输入：汽车用户出行记录 R；初始化：用户嵌入矩阵 P、地点嵌入矩阵 Q、时间嵌入矩阵 S、多层感知机权重矩阵 W、多层感知机偏置 b 输出：目的地预测结果 训练过程： 1: for 出行三元组 Tout in R do 2: 从相应的嵌入矩阵中取出用户嵌入 Pu，出发地嵌入 Ql，时间嵌入 St进行组合 3: 经基于多层感知机的嵌入组合机制生成新的向量表示，作为出行三元组特征嵌入 4: 将地点集合划分为出行三元组访问过的目的地集合 PL 和未访问的目的地集合 NL， 并从中取出地点𝑙𝑝 ∈ 𝑃𝐿, 𝑙𝑛 ∈ 𝑁𝐿。 5: 组成地点排序对：（Tout,lp,ln） 6: 通过最大化地点排序对的条件概率，不断更新相应的用户嵌入、出发地嵌入、时间 嵌入、目的地嵌入以及多层感知机权重 W 和偏置 b 7: end for 预测过程： 8: 预测时，使用上述训练好的 ECLP 模型生成出行三元组的嵌入表示，计算每个地点作 为当前出行三元组目的地的概率，按照降序方式排列并选择前 N 个地点作为预测结果。将以上描述转换成伪代码。

以下是基于伪代码的 ECLP 模型的训练和预测过程：

训练过程：

Input: 汽车用户出行记录 R；初始化：用户嵌入矩阵 P、地点嵌入矩阵 Q、时间嵌入矩阵 S、多层感知机权重矩阵 W、多层感知机偏置 b
Output: 目的地预测结果

for each 出行三元组 Tout in R do
    # 嵌入组合
    Pu = P[Tout.user_id]; Ql = Q[Tout.source]; St = S[Tout.timestamp]
    feature = concatenate(Pu, Ql, St)
    # 多层感知机
    hidden = ReLU(feature.dot(W) + b)
    # 生成地点排序对
    PL, NL = split_place_set(Tout)
    for lp in PL do
        for ln in NL do
            # 计算条件概率
            prob = softmax(hidden.dot(Q[lp] - Q[ln]))
            # 更新嵌入和权重
            delta_Q = learning_rate * (prob * (hidden - Q[lp] - Q[ln]) + reg_param * Q[lp])
            delta_Pu = learning_rate * (prob * (Q[lp] - Q[ln]).dot(W.T) + reg_param * Pu)
            delta_Ql = learning_rate * (prob * (Q[lp] - Q[ln]).dot(W.T) + reg_param * Ql)
            delta_St = learning_rate * (prob * (Q[lp] - Q[ln]).dot(W.T))
            delta_W = learning_rate * (prob * np.reshape(hidden, (-1, 1)).dot(np.reshape(Q[lp] - Q[ln], (1, -1))) + reg_param * W)
            delta_b = learning_rate * (prob * (Q[lp] - Q[ln]))
            # 更新嵌入和权重矩阵
            Q[lp] += delta_Q
            Q[ln] -= delta_Q
            P[Tout.user_id] += delta_Pu
            Q[Tout.source] += delta_Ql
            S[Tout.timestamp] += delta_St
            W += delta_W
            b += delta_b
end for

预测过程：

Input: 训练好的 ECLP 模型，出行三元组 Tout
Output: 前 N 个推荐地点

# 嵌入组合
Pu = P[Tout.user_id]; Ql = Q[Tout.source]; St = S[Tout.timestamp]
feature = concatenate(Pu, Ql, St)
# 多层感知机
hidden = ReLU(feature.dot(W) + b)
# 计算每个地点的概率
prob_list = []
for place_id in place_set do
    prob = softmax(hidden.dot(Q[place_id]))
    prob_list.append((place_id, prob))
# 按照概率降序排序并选取前 N 个地点
recommendations = [(place_id, prob) for place_id, prob in sorted(prob_list, key=lambda x: x[1], reverse=True)[:N]]
return recommendations