基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法技术

本发明专利技术公开了一种基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法，获取位置社交网络中所有用户及候选兴趣点的历史签到信息，计算得出目标用户的地理相关系数

【技术实现步骤摘要】
基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法
本专利技术涉及兴趣点推荐方法，更具体地说，涉及基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法。
技术介绍
随着社交网络、智能移动终端和自动定位技术的快速发展，基于位置的社交网络(Location-BasedSocialNetwork，LBSN)应运而生，为人们提供了极其便利的位置服务，典型的LBSN应用有Foursquare、Yelp和Gowalla等。LBSN将线上虚拟社会与线下真实世界联结在一起，用户通过线下访问自己感兴趣的兴趣点,同时可以在线上以签到的方式发表评论等信息，与自己的朋友或其他用户分享自己在该兴趣点的签到体验。兴趣点推荐是LBSN服务中的一项重要内容，通过统计用户的历史签到数据，旨在为用户推荐潜在感兴趣的兴趣点，它不仅提高用户体验，而且能够帮助商家发现潜在用户群，从而实现精准营销来增加盈利。因此，基于位置的社交网络的兴趣点推荐在现在生活中越来越重要。基于记忆的协同过滤和基于模型的协同过滤是兴趣点推荐研究中主流的两种方法。基于记忆的方法的主要思想是分析用户之间的关系和项目之间的相互依赖关系，以识别新的用户-项目关联。这类方法在兴趣点推荐中通过使用用户的签到数据来预测用户的偏好。但这类方法存在的最重要的问题是当签到数据中大量元素为空时，不仅使得算法容易受数据稀疏性的影响，还不能很好地实现对隐式反馈数据集的挖掘。另一方面，一些基于模型的方法，例如隐语义模型被广泛用于通过提取两个低维潜在向量来预测缺失评分，特别是基于矩阵分解的方法被证明为一种有效的评分预测问题方法。这些方法都使用低维潜在矩阵近似来拟合初始高维用户-项目评分矩阵，并预测初始矩阵的缺失值。尽管当前存在很多针对兴趣点推荐的研究，但是个性化的兴趣点推荐系统仍然存在许多问题。限制兴趣点推荐准确性最重要的挑战之一就是数据稀疏性问题。在现实的LBSN中，兴趣点的数量十分庞大而且分布广泛，用户访问过并进行签到的兴趣点的数量却非常有限。因此，在不同的协作过滤方法中使用的用户-兴趣点签到矩阵变得十分稀疏，数据的极度稀疏无疑给兴趣点推荐带来了很大的困难，会导致推荐结果准确性低。
技术实现思路
针对现有技术的不足，本专利技术提供了一种基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法，包括以下步骤：步骤一，获取位置社交网络中所有用户及候选兴趣点的历史签到信息，基于所述所有用户的历史签到信息构建用户-兴趣点签到矩阵，以用户角度出发将用户的活动区域对地理信息进行建模，以兴趣点角度出发将地理信息建模为候选兴趣点邻居的签到次数，通过结合用户和兴趣点两个角度的影响，计算得出目标用户的地理相关系数所述所有用户包括目标用户及相关用户，u表示目标用户u，v表示相关用户v，li表示兴趣点地点i；步骤二，获取所有用户的社交网络信息，基于所述用户的社交网络信息和用户的历史签到信息，计算得到社交签到频率分布s(x)，基于社交签到频率分布s(x)采用累积分布函数计算出所述目标用户与兴趣点之间的社会相关系数S(xu,l)，xu,l为所述目标用户的社交签到频率；步骤三，基于所述所有用户的历史签到信息，计算得到目标用户对候选兴趣点类别的偏好和所述候选兴趣点的流行度，基于所述用户对类别的偏好和所述候选兴趣点的流行度计算出兴趣点的类别流行度分布c(y)，基于所述兴趣点的类别流行度分布c(y)采用累积分布函数计算得出所述目标用户与兴趣点之间的类别流行度相关系数C(yu,l)，yu,l为所述候选兴趣点的类别流行度；步骤四，通过概率矩阵分解方法将步骤一形成的地理信息模型、步骤二形成的社会相关系数和步骤三形成的类别流行度相关系数以及潜在特征相融合，形成兴趣点推荐模型，计算所述目标用户的推荐分数Recu,l，用于面向用户的个性化兴趣点推荐；步骤五，基于推荐分数Recu,l生成推荐信息。进一步的，步骤一具体如下：获取所述所有用户的总数U、所述候选兴趣点的总数L、所述用户-兴趣点签到矩阵R|U|×|L|，其中每个ru,l∈R代表所述目标用户u到候选兴趣点l的签到频率，Lu代表所述目标用户u签到过的所有候选兴趣点；基于公式计算所述目标用户的地理相关系数进一步的，步骤二具体如下：基于公式计算所述社交签到频率分布s(x)；基于公式计算所述目标用户与兴趣点之间的社会相关系数S(xu,l)。进一步的，步骤三具体如下：基于公式计算所述社交签到频率分布s(x)；基于公式所述目标用户与兴趣点之间的类别流行度相关系数进一步的，步骤四具体如下：基于公式计算所述目标用户的推荐分数表示目标用户u在兴趣点l上的偏好，ru,l表示目标用户u在兴趣点l上签到的次数，θu和θl表示用户偏差和兴趣点偏差。进一步的，步骤五具体如下：按照所述推荐分数Recu,l由高到低排序获取得到预设的top-N个候选兴趣点；按照所述推荐分数Recu,l由高到低基于所述获取得到的候选兴趣点生成推荐列表。与现有技术相比，本专利技术公开了局部地理融合社交影响和类别流行度的矩阵分解兴趣点推荐方法，具有以下有益效果：在概率矩阵分解基础上，融合用户自身偏好和上下文信息以建模用户在兴趣点上的签到行为，从而更有效地刻画用户自身偏好，在兴趣点推荐模型中，从地理位置信息、社交关系信息、类别流行度信息、用户自身偏好等多方面建模用户的签到行为，有效缓解签到数据的稀疏性，提高兴趣点推荐的性能。附图说明图1为本专利技术公开的基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法的流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图，对本专利技术作进一步的详细描述。如图1所示，本专利技术的基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法，包括以下步骤：S101、获取位置社交网络中所有用户及候选兴趣点的历史签到信息，基于所述所有用户的历史签到信息构建用户-兴趣点签到矩阵，以用户角度出发将用户的活动区域对地理信息进行建模，以兴趣点角度出发将地理信息建模为候选兴趣点邻居的签到次数，通过结合用户和兴趣点两个角度的影响，计算得出目标用户的地理相关系数所述所有用户包括目标用户及相关用户，u表示目标用户u，v表示相关用户v，li表示兴趣点地点i；具体实施时，包括以下步骤：获取所述所有用户的总数U、所述所有兴趣点的总数L、所述用户-兴趣点签到矩阵R|U|×|L|，其中每个ru,l∈R代表所述目标用户u到候选兴趣点l的签到频率，Lu代表所述目标用户u签到过的所有候选兴趣点；基于公式计算所述目标用户的地理相关系数S102、获取所有用户的社交网络信息，利用所述用户的社交网络信息和用户的历史签到信息，计算得到社交签到频率分布s(x)，基于社交签到频率采用累积分布函数计算出所述目标用户与兴趣点之间的社会相关系数S(xu,l)，xu,l为所述目标用本文档来自技高网...

【技术保护点】
1.基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法，其特征在于，包括以下步骤：/n步骤一，获取位置社交网络中所有用户及候选兴趣点的历史签到信息，基于所述所有用户的历史签到信息构建用户-兴趣点签到矩阵，以用户角度出发将用户的活动区域对地理信息进行建模，以兴趣点角度出发将地理信息建模为候选兴趣点邻居的签到次数，通过结合用户和兴趣点两个角度的影响，计算得出目标用户的地理相关系数

【技术特征摘要】
1.基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法，其特征在于，包括以下步骤：
步骤一，获取位置社交网络中所有用户及候选兴趣点的历史签到信息，基于所述所有用户的历史签到信息构建用户-兴趣点签到矩阵，以用户角度出发将用户的活动区域对地理信息进行建模，以兴趣点角度出发将地理信息建模为候选兴趣点邻居的签到次数，通过结合用户和兴趣点两个角度的影响，计算得出目标用户的地理相关系数所述所有用户包括目标用户及相关用户，u表示目标用户u，v表示相关用户v，li表示兴趣点地点i；
步骤二，获取所有用户的社交网络信息，基于所述用户的社交网络信息和用户的历史签到信息，计算得到社交签到频率分布s(x)，基于社交签到频率分布s(x)采用累积分布函数计算出所述目标用户与兴趣点之间的社会相关系数S(xu，l)，xu，l为所述目标用户的社交签到频率；
步骤三，基于所述所有用户的历史签到信息，计算得到目标用户对候选兴趣点类别的偏好和所述候选兴趣点的流行度，基于所述用户对类别的偏好和所述候选兴趣点的流行度计算出兴趣点的类别流行度分布c(y)，基于所述兴趣点的类别流行度分布c(y)采用累积分布函数计算得出所述目标用户与兴趣点之间的类别流行度相关系数C(yu，l)，yu，l为所述候选兴趣点的类别流行度；
步骤四，通过概率矩阵分解方法将步骤一形成的地理信息模型、步骤二形成的社会相关系数和步骤三形成的类别流行度相关系数以及潜在特征相融合，形成兴趣点推荐模型，计算所述目标用户的推荐分数Recu，l，用于面向用户的个性化兴趣点推荐；
步骤五，基于推荐分数Recu，l生成推荐信息。


2.根据权利要求1所述的基于地理位置融合社交影响和类别流行度的矩阵...

【专利技术属性】
技术研发人员：庄毅，黄智浩，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：浙江;33