用于从用户的移动性数据推断用户的社会关系。ASCI‑CAM利用上下文图从用户签到行为中获取语义轨迹嵌入，以对抗学习的方式解决TSCI(Trajectory‑based social circle inference)问题，可以很好地解释人类移动模式，与以往方法相比，进一步提高社交圈推理模型的性能和可解释性。在真实公开数据集(Brightkite,Gowalla和Foursquare)上的大量实验评估证明了我们的方法取得的结果的优越性能和可解释性。

说明书

技术领域

本发明涉及深度学习和社交网络领域，具体涉及移动性上下文感知基于对抗的社交圈推理方法，该方法不仅能够学习移动数据的潜在因素，还考虑了与人类轨迹相关的语义，以一种对抗学习的方式进行更强健灵活的移动和社交圈推理。

背景技术

无线技术和智能设备的快速发展刺激了基于位置的社交网络(LBSN)应用程序的大量涌现(如Twitter、Instagram、Foursquare和Yelp)。然而，在真实的LBSNs中，由于隐私问题，很难获得任何关于用户身份的明确信息。于是，产生了基于匿名轨迹的社交圈推断(TSCI)，通过学习个人用户的移动模式，来推断社会关系。由于其在许多LBSN应用中的重要性，近年来受到了广泛的关注。2017年，Yang等人通过发现用户经常访问的地点来衡量用户偏好的相似性，并对社交关系进行预测。Duan等人将朋友推荐问题表述为一个细粒度轨迹匹配预测问题，以此来研究社会关系的时空偏好。然而，这些方法仍存在一些问题:(1)缺乏对用户签到的上下文特征的建模；(2)无法捕捉用户运动模式中的结构信息；(3)没有考虑潜在的移动性分布。这些挑战极大的影响着现有解决TSCI问题的模型性能和可解释性。

发明内容

本发明针对现有技术的弊端，提供一种通过移动性上下文感知基于对抗的社交圈推理方法，利用上下文图从用户签入行为中获取语义轨迹嵌入，以对抗学习的方式解决TSCI问题，可以很好地解释人类移动模式，并进一步提高社交圈推断的性能。

为了达到上述发明目的，本发明采用以下技术方案实现的：

通过移动性上下文感知基于对抗的社交圈推理方法，所述的方法通过结合用户签到的上下文特征、用户运动模式中的结构信息以及用户潜在移动性的分布，同时从用户隐私保护、模型推断性能以及模型可解释性三个方面进行了优化提升。所述方法的具体步骤包括：

(1)构建上下文图:输入用户轨迹，根据用户的签到历史数据构建上下文图；

(2)嵌入签到信息:通过上下文图的采样轨迹，使用随机游走策略生成一个用于学习签到表示的语义库，在此语义库基础上训练嵌入模型；

(3)用户移动模式嵌入:输入轨迹数据，通过融合注意力机制的编码器表示出轨迹的隐藏状态，并通过对抗性的正则化策略来近似隐藏状态的分布，以产生更健壮的轨迹表示；

(4)社交圈推断:输入社交网络标签空间，结合推理模块，以最小化真实标签与预测标签之间的成本为目标，优化训练模型并进行测试。

附图说明

图1为本发明的模型架构图；

图2为本发明的算法示意图；

图3为本发明的实验对比图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

本发明所述方法由四个算法组成，具体构造过程如下：

(1)构建上下文图

Step1:输入一组用户的轨迹数据序列

Step2:令

(2)签到信息嵌入

Step3:采用随机游走策略根据一组固定长度的轨迹对图G进行采样，生成学习签到表示的语义库。

Step4:由于签到c的地理位置关联为c

Step5:将Step1中生成的语义库，按照Step2的具体方法,得到所有签到的嵌入表示，即

(3)用户移动模式嵌入

Step6:给定一个轨迹

Step7:通过融合注意力机制的编码器，对轨迹T的隐藏状态

公式(5)和公式(6)可以简化为，

Step8:利用重构误差

Step9:构建由参数

Step10:计算

Step12:调整参数，当

(3)社交圈推断

Step13:令社交圈推理模块为

Step14:令ε表示交叉熵损失函数，通过调整参数Ω，使

Step15:从