一种面向低质量数据场景的兴趣点推荐方法

本发明提出了一种面向低质量数据场景的兴趣点推荐方法。首先利用神经网络将用户偏好分为长期偏好和短期偏好，并利用不同的方法分别学习，具体来说，用注意力机制来捕捉用户的长期偏好，同时用两个不共享参数的长短期记忆网络(Long Short‑Term Memory，LSTM)学习用户的短期偏好；其次利用对比自监督学习，在时空维度上构建强化数据，并使用对比损失增强LSTM的识别能力，改善模型对数据的理解和表征能力；最后，将长期和短期的输出结合在一起，并通过学习每个用户的加权向量平衡长期、短期偏好的重要性。这种综合方法使得我们能够在应用于低质量数据集时获得更为优秀的推荐结果，为推荐系统的性能提升提供了有力支持。