[發明專利]一種基于用戶簽到稀疏矩陣的深度學習興趣點推薦方法

有效

• 申請號: 201910308866.1
• 申請日: 2019-04-17
• 公開（公告）號: CN110008411B
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 曾駿;李英華;唐浩然;何欣
• 申請（專利權）人: 重慶大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9537;G06F16/955
• 代理公司: 重慶博凱知識產權代理有限公司 50212
• 代理人: 胡逸然

本發明公開了一種基于用戶簽到稀疏矩陣的深度學習興趣點推薦方法，包括如下步驟：獲取所有用戶的歷史簽到信息，基于所有用戶的歷史簽到信息計算簽到矩陣；基于簽到矩陣計算用戶?興趣點矩陣和興趣點?用戶矩陣；基于用戶?興趣點矩陣計算預估矩陣M₀；基于預估矩陣M₀計算預估矩陣M₁；基于興趣點?用戶矩陣計算預估矩陣M₂；基于簽到矩陣計算預估矩陣M_n；基于公式M_pre＝M₀+M₁+M₂^T+M_n計算用戶?興趣點偏好值矩陣M_pre；基于偏好值矩陣M_pre生成推薦信息。本發明公開的技術方案可以根據用戶簽到稀疏矩陣為用戶適合準確地推薦興趣點。

技術領域

本發明涉及興趣點推薦方法，尤其涉及一種基于用戶簽到稀疏矩陣的深度學習興趣點推薦方法。

背景技術

移動互聯網技術的快速進步，基于位置的社交網絡(Location-Based SocialNetworks，LBSN)得到了快速發展，例如國外的Foursquare、Gowalla、Yelp、Facebook。與傳統社交網絡相比，用戶可以通過簽到的方式與朋友分享他去過的地點，簽到記錄了用戶的興趣地點(如電影院、游樂場，餐廳，景點等)信息。而城市的發展帶動興趣點數量劇增，根據用戶的喜好為用戶準確的推薦興趣地點有利于提高用戶在城市的生活體驗，并更了解自己所在城市的風貌及文化。在海量地點中挖掘用戶感興趣的地點是具有極大的挑戰。

興趣點推薦能夠為用戶推薦感興趣的地點，減少用戶決策時間成本，促進用戶更好的了解城市。經典的協同過濾算法(Collaborative filtering,CF)由于簡單易用，在學術界和工業界已被廣泛使用。若將協同過濾算法應用于興趣點推薦中，則會存在以下問題：

1、相似度計算問題，由于目前戶簽到數據的稀疏性，因此通過協同過濾算法得到的用戶-興趣點簽到矩陣是一個高緯度的稀疏矩陣，計算用戶間的相似性并不是很準確，導致推薦結果效果差。

2、冷啟動問題，對于全新的用戶，缺少用戶向量，不能匹配相似用戶，無法進行推薦。

3、局限性問題，依靠相似用戶信息進行興趣點推薦，不能計算用戶對各個地點的偏好值，對于相似用戶未去過的地點，不能進行推薦。

4、推薦排序問題，對于推薦列表，依靠相似用戶簽到信息對推薦列表進行排序，并不是很準確，如對于多個簽到次數相同地點，不能合理排序，導致推薦結果差異大。

發明內容

針對現有技術存在的上述不足，本發明要解決的技術問題是：如何提供一種能夠為每個用戶準確推薦興趣點的方法，可以基于用戶簽到稀疏矩陣為每個用戶適合準確地推薦興趣點。

為解決上述技術問題，本發明采用了如下的技術方案：

一種基于用戶簽到稀疏矩陣的深度學習興趣點推薦方法，包括如下步驟：

S101、獲取所有用戶的歷史簽到信息，基于所有用戶的歷史簽到信息計算用戶簽到矩陣；

S102、基于用戶簽到矩陣計算用戶-興趣點矩陣和興趣點-用戶矩陣；

S103、基于用戶-興趣點矩陣計算預估矩陣M₀；

S104、基于預估矩陣M₀計算預估矩陣M₁；

S105、基于興趣點-用戶矩陣計算預估矩陣M₂；

S106、基于簽到矩陣計算預估矩陣M_n；