[發明專利]基于張量分解且顧及上下文語義信息的興趣點推薦方法

有效

• 申請號: 202110123335.2
• 申請日: 2021-01-29
• 公開（公告）號: CN112784160B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 周艷;陳帥先;蔣程程;覃夢逗
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F40/30;G06K9/62;G06Q50/00
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 李夢蝶

本發明公開了一種基于張量分解且顧及上下文語義信息的興趣點推薦方法，包括以下步驟：S1：計算用戶社交活躍度、用戶簽到位置活躍度、用戶簽到時間活躍度和用戶活躍度；S2：計算用戶的社交相似度、用戶的簽到位置相似度、用戶的簽到時間相似度和用戶相似度；S3：進行用戶聚類；S4：計算簽到位置的興趣點流行度；S5：計算時間槽熱度；S6：構建U?L?T三維張量；S7：分解U?L?T三維張量，生成興趣點推薦列表。本發明有效融合地理位置、簽到時間、用戶社交關系和興趣點流行度等上下文信息，改善上下文信息利用率低和簽到數據弱語義性問題。

技術領域

本發明屬于興趣點推薦技術領域，具體涉及一種基于張量分解且顧及上下文語義信息的興趣點推薦方法。

背景技術

興趣點推薦的目標是研究用戶和興趣點的相關信息對于用戶簽到行為的影響，從而為用戶推薦具有一定長度的興趣點列表，幫助用戶過濾掉不感興趣的位置并減少決策時間。興趣點推薦不僅幫助用戶在LBSN的海量數據中找到符合用戶興趣的信息，也幫助相關服務提供商向潛在用戶提供個性化服務。目前，許多研究利用LBSN產生的大規模用戶簽到行為記錄，并融合地理、時間、文本和社會關系等上下文信息提高興趣點推薦的效果，不同研究已經證明引入上下文信息能夠提升興趣點推薦質量?？紤]不同類型的上下文信息，目前基于位置的社交網絡興趣點推薦方法可以歸納為以下四類：基于地理影響的興趣點推薦方法、基于時間影響的興趣點推薦方法和基于社交關系影響的興趣點推薦和基于文本信息的興趣點推薦方法；還有一些方法考慮了多種上下文信息改善興趣點推薦質量。目前的研究方法雖然引入了地理位置、時間、社會關系和內容等上下文信息，但在綜合上下文信息的同時，難以平衡上下文信息豐富性和模型復雜度的關系，同時上下文信息缺乏有效融合，導致用戶、位置和時間三個要素之間的上下文信息利用率較低。

發明內容

本發明的目的是為了解決現有興趣點研究方法難以平衡上下文信息豐富性和模型復雜度的關系，同時上下文信息缺乏有效融合，導致用戶、位置和時間三個要素之間的上下文信息利用率較低的問題，提出了一種基于張量分解且顧及上下文語義信息的興趣點推薦方法。

本發明的技術方案是：一種基于張量分解且顧及上下文語義信息的興趣點推薦方法包括以下步驟：

S1：采集用戶信息，計算用戶社交活躍度用戶簽到位置活躍度和用戶簽到時間活躍度并根據用戶社交活躍度用戶簽到位置活躍度和用戶簽到時間活躍度計算用戶活躍度

S2：根據用戶信息，計算用戶的社交相似度用戶的簽到位置相似度和用戶的簽到時間相似度并根據用戶的社交相似度用戶的簽到位置相似度和用戶的簽到時間相似度計算用戶相似度

S3：根據用戶活躍度和用戶相似度進行用戶聚類；

S4：基于用戶聚類，根據用戶信息，計算簽到位置的興趣點流行度

S5：根據用戶信息，計算時間槽熱度

S6：根據用戶社交活躍度簽到位置的興趣點流行度和時間槽熱度構建U-L-T三維張量；

S7：利用tucker分解U-L-T三維張量，得到空缺張量元素的近似值并生成興趣點推薦列表Top(u,l,N)，完成興趣點推薦。

本發明的有益效果是：本發明通過構建“用戶-位置-時間”張量模型，有效融合地理位置、簽到時間、用戶社交關系和興趣點流行度等上下文信息，改善上下文信息利用率低和簽到數據弱語義性問題，同時根據用戶活躍度、社會關系和簽到行為的相似性進行用戶聚類以降低模型復雜度，然后通過張量分解獲取個性化的興趣點推薦列表。

進一步地，步驟S1中，用戶社交活躍度的計算公式為：

其中，表示每個用戶的社交好友數量，|U|表示所有用戶數量；

用戶簽到位置活躍度的計算公式為：