[發明專利]一種融合多因素的興趣點推薦方法及推薦系統

在審

• 申請號: 202210368203.0
• 申請日: 2022-04-08
• 公開（公告）號: CN114637932A
• 公開（公告）日: 2022-06-17
• 發明（設計）人: 俞婷;張麗華;張寅昊;劉海林
• 申請（專利權）人: 嘉興南湖學院
• 主分類號: G06F16/9537
• 分類號: G06F16/9537;G06F16/9535;G06F16/29
• 代理公司: 南京冠譽至恒知識產權代理有限公司 32426
• 代理人: 薛海霞

本發明公開了一種融合多因素的興趣點推薦方法和推薦系統，該方法綜合考慮用戶對興趣點的評分、用戶與興趣點間的空間距離和興趣點的流行度，通過用戶簽到記錄捕獲用戶潛在的偏好，結合空間距離模型、流行度模型和用戶個人偏好向用戶推薦興趣點；同時，本發明設計了全新的用戶偏好、興趣點的空間距離和興趣點的流行度的評價方法。本發明克服了現有的興趣點查詢方法各因素挖掘不充分的問題，推薦效率和準確性高。

技術領域

本發明涉及一種融合多因素的興趣點推薦方法及推薦系統，屬于興趣點推薦技術。

背景技術

隨著Web2.0、無線通信技術、位置獲取的迅速發展，大量基于位置的社交網絡被整合，如Foursquare、Gowalla等，用戶可以在商店、餐廳、旅游景點等興趣點進行簽到，隨時分享生活體驗。利用用戶已有的簽到數據進行個性化推薦，有助于用戶發現新的興趣點，探索新的區域，也方便廣告商向目標用戶推送移動廣告等。傳統的推薦系統通常是為電影、音樂等而設計的，這類推薦應用所需數據豐富，例如電影推薦，每一部電影都有明確的評分和詳實的內容介紹。然而，在基于社交位置的興趣點推薦系統中運用傳統的推薦算法，用戶需要對訪問的某個地方進行評分，這一過程的成本相當昂貴，在大部分情況下，即使用戶訪問了某個興趣點，也不一定會簽到。因此，基于社交位置的推薦系統相比于傳統的推薦系統具有更大的稀疏性。

目前國內外學者在興趣點推薦方面做了許多有價值的研究工作。王運等人提出了基于用戶行為序列的概率矩陣分解推薦算法，根據用戶對物品的評分序列和物品標簽信息計算用戶對標簽的評分序列，同時，利用多個用戶對物品的評分序列可以得到物品相似度矩陣,將所得用戶(物品)相似度矩陣融入概率矩陣分解模型中進行評分預測。譚文安等人提出了基于偏好相似度的混合信任推薦模型，提出局部可信度與全局可信度相結合的基于偏好相似度推薦的混合信任模型，借助相似隨機游走策略修復稀疏的可信度矩陣，對不合理假設呈現冪律分布進行合理化改進，并給出了可信數據的分布式存儲和計算的分布式方法。

現有的工作大多缺乏對用戶特性、興趣點特性之間抽象交互的學習。由于社交位置網絡的異構性，設計合適的框架對異構信息進行集成是近年來提高推薦準確度的重要問題之一。

發明內容

發明目的：為了克服現有技術中存在的興趣點查詢方法各因素挖掘不充分的問題，本發明提供一種融合多因素的興趣點推薦方法及推薦系統，該方法在查詢時綜合考慮了用戶簽到記錄、興趣點類別、地理位置、流行度等重要因素，將不同因素融入到興趣點推薦框架中，能夠緩解數據的稀疏性問題，提高模型的推薦效果。

技術方案：為實現上述目的，本發明采用的技術方案為：

一種融合多因素的興趣點推薦方法，該方法綜合考慮用戶對興趣點的評分、用戶與興趣點間的空間距離和興趣點的流行度，通過用戶簽到記錄捕獲用戶潛在的偏好，結合空間距離模型、流行度模型和用戶個人偏好向用戶推薦興趣點，包括如下步驟：

步驟S1：先將用戶屬性集和興趣點屬性集輸入到用戶偏好模型中獲取用戶特征和興趣點特征，再利用多層感知機(MLP)預測用戶對興趣點的評分；

步驟S2：根據用戶的活動中心與興趣點間的空間距離預測用戶對興趣點的簽到概率；

步驟S3：計算興趣點的流行度熵；

步驟S4：對用戶對興趣點的評分、用戶對興趣點的簽到概率和興趣點的流行度熵進行加權求和，得到將興趣點推薦給用戶的分值，分值越高越值得推薦。

通過步驟S1可以獲取用戶對興趣點的偏好，評分越高的興趣點，用戶更有可能簽到。具體的，所述步驟S1，通過新設計的用戶偏好模型，組合使用嵌入層和多層感知機得到用戶偏好，訓練速度快、效果好；該步驟具體包括如下步驟：

步驟S1.1：設用戶u^r的用戶屬性集為表示用戶u^r的第i個用戶屬性，比如用戶u^r的ID；