[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

本發明提出一種將社交網絡和圖像內容融合的興趣點推薦方法，在已有社交推薦模型的基礎上，提出了新的融合社交網絡和圖像內容的矩陣分解模型，能夠充分利用用戶評價信息中的圖片信息，緩解數據的稀疏性，來提高興趣點推薦的準確度。另外，本發明利用率興趣點評價的文本信息，地理信息，以及興趣點的標簽分類信息，更好地解決了興趣點推薦的冷啟動和準確度問題，向用戶推薦其最想去的興趣點，提升用戶的體驗度。

技術領域

本發明涉及信息推薦領域，更具體地，涉及一種將社交網絡和圖像內容融合的興趣點推薦方法。

背景技術

隨著Web 2.0的快速發展，無線通信與位置采集技術促生了很多基于位置的社交網絡(LBSNs)，例如。Yelp、Foursquare、FacebookPlaces等。用戶能夠以“簽到”的形式發布他們的地理標簽和物理位置，并對已訪問的興趣點(例如，商場、餐廳、博物館、娛樂場所、酒店等)與朋友分享他們的體驗與經驗。在日常生活中，人們通常喜歡探索居住的城市與鄰近的地方，根據自己的個人興趣選擇與自己偏好相關的興趣點。由于興趣點與用戶偏好的數據中包含大量有價值的信息可以用于興趣點推薦中。同時，在大量的興趣點中如何有效地幫用戶做出滿意的決策是一個困難的問題，通常被認為“選擇麻痹”。為了解決這個問題，興趣點推薦任務將幫助用戶過濾掉不感興趣的位置并減少決策時間。在現實世界的Yelp數據中，用戶可以在簽到地點上傳圖片信息。圖片信息不僅折射出用戶的偏好，更對地理位置提供了更多的可解釋性。例如，一個用戶經常發布建筑類照片，說明他更喜歡去一些有地標的地點；然而另外一個用戶可能經常發布關于食物的照片，說明她更喜歡去一些餐館或是飯店，當然，可以根據用戶發布的照片內容，進行食物類別的區分，不同用戶可能喜歡不同的食物。

目前興趣點推薦面臨的主要問題在兩個方面，一個是興趣點推薦的數據稀疏性問題(data sparsity)，另外一個是冷啟動問題(cold-start)。同時，面臨多源的異構數據，如文本類數據，地理位置，用戶歷史喜好數據，點評數據，社交關系網絡數據；如圖片數據，用戶上傳的興趣圖片數據等。如何合理的將數據融入到現有的興趣點推薦系統中，提高推薦效果，是非常重要的。

目前相關領域主要采用兩種類型的技術，基于內容的方法(Content-basedMethods)，基于協同過濾的方法(Collaborative FilteringbasedMethods)。

基于內容的推薦方法是最早使用的推薦方法，根據用戶過去喜歡的興趣點，為用戶推薦和他過去喜歡的興趣點類似的興趣點。而關鍵技術就是在這個興趣點相似性的度量上。但是這種技術抽取內容特征比較復雜；無法挖掘出用戶的潛在興趣，由于是推薦與歷史喜好相關的興趣點，其他類型興趣點不會進行挖掘；無法為新用戶產生推薦，新用戶沒有興趣點喜好數據，也就無法對他形成推薦。

基于協同過濾的方法包括基于用戶的協同過濾方法，其核心思想是使用統計技術尋找與目標用戶有相同喜好的鄰居，然后根據鄰居的喜好產生目標用戶的興趣點喜好；基于項目的協同過濾方法，其核心思想是根據用戶對興趣點的評價，發現興趣點與興趣點之間的相似度，然后根據用戶的歷史偏好信息將類似的興趣點推薦給該用戶；基于矩陣分解的協同過濾方法，該方法將用戶對興趣點的評分信息以矩陣形式表示，通過對矩陣的分解操作挖掘低維特征空間，并將用戶與興趣點在該低維空間上進行重表示，進而以用戶物品向量間的內積來刻畫用戶興趣點之間的關聯性。然而評分矩陣存在數據高度稀疏與分布不均勻等特點,這些特點進一步導致了協同過濾方法推薦性能低、冷啟動、長尾等問題。

此外，研究人員通過對基于矩陣分解的協同過濾方法，引入社交信息，來解決興趣點推薦的冷啟動問題，提出融合社交信息的興趣點推薦方法，以及融合地理位置、時間效應等方法。但是，這些方法都是基于文本類型的數據信息，忽略了圖像內容這樣的隱含信息豐富的多媒體信息。沒有將文本數據和圖像數據同時融入到矩陣分解模型中。

發明內容