1.一种基于人群移动模式先验的兴趣点推荐方法，包括如下步骤：(1)获取同一时空的城市交通数据、POI数据和用户签到数据，进行数据处理；

(2)提取城市中的人群移动模式，设计下游任务对人群移动模式提取模块进行预训练；

(3)在深层模型中加入步骤(2)中提取的人群移动模式先验特征；具体包括：

31).将步骤14)中离散特征表征转为稠密特征：

其中， 为离散特征， 为稠密特征；

32).加入步骤(2)中提取的人群移动模式先验特征，并拼接所有稠密特征：其中，fh为城市人群移动模式特征；

33).利用Deep网络融合步骤32)中获得的稠密特征:h0＝ReLU(W0fd+b0)

34).将步骤33)中融合结果经过两层的全连接层(激活函数使用ReLU)，得到稠密特征h，公式为：hl+1＝ReLU(Wlhl+bl)6)

(4)把原始Wide&Deep模型的Wide部分更改为Cross网络，在线性模型部分加入特征交叉层；具体包括：把原始Wide&Deep模型的Wide部分更改为Cross网络，利用多个交叉层(Cross layer)进行特征交叉得到离散特征的高阶表示x；若第l个交叉层的输出向量为xl，那么第l+1层的输出为(5)连接步骤(3)中的Deep网络和步骤(4)中的Cross网络输出，将拼接向量输入到最后的单层感知机中，对最终的目标做拟合，输出用户j在兴趣点i签到的预测分数。

2.如权利要求1所述的一种基于人群移动模式先验的兴趣点推荐方法，其特征在于，步骤(1)具体包括：

11).获取源数据，进行数据预处理，如GPS坐标墨卡托投影；

12).使用城市交通数据集和兴趣点数据集构建时空图；将城市选定范围栅格划分为r×r个区域，每一个轨迹点和POI点映射到划分好的栅格中，按照一定的时间间隔对城市的交通流量数据进行采集，并对每一个间隔内的数据进行时间上的聚合，把人群移动流量构造为时空图Gt(Vt,Et,At)；

其中|Vt|＝r×r，表明城市中划分的所有区域构成了时空图的节点Et＝{(u,v)|u,v∈Vt}，表示城市中任意两个区域的人群移动关系，使用wu,v表示边(u,v)的权重，既在时间片t内从区域u到区域v的人流量；At为节点属性矩阵，表示每个节点范围内的兴趣点分布；

13).生成兴趣点特征向量，表现功能属性分布；设有k类不同的兴趣点类型，对每一个

1 2 k T

区域i构建[fi ,fi ,...,fi]，其中 表示i区域内第j类兴趣点的个数；

14).处理用户签到数据；分别处理类别型特征和数值型特征，包括使用One‑hot编码将类别型特征转换到数值型特征、采用归一化的方式处理数值型特征以及将分布不均匀的数值特征转换为类别特征。

3.如权利要求1所述的一种基于人群移动模式先验的兴趣点推荐方法，其特征在于，步骤(2)中人群移动模式提取框架有三个主要部分：人群移动模式提取模块，基于多头注意力机制的编码解码模块，适配下游任务的上采样模块；具体包括：

21).从人群移动模式提取模块提取出人群移动模式特征；先从步骤12)构建的时空图获取该模块的输入：节点属性和邻接矩阵序列；输入经由图神经网络和前馈网络模块，得到人群移动模式的特征；

图神经网络构建的具体步骤如下：

T

首先获得图G的拉普拉斯矩阵L＝D‑A，对L进行特征值分解得L＝UΛU；其中D为图G的度矩阵，D＝diag(d1,d2,…,dn)，di是节点i在图G中的度，A为图G的邻接矩阵；

其次，假设由13)获得的功能属性分布向量为x，由其傅里叶变换 相应的逆变换得到图信号x与卷积核h在图G上的卷积形式 将上述的替换为 其中 是可学习的参数；

最后获得图神经网络框架为：

其中 为城市功能属性矩阵， 为流量邻接矩阵， 是 对应的度矩阵， 是待学习的网络参数，σ为非线性激活函数；

训练好一个图神经网络后，对每一个时间片所属的图卷积神经网络共享参数权重，对不同时间片的输入的反向传播梯度采用加和平均处理；

最后引入前馈网络部分；首先将单个时间片的节点特征拉平，接着输入多层感知机进行降维操作，得到某个时间片的城市人群移动模式表征向量；

22).引入多头注意力机制；使用人群移动模式的表征向量序列作为输入表征，使用下游任务的目标数据表征作为输出表征；注意力机制可以由以下公式表示：设原始注意力模块复制h次，即h头注意力；对多头注意力模块输入相同的数据得到h个单头注意力的结果；将多头结果拼接，并经过线性层转换得到融合的特征输出；多头注意力公式如下：

23).上采样模块：使用反卷积神经网络将预测的表征向量还原为与真实数据相同的结构。

4.如权利要求1所述的一种基于人群移动模式先验的兴趣点推荐方法，其特征在于，步骤(5)具体包括：

51).连接步骤(3)Deep网络的输出和步骤(4)Cross网络的输出，获得拼接向量xc＝Cat(h,x)；

52).将步骤51)获得的拼接向量输入到最后的单层感知机中，输出用户j在兴趣点i签到的预测分数p,公式如下：p＝sigmoid(Wxc+b)8)。