1.基于改进LSTM和位置跳跃的兴趣点推荐方法，其特征在于，包括以下步骤：S1：获取用户的目标轨迹序列；

S2：将用户的目标轨迹序列输入经过训练的推荐模型中，输出对应的兴趣点预测结果；

其中，推荐模型首先将目标轨迹序列划分为历史轨迹序列和当前轨迹序列，并进行嵌入处理；然后通过能够学习LSTM不相关上下文表示的改进LSTM，结合历史轨迹序列和当前轨迹序列的时间相似度捕捉用户长期兴趣行为依赖；再通过能够学习不同重视程度的非连续非相邻兴趣点的位置跳跃算法，结合当前轨迹序列捕捉用户短期兴趣行为依赖；最后融合用户长期兴趣行为依赖和用户短期兴趣行为依赖，进而得到对应的兴趣点预测结果；

步骤S2中，通过用户、兴趣点、时间和空间四个维度的上下文信息特征实现嵌入处理；

历史轨迹序列嵌入表示为 TSh＝{TS1,TS2,…,TS|n‑1|}表示历史轨迹序列，n是最近序列的索引；

当前轨迹序列嵌入表示为

通过如下步骤生成用户长期兴趣行为依赖：

S201：将历史轨迹序列 和当前轨迹序列 输入改进LSTM中，以保留顺序依赖关系并获得输入序列上下文信息的相关性表达，进而输出对应的历史轨迹隐藏状态 和当前轨迹隐藏状态S202：将历史轨迹隐藏状态 和当前轨迹隐藏状态 输入多头自注意力网络中，输出对应的历史轨迹自注意力表示 和当前轨迹自注意力表示S203：基于时间权重结合历史轨迹自注意力表示 计算考虑时间因素后的目标历史轨迹tsh；

S204：对当前轨迹自注意力表示 进行平均池化，生成目标当前轨迹表示tsn；

S205：基于每个目标历史轨迹tsh对目标当前轨迹tsn的影响，计算对应的用户长期兴趣行为依赖步骤S201中，改进LSTM的隐藏状态ht＝Mogrify(x,ht‑1)；

式中：Mogrify(x,ht‑1)表示通过考虑先前时刻的隐藏状态和输出状态而更新的LSTM；

其中，

↑ j

式中：x和 分别表示交替序列中的最高索引x和 cprev表示LSTM中先前时刻的细胞单元状态；Mogrify表示改进LSTM的表示；ht‑1表示改进LSTM的上一时刻隐藏状态；

‑1

式中：x ＝x且 周期 表示超参数，r＝0时恢复成基础的LSTM；

和 表示可训练的矩阵；⊙表示元素的乘积；σ表示逻辑sigmoid函数；odd j表示当交替序列中j为奇数；even j表示当交替序列中j为偶数；

S3：基于推荐模型输出的兴趣点预测结果为对应用户进行兴趣点推荐。

2.如权利要求1所述的基于改进LSTM和位置跳跃的兴趣点推荐方法，其特征在于：步骤S202中，多头自注意力网络中执行如下计算：式中： 是 或 和 经过多头自注意力网络后表示为 和均表示第i头注意力机制中的投影矩阵；headi表示多头自注意力的第i头；d表示 的维度； 表示投影矩阵 的转置。

3.如权利要求2所述的基于改进LSTM和位置跳跃的兴趣点推荐方法，其特征在于：步骤S203中，目标历史轨迹式中： 表示第c和第Tt个时间槽之间的时间相似关系；

其中，

式中：Wt表示权重矩阵；Ti表示用户第i个时间点的签到兴趣点集合；Tj表示用户第j个时间点的签到兴趣点集合。

4.如权利要求2所述的基于改进LSTM和位置跳跃的兴趣点推荐方法，其特征在于：步骤S204中，目标当前轨迹

5.如权利要求4所述的基于改进LSTM和位置跳跃的兴趣点推荐方法，其特征在于：步骤S205中，用户长期兴趣行为依赖式中：dn,h表示兴趣点位置lt‑1与轨迹TSh之间的地理距离；

其中，

式中： 和 表示目标历史轨迹的中值坐标；Wh表示可训练的投影权矩阵；arcsin表示数学中的反正弦函数；

6.如权利要求5所述的基于改进LSTM和位置跳跃的兴趣点推荐方法，其特征在于：步骤S2中，通过如下步骤生成用户短期兴趣行为依赖：S211：构造距离矩阵 存储每个兴趣点之间的距离；然后根据距离矩阵，计算当前轨迹序列中距离当前兴趣点最近的兴趣点，结合深度遍历法构造改进LSTM在时间t‑

1时的输入集

S212：将输入集 输入改进LSTM中，以考虑非连续非相邻兴趣点对用户短期兴趣行为依赖的影响，进而输出对应的当前轨迹隐藏状态其中，

式中：xt‑1表示输入的数据； 表示隐藏状态，上标geo表示用在位置跳跃算法中；

S213：将当前轨迹隐藏状态 输入注意机制层中，经过注意机制处理输出对应的当前轨迹加权向量表示 以学习不同重视程度的非连续非相邻的兴趣点，进而考虑用户访问序列中的非主观噪声；

注意机制层中，

式中： 表示 经过神经网络后的输出； 表示 的转置；bw表示神经网络中的偏置项；Ww和uw均表示随机初始化的矩阵；

S214：基于当前轨迹加权向量表示 计算对应的用户短期兴趣行为依赖(1) (1) (2) (2)

式中：W 、b 、W 、b 均表示可学习的参数。

7.如权利要求6所述的基于改进LSTM和位置跳跃的兴趣点推荐方法，其特征在于：步骤S2中，通过如下公式融合用户长期兴趣行为依赖和用户短期兴趣行为依赖；

output

式中：R 表示兴趣点预测结果； 表示用户长期兴趣行为依赖； 表示用户短期兴趣行为依赖； 表示用户长期兴趣行为依赖和用户短期兴趣行为依赖的连接；

表示所有兴趣点的可训练投影矩阵。