[發明專利]一種將社交網絡和圖像內容融合的興趣點推薦方法

有效

• 申請號: 201810791178.0
• 申請日: 2018-07-18
• 公開（公告）號: CN109241454B
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 邵長城;陳平華
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/9537;G06Q50/00
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種將社交網絡和圖像內容融合的興趣點推薦方法，其特征在于，包括以下步驟：

步驟1，構造用戶-興趣點評分矩陣R_ij，通過融合距離和標簽因素，構造出新的用戶-興趣點評分矩陣；

步驟2，實現VGG16卷積神經網絡，修改最后的soft層，將圖片處理為1000維度的向量，并根據興趣點構造圖像內容矩陣；

步驟3，根據數據集中的社交信任關系，構建用戶社交矩陣；

步驟4，在用戶-興趣點評分矩陣、圖像內容矩陣、用戶社交矩陣中，假設真實觀測值與實際值之間的差值符合高斯分布，從而根據后驗概率分布推導出SVPOI模型，并推導出最終的損失函數：

其中，

R_ij表示用戶i對于興趣點j的評分信息，

C_ik表示用戶i對于好友k的社交關系信息，

G_jl表示興趣點j對于圖像l的圖像內容信息，

U_i表示用戶i的隱含特征信息，

V_j表示興趣點j的隱含特征信息，

Z_k表示用戶i的好友k的隱含社交關系信息，

P_l表示興趣點j的圖像l的隱含圖像內容信息，

分別表示對應特征矩陣的二范式，

α_u、α_v、α_r分別表示系數；

步驟5，根據步驟4中的函數λ_svpoi，對用戶特征矩陣U_i求偏導，對物品特征矩陣V_j求偏導，對社交特征矩陣Z_k求偏導，對圖像特征矩陣P_l求偏導，

步驟6，利用梯度下降法求以上特征矩陣，求得特征矩陣U_i和V_j；

步驟7，根據步驟6求得的特征矩陣，預測用戶對興趣點的評分，并根據評分高低形成推薦列表。

2.根據權利要求1所述的將社交網絡和圖像內容融合的興趣點推薦方法，其特征在于，在步驟1中，通過對興趣點評分信息的統計觀察，發現用戶中心地區的點集最為密集；說明興趣點的評分受到距離因素的影響；同時，發現不同的興趣點有不同的標簽；屬于不同的領域；說明興趣點同時受到標簽因素的影響；特別的，對距離因素和標簽因素做了一些處理，在SVPOI模型中，將用戶評分分數記為而真正的用戶-興趣點評分信息為其中，定義距離因素為Γ₁＝a*d^b，標簽因素為

細節方面：

(1)對每個用戶計算其簽到興趣點所有經緯度的均值，作為該用戶興趣點的中心點，并逐次計算每個簽到點到該點的距離d；a和b是系數，且(b0)；

(2)計算標簽時，由于每個興趣點對應多個標簽，所以，將標簽數據集進行了“展平”處理，計算該用戶在某一興趣點標簽在其所有興趣點標簽的比例。

3.根據權利要求1所述的將社交網絡和圖像內容融合的興趣點推薦方法，其特征在于，在步驟2中，通過構造VGG16卷積神經網絡，修改最后的soft層，實現圖像的高維度特征抽取，最后構成一個1000維度的向量；網絡利用了ImageNet實現了圖像權重的初始化訓練；部分細節處理：

(1)圖片庫中去除了包含人臉噪聲的圖片；

(2)由于每個興趣點對應多個圖片，對每個興趣點對應的圖像向量進行了取均值的操作；

(3)最后，形成了一個圖像信息矩陣。

4.根據權利要求1所述的將社交網絡和圖像內容融合的興趣點推薦方法，其特征在于，在步驟3中，根據SoRec推薦算法中用戶社交矩陣的構建方式，實現其用戶社交矩陣的構建。

5.根據權利要求1所述的將社交網絡和圖像內容融合的興趣點推薦方法，其特征在于，在步驟6中，根據推薦模型的評價指標RMSE、MAE，進行模型的實驗對比和參數調優；其中，

兩個指標的值越低，說明模型的推薦效果越好；從而選取最好的模型參數，進行特征矩陣U_i和V_j的求解。