[發(fā)明專利]一種基于大數(shù)據(jù)的興趣地點(diǎn)推薦方法、系統(tǒng)及存儲(chǔ)介質(zhì)

有效

• 申請?zhí)枺?/td>: 202110695323.7
• 申請日: 2021-06-23
• 公開（公告）號: CN113254811B
• 公開（公告）日: 2021-09-24
• 發(fā)明（設(shè)計(jì)）人: 劉明妹;劉立斌
• 申請（專利權(quán)）人: 佛山市墨納森智能科技有限公司
• 主分類號: G06F16/9537
• 分類號: G06F16/9537;G06F16/9535;G06F16/29;G06K9/62
• 代理公司: 佛山粵進(jìn)知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44463
• 代理人: 張敏

本發(fā)明公開了一種基于大數(shù)據(jù)的偏好地點(diǎn)推薦方法、系統(tǒng)及可讀存儲(chǔ)介質(zhì)，包括：將目標(biāo)用戶及興趣地點(diǎn)進(jìn)行低維嵌入式表達(dá)，并通過目標(biāo)用戶及興趣地點(diǎn)的隱變量構(gòu)建相似度矩陣；將所述相似度矩陣轉(zhuǎn)換為節(jié)點(diǎn)距離矩陣；建立距離信息分解模型，確定目標(biāo)用戶及興趣地點(diǎn)在低維空間中的節(jié)點(diǎn)距離向量；通過距離向量建立興趣地點(diǎn)的地理偏好模型，根據(jù)所述地理偏好模型對低維空間中節(jié)點(diǎn)距離進(jìn)行排序，通過排序生成目標(biāo)用戶對興趣地點(diǎn)的偏好程度，從而實(shí)現(xiàn)對目標(biāo)用戶的興趣地點(diǎn)推薦。

技術(shù)領(lǐng)域

本發(fā)明涉及一種興趣地點(diǎn)推薦方法，更具體的，涉及一種基于大數(shù)據(jù)的興趣地點(diǎn)推薦方法、系統(tǒng)及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著移動(dòng)互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展和智能移動(dòng)設(shè)備的廣泛普及,基于地點(diǎn)的社交媒體應(yīng)運(yùn)而生,并產(chǎn)生了大量與地點(diǎn)相關(guān)的用戶行為數(shù)據(jù)，地點(diǎn)社交網(wǎng)絡(luò)的廣泛使用與其規(guī)模的不斷擴(kuò)大使得地點(diǎn)推薦系統(tǒng)成為時(shí)下熱門應(yīng)用之一。地點(diǎn)推薦系統(tǒng)即為用戶推薦那些可能感興趣地點(diǎn)的系統(tǒng),其中地點(diǎn)通常指真實(shí)存在于城市中的商家、機(jī)構(gòu)以及公共場所等。利用位置社交網(wǎng)絡(luò)中的推薦系統(tǒng),一方面,用戶可以探索城市,發(fā)現(xiàn)新奇有趣的商家與地點(diǎn),并獲得豐富的生活體驗(yàn)：另一方面,商家也可以利用該系統(tǒng)進(jìn)行即時(shí)的廣告推送與商品營銷,從而提升利潤。

為了能夠?qū)崿F(xiàn)在社交網(wǎng)絡(luò)中按照用戶的偏好程度推薦興趣地點(diǎn)，需要開發(fā)一款基于大數(shù)據(jù)的興趣地點(diǎn)推薦系統(tǒng)進(jìn)行匹配，該系統(tǒng)通過將目標(biāo)用戶及興趣地點(diǎn)進(jìn)行低維嵌入式表達(dá)，并通過目標(biāo)用戶及興趣地點(diǎn)的隱變量構(gòu)建相似度矩陣；將所述相似度矩陣轉(zhuǎn)換為節(jié)點(diǎn)距離矩陣；建立距離信息分解模型，確定節(jié)點(diǎn)距離向量；通過距離向量建立興趣地點(diǎn)的地理偏好模型，根據(jù)所述地理偏好模型實(shí)現(xiàn)對目標(biāo)用戶的興趣地點(diǎn)推薦。在系統(tǒng)實(shí)現(xiàn)過程中如何通過矩陣分解確定節(jié)點(diǎn)距離向量以及如何構(gòu)建地理偏好模型對低維空間中節(jié)點(diǎn)距離進(jìn)行排序都是亟不可待需要解決的問題。

發(fā)明內(nèi)容

為了解決上述至少一個(gè)技術(shù)問題，本發(fā)明提出了一種基于大數(shù)據(jù)的興趣地點(diǎn)推薦方法、系統(tǒng)及可讀存儲(chǔ)介質(zhì)。

本發(fā)明第一方面提供了一種基于大數(shù)據(jù)的興趣地點(diǎn)推薦方法，包括：

將目標(biāo)用戶及興趣地點(diǎn)進(jìn)行低維嵌入式表達(dá)，并通過目標(biāo)用戶及興趣地點(diǎn)的隱含特征構(gòu)建相似度矩陣；

將所述相似度矩陣轉(zhuǎn)換為節(jié)點(diǎn)距離矩陣；

建立距離信息分解模型，確定目標(biāo)用戶及興趣地點(diǎn)在低維空間中的節(jié)點(diǎn)距離向量；

通過距離向量建立興趣地點(diǎn)的地理偏好模型，根據(jù)所述地理偏好模型對低維空間中節(jié)點(diǎn)距離進(jìn)行排序；

通過排序生成目標(biāo)用戶對興趣地點(diǎn)的偏好程度，從而實(shí)現(xiàn)對目標(biāo)用戶的興趣地點(diǎn)推薦。

本方案中，通過目標(biāo)用戶及興趣地點(diǎn)的隱含特征構(gòu)建相似度矩陣，具體為：

提取目標(biāo)用戶的行為信息及興趣地點(diǎn)的隱含特征，將所述隱含特征確定主題并進(jìn)行分類；

根據(jù)目標(biāo)用戶的行為信息與興趣地點(diǎn)的交互信息計(jì)算所述隱含特征之間的相似度；

建立相似度矩陣，預(yù)設(shè)相似度閾值，將所述相似度與相似度閾值進(jìn)行比較；

若大于，則在所述相似度矩陣中的元素用1表示；

若小于，則在所述相似度矩陣中的元素用0表示。

本方案中，將所述相似度矩陣轉(zhuǎn)換為節(jié)點(diǎn)距離矩陣，并基于矩陣分解獲取節(jié)點(diǎn)距離向量，具體為：

通過目標(biāo)用戶相似度矩陣計(jì)算求得節(jié)點(diǎn)距離矩陣；

建立距離信息分解模型，通過對節(jié)點(diǎn)距離矩陣的分解來學(xué)習(xí)目標(biāo)用戶和興趣地點(diǎn)在低維空間中的位置和距離；

根據(jù)所述位置和距離生成節(jié)點(diǎn)距離向量；

根據(jù)節(jié)點(diǎn)距離向量學(xué)習(xí)將低維空間中的目標(biāo)用戶節(jié)點(diǎn)和興趣地點(diǎn)節(jié)點(diǎn)進(jìn)行聚類；