[發明專利]基于地理位置融合和類別流行度的興趣點推薦方法

有效

• 申請號: 202010532340.4
• 申請日: 2020-06-11
• 公開（公告）號: CN111680228B
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 莊毅;黃智浩
• 申請（專利權）人: 浙江工商大學
• 主分類號: G06F16/9537
• 分類號: G06F16/9537;G06F16/9535;G06F17/18;G06F17/16;G06Q50/00
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 吳秉中

本發明公開了一種基于地理位置融合社交影響和類別流行度的矩陣分解興趣點推薦方法，獲取位置社交網絡中所有用戶及候選興趣點的歷史簽到信息，計算得出目標用戶的地理相關系數獲取所有用戶的社交網絡信息，計算目標用戶與興趣點之間的社會相關系數S(x_u,l)；基于候選興趣點類別的偏好和所述候選興趣點的流行度，計算目標用戶與興趣點之間的類別流行度相關系數C(y_u,l)；通過概率矩陣分解方法將地理信息模型、社會相關系數、類別流行度相關系數以及潛在特征相融合，形成興趣點推薦模型，計算目標用戶的推薦分數Rec_u,l；基于推薦分數Rec_u,l生成推薦信息，從而達到個性化推薦的目的。

技術領域

本發明涉及興趣點推薦方法，更具體地說，涉及基于地理位置融合社交影響和類別流行度的矩陣分解興趣點推薦方法。

背景技術

隨著社交網絡、智能移動終端和自動定位技術的快速發展，基于位置的社交網絡(Location-Based Social Network，LBSN)應運而生，為人們提供了極其便利的位置服務，典型的LBSN應用有Foursquare、Yelp和Gowalla等。LBSN將線上虛擬社會與線下真實世界聯結在一起，用戶通過線下訪問自己感興趣的興趣點,同時可以在線上以簽到的方式發表評論等信息，與自己的朋友或其他用戶分享自己在該興趣點的簽到體驗。興趣點推薦是LBSN服務中的一項重要內容，通過統計用戶的歷史簽到數據，旨在為用戶推薦潛在感興趣的興趣點，它不僅提高用戶體驗，而且能夠幫助商家發現潛在用戶群，從而實現精準營銷來增加盈利。因此，基于位置的社交網絡的興趣點推薦在現在生活中越來越重要。

基于記憶的協同過濾和基于模型的協同過濾是興趣點推薦研究中主流的兩種方法。基于記憶的方法的主要思想是分析用戶之間的關系和項目之間的相互依賴關系，以識別新的用戶-項目關聯。這類方法在興趣點推薦中通過使用用戶的簽到數據來預測用戶的偏好。但這類方法存在的最重要的問題是當簽到數據中大量元素為空時，不僅使得算法容易受數據稀疏性的影響，還不能很好地實現對隱式反饋數據集的挖掘。另一方面，一些基于模型的方法，例如隱語義模型被廣泛用于通過提取兩個低維潛在向量來預測缺失評分，特別是基于矩陣分解的方法被證明為一種有效的評分預測問題方法。這些方法都使用低維潛在矩陣近似來擬合初始高維用戶-項目評分矩陣，并預測初始矩陣的缺失值。

盡管當前存在很多針對興趣點推薦的研究，但是個性化的興趣點推薦系統仍然存在許多問題。限制興趣點推薦準確性最重要的挑戰之一就是數據稀疏性問題。在現實的LBSN中，興趣點的數量十分龐大而且分布廣泛，用戶訪問過并進行簽到的興趣點的數量卻非常有限。因此，在不同的協作過濾方法中使用的用戶-興趣點簽到矩陣變得十分稀疏，數據的極度稀疏無疑給興趣點推薦帶來了很大的困難，會導致推薦結果準確性低。

發明內容

針對現有技術的不足，本發明提供了一種基于地理位置融合社交影響和類別流行度的矩陣分解興趣點推薦方法，包括以下步驟：

步驟一，獲取位置社交網絡中所有用戶及候選興趣點的歷史簽到信息，基于所述所有用戶的歷史簽到信息構建用戶-興趣點簽到矩陣，以用戶角度出發將用戶的活動區域對地理信息進行建模，以興趣點角度出發將地理信息建模為候選興趣點鄰居的簽到次數，通過結合用戶和興趣點兩個角度的影響，計算得出目標用戶的地理相關系數所述所有用戶包括目標用戶及相關用戶，u表示目標用戶u，v表示相關用戶v，l_i表示興趣點地點i；

步驟二，獲取所有用戶的社交網絡信息，基于所述用戶的社交網絡信息和用戶的歷史簽到信息，計算得到社交簽到頻率分布s(x)，基于社交簽到頻率分布s(x)采用累積分布函數計算出所述目標用戶與興趣點之間的社會相關系數S(x_u,l)，x_u,l為所述目標用戶的社交簽到頻率；