[發明專利]融合多維關系的圖嵌入興趣點推薦算法

在審

• 申請號: 202111482809.9
• 申請日: 2021-12-06
• 公開（公告）號: CN114282120A
• 公開（公告）日: 2022-04-05
• 發明（設計）人: 牛磊;張秀娟;劉鵬濤;蔣宇翔;吳林澤
• 申請（專利權）人: 中電萬維信息技術有限責任公司
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/9535
• 代理公司: 蘭州嘉諾知識產權代理事務所(普通合伙) 62202
• 代理人: 吳迪

本發明涉及數據挖掘領域，具體為融合多維關系的圖嵌入興趣點推薦算法。針對傳統POI推薦算法存在的數據稀疏、冷啟動以及數據隱性反饋等問題，本發明提出一種融合多維關系的圖嵌入興趣點推薦算法。算法通過分析用戶與興趣點之間的聯系與區別，將用戶之間的社交關系，用戶對興趣點的相似關系以及興趣點之間的語義關系采用圖嵌入模型聯合表示。之后采用隨機梯度下降法求解模型獲得用戶偏好嵌入向量與物品特征嵌入向量。最后將用戶偏好嵌入向量與物品特征嵌入向量相結合獲得POI推薦列表。實驗結果在真實數據集中表明，本文算法的推薦性能在各個評價指標中明顯優于同類型的對比算法。

技術領域

本發明涉及數據挖掘領域，具體為融合多維關系的圖嵌入興趣點推薦算法。

背景技術

隨著全球定位系統與移動通信信息系統的日益完善，基于位置的社交網絡(location based Social Networks,LBSN)逐漸成為當前的研究熱點，同時也產生了一系列的LBSN應用服務，如Wechat、 Foursquare和Yelp等。這些應用服務平臺通過收集用戶的簽到位置信息，分析用戶的簽到位置信息，如酒店、旅游景點、超市等，為用戶推薦心儀的興趣點(point-of-interest)。一方面通過興趣點推薦提高用戶對應用服務的粘性，為企業帶來潛在的商業利益，另一方面減少用戶的搜索時間成本、增加用戶的搜索體驗。

與傳統推薦系統(如商品推薦、電影推薦等)不同，POI推薦涉及面更廣，推薦任務更加復雜。POI 推薦是以LBSN為研究基石，研究內容涵蓋用戶與用戶之間社交關系，用戶與簽到點之間的牽連關系，以及POI與POI相關的語義關系，等三個方面的內容。由于在LBSN服務中涉及到的興趣點種類繁多，而用戶的簽到記錄相對較少，POI推薦面臨著更為嚴重的數據稀疏、冷啟動問題。此外，用戶的簽到數據涉及個人隱私，為保護隱私不被泄露，用戶的簽到數據往往不會被記錄，如何處理這樣的數據隱性反饋已成為當前亟待解決的重要問題。

為此，本文通過分析用戶之間的社交關系，用戶與簽到點之間的牽連關系以及POI與POI之間的語義關系，采用圖嵌入模型綜合表示這三種關系，并求解該模型獲得用戶偏好嵌入向量與興趣點特征嵌入向量。之后將用戶偏好嵌入向量與興趣點特征嵌入向量相結合獲得最終的興趣點推薦列表，提出融合多維關系的圖嵌入興趣點推薦算法(A graphembedding interest point recommendation algorithm fused with multi-dimensional relations，GRIPR)。本發明通過綜合考慮多個方面的額外信息得到用戶的推薦列表，在一定程度上避免了因數據集稀疏帶來的冷啟動問題，進而提高了推薦性能。

發明內容

針對傳統興趣點推薦系統的不足，本文提出融合多維關系的圖嵌入興趣點推薦算法。算法主要分為五步。(1)通過分析用戶在社交網絡中的交互狀態，建立用戶與用戶之間的社交關系(2)通過分析用戶的歷史簽到行為，本文將具有相似簽到行為的用戶劃分為一類，建立用戶對興趣點的相似關系。(3)通過分析興趣點的語義特征，建立興趣點之間的語義相似關系。(4)將這三種關系采用圖嵌入模型來聯合表示。(5)求解模型獲得最終推薦列表。

1社交關系

本文將用戶交往過程中最本質的信任關系作為社交關系。由于信任關系越強的用戶共同感興趣的事物越多，本文通過分析信任的結構性與動態性，建立動態信任模型，以此提升推薦性能。

1.1建立信任值

本文將用戶之間評分相似程度作為用戶之間得靜態信任值。

1.1動態信任值