1.一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：该方法包括以下步骤：

S1：获取数据，划分训练集、验证集和测试集；

S2：构建用户关系图和POI关系图；

S3：为每个用户和每个POI采样无连接子图；

S4：构建GBCF模型；

S5：使用训练集训练模型，并利用验证集选择效果最佳的模型；

S6：利用训练好的模型得到用户对POIs的偏好得分，并结合TOP‑K排序生成用户感兴趣的POI推荐列表。

2.根据权利要求1所述的一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：在所述S1中，获取数据包括用户社交关系数据、POI经纬度数据、用户签到数据，并将每个用户最早70％的签到数据作为训练集，最近20％的签到数据作为测试集，剩下10％的签到数据作为验证集。

3.根据权利要求2所述的一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：在所述S2中，将通过2014年Google发明的plus code经纬度编码方法将每个POI的经纬度编码成一个字符串，其次通过训练集将每个用户签到次数最多的POI作为该用户的活动中心；用户关系图构建的具体规则如下：S211根据用户社交关系数据，如果两个用户之间是朋友关系，则这两个用户之间存在边的联系，并且边权重被设为0.5；

S212根据训练集数据，统计两个用户之间联合访问POI的数量，并按照如下映射函数更新两个用户之间的边权重：

其中cij表示两个用户之间联合访问POI的数量，T是设置的阈值；

S213根据POI编码计算两两用户活动中心的接近程度，并根据公式(2)来计算用户之间的边权重,

其中pi，pj分别表示用户i和j的活动中心的POI编码，len(·)函数表示pi和pj在瓦块地图中最大的相同层级数；

根据S211～S213分别得到3个矩阵，将这3个矩阵相加便得到用户关系图的矩阵表示，而POI关系图构建的具体规则如下：S221根据POI编码计算两两POIs的接近程度，并根据公式(3)来计算两个POIs之间的边权重，

其中pm，pn分别表示POIm和n的POI编码，len(·)函数表示pm和pn在瓦块地图中最大的相同层级数；

S222根据训练集数据，统计两两POIs之间共同的签到用户数，并根据如下映射函数更新两个POIs之间的边权重：

其中Nmn表示两个POIs之间共同的签到用户数，T是设置的阈值；

根据S221和S222分别得到2个矩阵，将这2个矩阵相加便得到POI关系图的矩阵表示。

4.根据权利要求3所述的一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：在所述S3中，通过得到的用户关系图，按照边权重从大到小的顺序排列每个用户的邻居用户，从而为每个用户采样k个最亲密的用户，最终得到用户采样子图集合GU＝{g1，g2，...，g|U|}，其中 表示用户i的采样子图，Vi表示节点用户i和其最亲密的k个节点用户；然后结合用户关系图、用户采样子图集合，以及使用词嵌入方式，最后得到用户的三部分向量表示，即：每个用户的原始向量表示；根据每个用户在用户关系图中的一跳邻居得到的向量表示；根据每个用户的采样子图得到的向量表示；通过得到的POI关系图，按照边权重从大到小的顺序排列每个POI的邻居POIs，从而为每个POI采样k个最亲密的POIs，最终得到POI采样子图集合Gp＝{g1，g2，...g|p|}，其中 表示POIm的采样子图，Vm表示节点POIm和其最亲密的k个节点POIs；然后结合POI关系图、POI采样子图集合，以及使用词嵌入方式，最后得到POI的三部分向量表示，即：每个POI的原始向量表示；根据每个POI在POI关系图中的一跳邻居得到的向量表示；根据每个POI在采样子图得到的向量表示。

5.根据权利要求4所述的一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：在所述S4中，构建GBCF模型；GBCF模型包含Graph‑Bert模型和神经协同过滤模型两部分；其中Graph‑Bert模型的作用是得到节点的特征表示，其学习过程如公式(5)所示,其中 表示根据关系图和节点i的采样子图得到的原始特征向量表示、绝对位置向量表示、相对位置向量表示，然后将这三部分向量表示拼接起来并使用全连接层进行聚合，表示过程如公式(6)所示:

其中linear(·)表示一个线性层，k表示采样数，dh表示维数；

(l) (l‑1)

而公式(5)中的H ＝Graph‑Bert(H )是基于图形转换器的编码器将多层地迭代更新节点的表示，它的具体表示如下：其中Q、K、V表示如下：

(l‑1)

表示权重参数；而公式(7)中的G‑Res(H ，Xi)表示图残差项；

(D)

在公式(5)的zi＝Fusion(H )中，函数Fusion(·)表示对输出列表中的所有节点的向量取平均，最终得到目标节点的向量表示，即而神经协同过滤模型的作用是根据Graph‑Bert模型得到的用户特征向量和POI特征向量学习用户对POI的偏好得分，其表示过程如公式(9)所示：其中eu表示用户u的特征向量，em表示POIm的特征向量；

最后模型使用BPR损失函数进行收敛，具体公式如下：其中 表示用户u对正样本POIm的偏好， 表示用户u对负样本POIn的偏好,||Wnet||2表示模型参数的L2范数，λ是正则化项的参数。

6.根据权利要求5所述的一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：在所述S5中，模型训练的一个批次由10240个三元组(用户,正样本POI,负样本POI)组成；其中每个三元组中的用户是从训练集数据中随机选取的，正样本POI是根据选取的用户从其访问过的POIs中随机选择的一个，负样本POI是根据选取的用户从其未访问过的POIs中随机选择的一个；在每一个周期训练完成后使用验证集验证模型，并根据验证结果选择效果最佳的模型。

7.根据权利要求6所述的一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：在所述S6中，利用训练好的模型得到每个用户对每个POI的偏好得分，然后将得分从大到小排序，最后向用户推荐前K个得分最高且用户没有访问过的POIs。