1.一种基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法，其特征在于，S1、从原始数据中抽取有效数据，构建用户‑兴趣点交互数据；

S2、根据用户‑兴趣点交互数据，通过元素级乘法操作构建用户访问兴趣点事件发生概率的基础强度；并通过逐元素相乘构建用户行为序列中的历史序列对当前兴趣点的初始激发程度向量；

S3、计算用户对历史行为的注意力权重

S3‑1、将用户u历史访问兴趣点h的特征表示矩阵vu，h输入线性层(vu,hWh+bh)，其中为可训练模型参数,再经过非线性激活函数relu(),获得历史访问序列隐特征表示矩阵 公式为：

Hvecu,h＝relu(vu，hWh+bh)；

S3‑2、将用户u的特征表示向量vu与历史访问序列隐特征表示矩阵Hvecu,h相乘经过Softmax()函数获得用户u对不同历史兴趣点注意力向量 公式为：attu，h＝Softmaxx((Hvecu，hvu)；

S4、通过基于注意力自适应方法来利用和融合用户偏好，进而确定用户长短期偏好动静态权重、长期偏好静态权重和短期偏好动态权重；

S5、构建关于用户的指数核函数，其计算过去事件发生对当前事件发生的历史影响随时间及空间的指数衰减Ku(t‑th,s‑sh)，其中，K(t‑th，s‑sh)是用户u关于|t‑th|和|s‑sh|的指数核函数，其计算历史影响随时间的指数衰减；|t‑th|是当前时刻t与历史时刻th之间时间差；|s‑sh|是当前时刻t访问的位置s与历史访问位置sh之间距离差；

S6、采用多变量Hawkes时空点过程对用户行为序列建模，所构建模型表达式如下：根据历史序列预测和推荐下一个兴趣点，将结果带入模型中，其中 是在时刻t时，用户u更偏好s位置处兴趣点i的概率；μu，i是用户u访问兴趣点i事件发生概率的基础强度； 是用户u的长期偏好静态权重； 是用户u的短期偏好动态权重；attu，h是用户u对不同历史兴趣点注意力向量；αu，h，i是用户u行为序列中的历史序列h对当前兴趣点i的初始激发程度向量；Su，t是t时刻用户u的历史访问序列；

S7、计算用户u在时刻t对兴趣点i′感兴趣的概率，对于每个兴趣点i′∈I，条件分布pi′|u(s，t)在整个兴趣点集合I上，公式为：S8、对用户u在时刻t采样负样本，负样本为兴趣点特征表示，用负样本兴趣点k′特征表示替换上述i′特征表示为S9、计算损失，并对Hawkes时空点过程参数进行优化。

2.根据权利要求1所述的基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法，其特征在于，步骤S1的具体方法为：令 Su为用户u的

访问序列，(u，i，t，s)∈Su，Su∈S，其中S为所有用户的访问序列，u∈U，i∈I，其中U为所有用户集合，I为所有兴趣点集合，u为用户编号，i为兴趣点编号，t为用户u访问兴趣点i的时刻，s为兴趣点i的位置，将用户访问序列Su送入交互序列嵌入模块，分别构建用户u和兴趣点i的特征表示。

3.根据权利要求2所述的基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法，其特征在于，步骤S2中的基础强度的获取方法：从用户‑兴趣点交互数据中提取用户u的特征表示向量 和t时刻用户u访问兴趣点i的特征表示向量 并进行元素级乘法操作,并沿着第一个batch维求和，获得vu和vu，t，i之间相关性得分μu，i，即用户u访问兴趣点i事件发生概率的基础强度

4.根据权利要求2所述的基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法，其特征在于，步骤S2中初始激发程度向量的获取方法为：从用户‑兴趣点交互数据中提取用户u历史访问兴趣点h的特征表示矩阵 与t时刻用户u访问兴趣点i的特征表示向量vu，t，i，并进行逐元素相乘，并对特征维度求和，获取vu，h与vu，t，i之间的相关性得分αu，h，i，即初始激发程度向量

5.根据权利要求4所述的基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法，其特征在于，步骤S4的包括如下子步骤：S4‑1将用户u的特征表示向量vu和平均化历史访问兴趣点特征表示向量 拼接到一起，构建一个长短期特征表示矩阵 获取一个兼具全局及局部信息特征表示， 的公式定义如下：其中vu，h是用户u历史访问兴趣点h的特征表示矩阵； 是t时刻，用户u历史访问兴趣点h的特征表示总和；|Su，t|是t时刻用户u历史访问序列长度；

S4‑2构建可训练长短期偏好动静态权重矩阵 其中W[l，s]可分解为长期偏好静态权重wl和短期偏好动态权重ws，其中 采用初始化方法随机初始化可训练长短期偏好动静态权重矩阵W[l，s]；

S4‑3对长短期特征表示 与可训练长短期偏好权重矩阵W[l，s]进行矩阵乘法计算，结果再加上可训练偏置向量 采用非线性激活函数relu()，并对最后一维度求和，对结果进行Softmax()操作,使结果归一化为概率分布，公式为：其中 为用户u的长短期偏好动静态权重向量， 为用户u的长期偏好静态权重， 为用户u的短期偏好动态权重。

6.根据权利要求5所述的基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法，其特征在于，步骤S5的具体方法为：引入用户相关参数δu>0、γu>0表示历史影响的衰减速率，控制历史事件对当前发生事件的影响，即先前事件的影响随时间向0衰减，接近它们的基本速率μu，i，公式为：Ku(t‑th，s‑sh)＝exp(‑δu|t‑th|‑γu|s‑sh|)其中δu控制着随时间变化，过去事件对当前事件发生强度的影响程度；γu控制着随距离变化，过去事件对当前事件发生强度的影响程度。

7.根据权利要求6所述的基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法，其特征在于，步骤S9中，采用损失loss进行优化，表达式如下：其中σ(x)是Sigmoid函数，n是负样本数量，k′是基于PI从兴趣点集合采样的兴趣点，PI

3/4

是度分布PI∝du ，du是用户u的度，对历史访问序列中没有出现的负样本进行采样。