CN108829761B

CN108829761B - 一种兴趣点推荐方法、系统、介质及设备

Info

Publication number: CN108829761B
Application number: CN201810522792.7A
Authority: CN
Inventors: 赵朋朋; 周晓方; 许佳捷; 李直旭
Original assignee: Suzhou University
Current assignee: Suzhou University
Priority date: 2018-05-28
Filing date: 2018-05-28
Publication date: 2022-03-15
Anticipated expiration: 2038-05-28
Also published as: CN108829761A

Abstract

本发明公开了一种兴趣点推荐方法，包括：利用预先创建的分层嵌入兴趣点推荐模型对目标用户的兴趣点进行推荐，得到目标用户的兴趣点列表；其中，分层嵌入兴趣点推荐模型的创建过程为：利用用户偏好的分层结构，构建层级嵌入结构矩阵；其中，用户偏好为对用户在位置社交网络的兴趣点进行挖掘所得的信息；利用用户对兴趣点的喜好程度，构建兴趣点推荐模型；将层级嵌入结构矩阵嵌入至兴趣点推荐模型，得到分层嵌入兴趣点推荐模型。通过本发明中的方法，能够显著提升对用户兴趣点推荐的准确度及效率。相应的，本发明公开的一种兴趣点推荐系统、介质及设备，同样具有上述有益效果。

Description

一种兴趣点推荐方法、系统、介质及设备

技术领域

本发明涉及数据处理领域，特别涉及一种兴趣点推荐方法、系统、介质及设备。

背景技术

随着全球定位系统和无线通信网络技术的飞速发展，特别是随着移动社交网络的位置签到、位置共享及位置标识等功能的应用普及，位置服务与社交网络逐渐融合，形成了基于位置的社交网络(Location-Based Social Networks,LBSN)，而兴趣点推荐就是商家为用户推荐兴趣点，从而为商家挖掘潜在的商机，例如，Foursquare、Gowalla和Yelp等社交应用通过移动用户的地理位置推行的签到功能，能够使得用户以签到的形式分布他们的地理标签信息和物理位置，并对已经访问的兴趣点，比如：商场、餐厅、博物馆等兴趣点的信息分享给他们朋友与家人。在传统的基于层次结构的兴趣点推荐模型中，由于矩阵分解方法的局限性，在使用层次结构推荐模型时，会额外增加很多的参数，容易产生过拟合问题，并由此导致兴趣推荐模型的精度较低。由此可见，利用怎样一种更好的方法来提高用户兴趣点推荐的准确度和效率，是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种兴趣点推荐方法、系统、介质及设备，以提高兴趣点推荐的准确度和效率。其具体方案如下：

一种兴趣点推荐方法，包括：

利用预先创建的分层嵌入兴趣点推荐模型对目标用户的兴趣点进行推荐，得到所述目标用户的兴趣点列表；

其中，所述分层嵌入兴趣点推荐模型的创建过程为：

利用用户偏好的分层结构，构建层级嵌入结构矩阵；其中，所述用户偏好为对用户在位置社交网络的兴趣点进行挖掘所得的信息；

利用所述用户对所述兴趣点的喜好程度，构建兴趣点推荐模型；

将所述层级嵌入结构矩阵嵌入至所述兴趣点推荐模型，得到所述分层嵌入兴趣点推荐模型。

优选的，所述利用用户偏好的分层结构，构建层级嵌入结构矩阵的过程，包括：

根据所述用户的兴趣点在用户偏好空间中的位置构建第一矩阵；

其中，所述用户偏好空间为所述用户偏好所在的空间，所述第一矩阵的表达式为X^U(l)，所述第一矩阵X^U(l)的行数为K'，所述第一矩阵X^U(l)的列数为F，U为所述用户偏好所在的空间，l为所述用户的兴趣点；

将所述第一矩阵的行数分割成H层级，得到第二矩阵；其中，H＜K'；

将所述第一矩阵中的每一行与所述第二矩阵中的层级进行关联，得到所述层级嵌入结构矩阵；

其中，所述层级嵌入结构矩阵的表达式为：

式中，

为兴趣点l在所述用户偏好空间的位置，H为所述第二矩阵的层级的层数，K'为所述层次嵌入结构矩阵的行数，F为所述层次嵌入结构矩阵的列数，

为所述第一矩阵中和所述第二矩阵第i层级相关联的段。

优选的，所述利用所述用户对所述用户的兴趣点的喜好程度，构建兴趣点推荐模型的过程，包括：

获取所述用户的兴趣点在预设空间的位置，得到兴趣点位置；

将兴趣点位置输入至排序算法模型，输出得到所述用户的兴趣点推荐模型；

其中，所述兴趣点推荐模型的表达式为：

式中，Θ为

为用户u的兴趣点l在所述用户偏好空间的中位置，X^U(u)为用户u在所述用户偏好空间中的位置，U为用户集合，u为用户集合U中的一个用户，L为兴趣点的集合，l_i为用户u的第i个兴趣点。

优选的，所述将所述层级嵌入结构矩阵嵌入至所述兴趣点推荐模型，得到所述分层嵌入兴趣点推荐模型的过程，包括：

利用层级嵌入结构矩阵和所述用户在所述用户偏好空间的位置，构建转移概率模型；

其中，所述转移概率模型的表达式为：

式中，u为用户集合中的一个用户，l_i为用户u的第i个兴趣点，σ为逻辑函数，U为用户的偏好空间，H为层级嵌入结构模型的层次结构的层数，

为所述用户u的第i个兴趣点在所述用户偏好空间的位置，X^U(u)为所述用户u在所述用户偏好空间的位置；

根据所述层级嵌入结构矩阵和所述用户在所述用户偏好空间的位置，构建距离模型；

其中，所述距离模型的表达式为：

式中，

为用户u的第i个兴趣点在所述用户偏好空间的位置，X^U(u)为所述用户u在所述用户偏好空间的位置；

将所述转移概率模型和所述距离模型嵌入至所述兴趣点推荐模型，得到嵌入兴趣点推荐模型；

利用随机梯度下降算法对所述嵌入兴趣点推荐模型进行优化，得到所述分层嵌入兴趣点推荐模型。

优选的，所述利用随机梯度下降算法对所述嵌入兴趣点推荐模型进行优化，得到所述分层嵌入兴趣点推荐模型的过程，包括：

利用正态分布初始化所述嵌入兴趣点推荐模型，利用所述随机梯度下降算法对所述嵌入兴趣点推荐模型进行优化，得到所述分层嵌入兴趣点推荐模型。

相应的，本发明还公开了一种兴趣点推荐系统，包括：

兴趣点推荐模块，用于利用预先创建的分层嵌入兴趣点推荐模型对目标用户的兴趣点进行推荐，得到所述目标用户的兴趣点列表；

其中，所述分层嵌入兴趣点推荐模型为兴趣点创建模块创建获得，所述兴趣点创建模块包括：

矩阵创建子模块，用于利用用户偏好的分层结构，构建层级嵌入结构矩阵；其中，所述用户偏好为对用户在位置社交网络的兴趣点进行挖掘所得的信息；

模型创建子模块，用于利用所述用户在所述兴趣点的喜好程度，构建兴趣点推荐模型；

模型嵌入子模块，用于将所述层级嵌入结构矩阵嵌入至所述兴趣点推荐模型，得到所述分层嵌入兴趣点推荐模型。

优选的，所述矩阵创建子模块包括：

矩阵构建单元，用于根据所述兴趣点在所述用户偏好空间中的位置构建第一矩阵；

矩阵分割单元，用于将所述第一矩阵的行数分割成H层级，得到第二矩阵；其中，H＜K'；

矩阵关联单元，用于将所述第一矩阵中的每一行与所述第二矩阵中的层级进行关联，得到所述层级嵌入结构矩阵；

其中，所述层级嵌入结构矩阵的表达式为：

式中，

为所述第一矩阵中和所述第二矩阵第i层级相关联的段。

优选的，所述模型创建子模块包括：

位置获取单元，用于获取所述用户的兴趣点在预设空间的位置，得到兴趣点位置；

模型构建单元，用于将兴趣点位置输入至排序算法模型，输出得到所述用户的兴趣点推荐模型；

其中，所述兴趣点推荐模型的表达式为：

式中，Θ为

为用户u的兴趣点l在所述用户偏好空间中的位置，X^U(u)为用户u在所述用户偏好空间中的位置，U为用户集合，u为用户集合U中的一个用户，L为兴趣点的集合，l_i为用户u的第i个兴趣点。

相应的，本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述公开的兴趣点推荐方法的步骤。

相应的，本发明还公开了一种兴趣点推荐设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如前述公开的兴趣点推荐方法的步骤。

可见，在本发明中，首先是对用户在位置社交网络的兴趣点中的隐含信息进行挖掘，得到用户的用户偏好，也即，以细粒度的形式挖掘用户兴趣点和用户偏好在内容上的层次结构，然后利用获取到的用户偏好的分层结构，构建层级嵌入结构矩阵，其次，再利用用户对兴趣点的喜好程度，构建兴趣点模型，并且，将建立的层级嵌入结构矩阵嵌入至兴趣点推荐模型当中，最终得到分层嵌入兴趣点推荐模型。显然，通过细粒度的方式挖掘用户偏好在内容上的层级结构，并且将构建的层级嵌入结构矩阵嵌入至兴趣点推荐模型中，可以有效减少兴趣点推荐模型中的过拟合问题，所以利用分层嵌入兴趣点推荐模型对用户的兴趣点进行推荐时，能够显著提高对用户兴趣点推荐的准确度和效率。相应的，本发明提供的一种兴趣点推荐系统、介质及设备，同样具有上述有益效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例一提供的一种兴趣点推荐方法的流程图；

图2为本发明实施例二提供的一种兴趣点推荐方法的流程图；

图3为本发明实施例二提供的一种兴趣点层级结构图；

图4为本发明实施例二提供的分层嵌入兴趣点推荐模型与另外三种对比模型在数据集上不同n值时的准确率的示意图；

图5为本发明实施例二提供的分层嵌入兴趣点推荐模型与另外三种对比模型在数据集上不同n值时的召回率的示意图；

图6为本发明实施例二提供的一种用户偏好空间维度K值对于实验结果影响的示意图；

图7为本发明实施例二提供的另一种用户偏好空间维度K值对于实验结果影响的示意图；

图8为本发明实施例提供的一种兴趣点推荐系统的结构图；

图9为本发明实施例提供的一种兴趣点推荐设备的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例一公开了一种创建兴趣点推荐模型方法，如图1所示，该方法包括：

步骤S11：利用用户偏好的分层结构，构建层级嵌入结构矩阵；

其中，用户偏好为对用户在位置社交网络的兴趣点进行挖掘所得的信息；

步骤S12：利用用户对兴趣点的喜好程度，构建兴趣点推荐模型；

随着基于位置的服务应用的日益普及，兴趣点推荐可以帮助用户探索周边生活环境，提高用户的生活质量，而用户在位置社交网络中的数据信息具有高度的稀疏性，所以，该问题为用户的兴趣点推荐带来很大的困难。但是，在海量的用户签到数据中含有大量的关于用户兴趣点的有效信息。例如：在LBSN中用户可以通过在兴趣点上签到评论来分享他们的位置以及与兴趣点相关的内容，而且，有研究表明用户的兴趣点和用户偏好在内容上都具有一定的层次结构。在本实施例中，是以细粒度的方式挖掘用户兴趣点和用户偏好在内容上的层次结构，从而在一定程度解决数据稀疏的问题。

具体来说，用户访问的兴趣点可以被划分为一种层次结构：类别-子类别-具体类别。以生活中的实际情景为例，以“如家酒店”作为一个兴趣点，首先“如家酒店”是一个酒店类别，其次，子类别就可以定义为住宿酒店类型，然后，具体类别就可以定义为经济型住宿酒店类型。由此可见，兴趣点在内容上具有层次结构。

同样的，从用户的兴趣点上也可以挖掘用户的用户偏好，而且，用户偏好在内容上也可以划分为层次结构。比如说：一个用户想去吃点食物，该用户可能更喜欢自助餐厅，更加细致的来说，该用户可能尤其喜欢日本自助料理。所以，基于此种思想，就可以根据用户偏好的分层结构，构建层级嵌入结构模型。也即，根据用户兴趣点和用户偏好在内容上的层次结构挖掘未观察到的数据之间的关系，从而使得商家能够有针对性地对用户推荐兴趣点。需要说明的是，此处的兴趣点可以是酒店和餐厅，也可以是位置社交网络中的其他兴趣点，此处不作限定。

可以理解的是，用户对于各个兴趣点的喜好程度有高有低，将这些兴趣点按照用户的喜好程度进行排序，再利用排序算法就构建兴趣点推荐模型。具体的，在实际操作当中，可以将这些兴趣点映射到一个潜在的空间当中，以各个兴趣点之间的距离来衡量一个用户对于各个兴趣点的爱好程度，然后计算每一个兴趣点在该潜在空间中的距离，以此来构建兴趣点推荐模型。当然，在实际应用当中，还可以通过其他的方法来构建用户的兴趣点推荐模型，此处不作具体的限定。

步骤S13：将层级嵌入结构矩阵嵌入至兴趣点推荐模型，得到分层嵌入兴趣点推荐模型。

可以理解的是，利用兴趣点推荐模型对用户的兴趣点进行推荐，并不能得到很好的推荐效果，因为用户的兴趣点具有高稀疏性，所以在本步骤中，是将之前构建的层级嵌入结构矩阵嵌入至兴趣点推荐模型当中，以此来解决数据的稀疏问题，也即，通过分析用户兴趣点在内容上的层次结构，挖掘未观察到的数据之间的关系，减少兴趣点推荐模型中的过拟合问题，并以此提高用户兴趣点推荐的效率。

需要说明的是，在本实施例中，步骤S11至步骤S13均为创建分层嵌入兴趣点推荐模型的过程，在实际应用当中，可以是按照步骤S11至步骤S13创建分层嵌入兴趣点推荐模型后，利用分层嵌入兴趣点推荐模型来对目标用户的兴趣点进行推荐；也可以是预先获取一个已经训练好的分层嵌入兴趣点推荐模型，直接利用分层嵌入兴趣点推荐模型来对目标用户的兴趣点进行推荐，此处不作具体的限定。

可见，在本实施例中，首先是对用户在位置社交网络的兴趣点中的隐含信息进行挖掘，得到用户的用户偏好，也即，以细粒度的形式挖掘用户兴趣点和用户偏好在内容上的层次结构，然后利用获取到的用户偏好的分层结构，构建层级嵌入结构矩阵，其次，再利用用户对兴趣点的喜好程度，构建兴趣点模型，并且，将建立的层级嵌入结构矩阵嵌入至兴趣点推荐模型当中，最终得到分层嵌入兴趣点推荐模型。显然，通过细粒度的方式挖掘用户偏好在内容上的层级结构，并且将构建的层级嵌入结构矩阵嵌入至兴趣点推荐模型中，可以有效减少兴趣点推荐模型中的过拟合问题，所以利用分层嵌入兴趣点推荐模型对用户的兴趣点进行推荐时，能够显著提高对用户兴趣点推荐的准确度和效率。

本发明实施例二公开了一种具体的构建分层嵌入兴趣点推荐模型的方法，如图2所示。需要说明的是，为了对本实施例构建各个模型的原理有更清楚的阐述，在本部分首先介绍一些相关的概念与符号。

首先，兴趣点推荐是针对一个给定用户，然后对该用户推荐一些之前没有访问过并潜在可能感兴趣的一些兴趣点。假设有M个用户和N个兴趣点，此处将M个用户用集合U来表示，也即，U＝{u₁,u₂,u₃,...,u_M}；将N个兴趣点用集合L来表示，也即，L＝{l₁,l₂,l₃,...,l_N}。如果用户u_i在时间点t访问了兴趣点l_j，那么就表明该用户对兴趣点l_j感兴趣，可以理解的是，兴趣点推荐的目的就是给用户推荐合适的兴趣点，也即，兴趣点推荐的目标就是给用户u_i推荐一个兴趣点列表，此处，将给用户u_i推荐的兴趣点列表表示为

形式化定义为：

例如：兴趣点推荐可以在用户无聊的时候告诉用户去哪里玩，或者是给用户推荐一个吃午餐的地方或者是喝咖啡的地方，但是，景点、餐馆、咖啡店有很多，具体给用户推荐哪一个地方，就需要根据用户之前的兴趣点，分析用户的兴趣偏好，也即用户偏好，然后以数学模型的形式对用户的兴趣点进行推荐，以此来提高兴趣点推荐的准确率。在本申请中，是以层次细粒度的方式对用户的用户偏好进行建模，以模型的形式对用户的兴趣点进行推荐。为了方便阅读，表1中列举了本实施例中关键符号的定义。

表1关键符号定义

在现有技术当中，PRME模型是现有基于嵌入技术兴趣点推荐模型中的代表模型，度量嵌入模型(Metric embedding，ME)通常用于处理一些稀疏数据，并挖掘一些未被观察到的数据的具体含义。此处以兴趣点嵌入为例来说明度量嵌入模型的具体含义，在兴趣点嵌入模型当中，每个兴趣点都可以映射为潜在空间当中的一个点。

在兴趣点嵌入模型空间中，此处用上标S表示，兴趣点l在潜在空间中有一个位置X^S(1)，对于给定的一对兴趣点l_i和l_j，可以利用欧氏距离来估计兴趣点l_i和兴趣点l_j的转换概率。如果兴趣点l_i和兴趣点l_j之间的距离越小，说明由兴趣点l_i到兴趣点l_j的转换概率就越大，也即，用户访问完兴趣点l_i，再访问兴趣点l_j的概率就越大，由此定义转移概率如下：

其中，||X⁵(l_i)-X⁵(l_j)||²＝∑_k＝1(X_K ^s(l_i)-X_K ^s(l_j))²，K表示潜在空间的维数，σ为逻辑函数，并且，σ(z)＝1/(1+exp(-z))，此处用逻辑函数表示兴趣点l_i和兴趣点l_j之间的转移概率。

在用户偏好空间中，此处用上标U表示，兴趣点l具有一个潜在位置X^U(1)，用户u具有一个潜在位置X^U(u)，用户u在欧式空间当中，兴趣l_i和兴趣点l_j在用户偏好空间中的距离定义为

需要说明的是，在上述的论述中，都是通过计算兴趣点在潜在空间中的欧氏距离来估计兴趣点之间的转移概率的，并且，不管这些兴趣点的转移概率是否被观察到，在此进行说明。

在兴趣点嵌入模型空间和用户偏好空间中，利用观察到的签到记录来学习兴趣点和用户的潜在位置。能够想到的是，由于观察到的数据非常稀疏，因此使用用户访问兴趣点的顺序排序来学习用户的潜在位置。然后利用排序方法来学习未观察到的数据参数。兴趣点推荐模型是基于一个基本假设，一个用户签到的兴趣点比未签到的兴趣点更相关，也即，观察到的兴趣点比未观察到的兴趣点更相关，换言之，用户签到的兴趣点在用户偏好空间比未签到的兴趣点距离用户的位置更近。在兴趣点推荐模型中用户是否访问兴趣点跟用户当前位置X^U(u)和兴趣点位置X^U(l)之间的距离有关，并且，该模型使用潜在用户偏好空间对用户兴趣点之间的欧式距离对兴趣点进行排序，排序方法可以定义如下：

同理，利用上述排序的方法也能够计算得到兴趣点l_i和兴趣点l_j在兴趣点嵌入模型空间中的距离，该模型通过为候选兴趣点L线性集成这两个空间中的距离之和来模拟个性化顺序转换。假定用户u的当前位置为l_c，那么，在用户偏好空间中该模型可以使用线性值来加权这两个空间中的距离来得到最终的距离，也即：

其中，α为[0,1]中控制不同种类的空间权重。

在上述模型当中，如果用户的两个相邻签到兴趣点的时间间隔大于阈值ΔT，那么，在此种情况下，就只考虑用户偏好，然后，再重新定义用户和兴趣点之间的距离

也即：

其中，Δ(l,l_c)表示连续的兴趣点。

需要说明的是，在本实施例中仅使用用户偏好的空间作为上述模型

的模拟空间，那么用户u在用户偏好的空间位置为X^U(u)，兴趣点在用户偏好的空间位置为X^U(l)。

基于上述思想，本实施例对实施例一进行具体的说明，具体的，上述实施例步骤S11：利用用户偏好的分层结构，构建层级嵌入结构矩阵的过程，包括：

步骤S101：根据兴趣点在用户偏好空间中的位置构建第一矩阵；

其中，用户偏好空间为用户偏好所在的空间，第一矩阵的表达式为X^U(l)，第一矩阵X^U(l)的行数为K'，第一矩阵X^U(l)的列数为F，U为用户偏好所在的空间，l为用户的兴趣点；

步骤S102：将第一矩阵的行数分割成H层级，得到第二矩阵；其中，H＜K'；

步骤S103：将第一矩阵中的每一行与第二矩阵中的层级进行关联，得到层级嵌入结构矩阵；

其中，层级嵌入结构矩阵的表达式为：

式中，

为兴趣点l在用户偏好空间的位置，H为第二矩阵的层级的层数，K'为层次嵌入结构矩阵的行数，F为层次嵌入结构矩阵的列数，

为第一矩阵中和第二矩阵第i层级相关联的段。

具体的，在本实施例中，首先是在用户的用户偏好空间中，将用户的兴趣点映射至一个潜在空间当中，得到第一矩阵X^U(l)，需要说明的是，此处的第一矩阵X^U(l)是一个K'×F的矩阵，然后将第一矩阵X^U(l)的K'行分割成H层级，能够想到的是，第一矩阵X^U(l)中的每一行都关联着第二矩阵中的一个特定的层级。

如图3所示，是一个具体的兴趣点层级结构图，此处以该兴趣点层级结构图为例进行具体的说明，在该实例中利用K'＝7的层级维度来表示餐馆兴趣点数据，在该实例中仅展示了餐馆这个大类别中的3层层级，也即，H＝3，这些层级分别可以表示为层级0、层级1和层级2，也即，层级0为餐馆，层级1为自助餐、火锅、菜馆，层级2为日料自助、海鲜自助、牛肉火锅、串串香、江浙菜和川湘菜，此处，还可以以类别→子类别→具体类别的形式来表达此处的兴趣点层级结构，显然，此处的类别为餐馆，子类别为自助餐、火锅、菜馆，具体类别为日料自助、海鲜自助、牛肉火锅、串串香、江浙菜和川湘菜。能够想到的是，对于第二矩阵中的每一个层级来说，每一个层级都可以实例化成相关联的段S_i，此处用段S_i来表示第一矩阵X^U(l)中不同行的集合。

此处以图3为例，进行具体的说明层级嵌入结构矩阵是如何构建的，在上述餐馆的兴趣点层级结构图中展示了餐馆大类别中的3层层级，层级0、层级1和层级2分别与第二矩阵中的S₀＝[0,1,2,3]，S₁＝[4,5]，S₂＝[6]相互关联。需要说明的是，此处的S₀＝[0,1,2,3]，S₁＝[4,5]，S₂＝[6]矩阵中的数值代表着第一矩阵中不同行的集合。其中，4×F矩阵和类别相互关联，并以此来表示第0层的层级结构，也就是用户偏好空间中分层结构的类别；2×F矩阵和子类别相互关联，并以此来表示第1层的层级结构，也就是用户偏好空间中分层结构的子类别；1×F矩阵和具体类别相互关联，并以此表示第2层的层级结构，也就是用户偏好空间中分层结构的具体类别。

最终通过这种方式，将层级结构H中每一层的数据和第一矩阵X^U(l)＝K'×F中的数据相互关联起来，也即，将第一矩阵中每一个具体类别和第二矩阵中所有的段连接起来，并且，在本实施例中，是利用

来表示第i个具体类别在层级结构H中从类别到具体类别的路径，h为层级结构的高度，用

表示第一矩阵中和分割的层级中具体类别

相关联的段，所以，最终可定义层级嵌入结构矩阵为：

式中，

为第一矩阵中和第二矩阵第i层级相关联的段。

相应的，上述步骤S12：利用用户对用户的兴趣点的喜好程度，构建兴趣点推荐模型的过程，包括：

步骤S121：获取用户的兴趣点在预设空间的位置，得到兴趣点位置；

步骤S122：将兴趣点位置输入至排序算法模型，输出得到用户的兴趣点推荐模型；

其中，兴趣点推荐模型的表达式为：

式中，Θ为

为用户u的兴趣点l在用户偏好空间中的位置，X^U(u)为用户u在用户偏好空间中的位置，U为用户集合，u为用户集合U中的一个用户，L为兴趣点的集合，l_i为用户u的第i个兴趣点。

在本实施例中，是利用用户对各个兴趣点的喜好程度，构建用户的兴趣点推荐模型。可以理解的是，如果用户对兴趣点1感兴趣，那么兴趣点1距离用户的距离就会较近，如果用户对兴趣点2不感兴趣，那么兴趣点2距离用户的距离就会较远。基于此种思想，就可以将用户的各个兴趣点映射至某一预设空间当中，然后在该预设空间中就会存在各个兴趣点的位置关系，最后通过计算各个兴趣点在该预设空间中的位置距离关系，就可以判断得到用户对各个兴趣点的喜好程度。

具体的，可以将用户的各个兴趣点映射至一个潜在空间中，然后在该潜在空间中计算各个兴趣点之间的欧式距离，然后对用户的各个兴趣点进行排序，再基于排序算法的思想获取用户的兴趣点推荐模型。在本实施例中，是使用一种类似于贝叶斯个性化排名的参数学习方法(Baysian Personalized Ranking，BPR)对兴趣点推荐模型中的参数进行学习，需要说明的是，在使用该模型时，是假设用户在各个兴趣点签到的历史记录是相互独立的，然后通过最大后验概率估计(MAP)的方法来估计兴趣点推荐模型。

相应的，上述步骤S13：将层级嵌入结构矩阵嵌入至兴趣点推荐模型，得到分层嵌入兴趣点推荐模型的过程，包括：

步骤S131：利用层级嵌入结构矩阵和用户在用户偏好空间的位置，构建转移概率模型；

其中，转移概率模型的表达式为：

为用户u的第i个兴趣点在用户偏好空间的潜在位置，X^U(u)为用户u在用户偏好空间的位置；

步骤S132：根据层级嵌入结构矩阵和用户在用户偏好空间的位置，构建距离模型；

其中，距离模型的表达式为：

式中，

步骤S133：将转移概率模型和距离模型嵌入至兴趣点推荐模型，得到嵌入兴趣点推荐模型；

步骤S134：利用随机梯度下降算法对嵌入兴趣点推荐模型进行优化，得到分层嵌入兴趣点推荐模型。

具体的，步骤S134：利用随机梯度下降算法对嵌入兴趣点推荐模型进行优化，得到分层嵌入兴趣点推荐模型的过程，包括：

利用正态分布初始化嵌入兴趣点推荐模型，利用随机梯度下降算法对嵌入兴趣点推荐模型进行优化，得到分层嵌入兴趣点推荐模型。

需要说明的是，步骤S131至步骤S133可参考实施例二中公开的相关内容，此处不再赘述，而且，在上述模型当中，u是用户集合中的一个用户，具有普适性，在此进行说明。可以理解的是，兴趣点推荐模型中的主要参数Θ为

与PRME模型类似，在本实施例中使用逻辑函数σ(z)＝1/(1+exp(-z))来表示兴趣点推荐模型中的两个概率，所以，兴趣点推荐模型中的概率排名模型可以表示为：

那么，兴趣点推荐模型的目标函数就可以表示为：

式中，w为一个正则化参数。

具体的，在本实施例中，为了避免目标函数陷入局部最优解，在本实施例中是采用随机梯度下降算法(SGD)来优化目标函数，更新过程如下：

式中，η为学习率。

兴趣点推荐模型详细的优化过程如表2所示：

表2目标用户兴趣点推荐模型构建具体过程

如表2所示，首先是在兴趣点推荐模型中输入用户的签到数据、学习率η，正则化参数w，每次利用正态分布初始化模型参数，随机选取一个用户没有签到的兴趣点，然后采用随机梯度下降算法(SGD)来更新兴趣点推荐模型的参数，直到兴趣点推荐模型中的参数达到收敛为止，得到分层嵌入兴趣点推荐模型。

为了验证本实施例中创建的分层嵌入兴趣点推荐模型的有效性，在本实施例中是利用真实数据集对模型进行验证。具体的，本实施例中的实验数据集是来源于Foursquare的真实数据集，Foursquare数据集是来自新加坡地区的2010年8月份至2011年7月份的签到数据，具体数据及分布如表3所示。Foursquare数据集包含了2321个用户在5596个兴趣点的194108次签到，数据集的密度是0.63％。

表3 Foursquare数据集

而且，在该数据集中，每个兴趣点至少被两个用户签到过而且每个用户都至少签到过10个兴趣点。随机选取目标用户访问过的兴趣点中的30％作为测试集，其余作为训练集。

具体的，在本实施例中，将利用创建得到的分层嵌入兴趣点推荐模型与现有技术当中三种较为常用的方法进行比较，这三种方法分别是：

MF模型：此方法是兴趣点推荐常用的方法，利用用户和兴趣点的矩阵来构建模型，利用矩阵分解的方法对特定用户进行兴趣点推荐。

HSR模型：针对显性层次结构难以直接获取的问题，该方法利用用户和兴趣点隐性因子之间的隐性层次结构。

PRME模型：该方法是一个基于个性化排名度量嵌入的算法，通过整合兴趣点的顺序转移和用户偏好。它将兴趣点—兴趣点和兴趣点—用户映射到两个不同的空间，一个是连续的兴趣点顺序转移空间，另一个是用户偏好空间。该方法是下一个兴趣点推荐(NextPOI Recommendation)方法。本实施例使用其中的用户偏好空间来进行兴趣点推荐与本实施例进行比较。需要说明的是，这三种模型分别选取各自模型中已经优化好的参数来作为对比模型的参数。

在本实施例中，是使用两种广泛使用的评价标准来评估算法的效果，分别是Precision@n和Recall@n，其中n是模型推荐兴趣点的个数。Precision@n表示返回的n个兴趣点中被用户真正访问的比例，Recall@n则表示用户真正访问的兴趣点中被返回的比例。公式定义如下：

其中，%hit@n为针对特定用户返回的n个推荐的兴趣点，n_V为特定用户真正喜欢兴趣点。为了减少最终结果的偶然性，实验独立的将上述过程进行了三次，然后取得平均值作为最终结果。针对这两种标准实验分别设置n＝{5,10,15,20}，表示分别推荐了5/10/15/20个兴趣点给特定的用户。

在本实施例中，为了方便各个对比模型之间的比较，此处将实施例二中的分层嵌入兴趣点推荐模型用HME模型来代替，在此进行说明。基于优化数据集，在HME模型中设置K＝60，其中，K为用户偏好空间维度，正则项w＝0.03，学习率η＝0.0025。图4和图5为基于本实施例创建的分层嵌入兴趣点推荐模型和其他3种对比模型在数据集上不同n值时的准确率和召回率。从图4和图5中可以看出，HSR模型的准确率和召回率明显比MF的效果更好，HME的准确率和召回率比PRME的效果好，这两个实验结果直观地说明了层级结构提高了兴趣点推荐的效率。通过对比PRME和MF的准确率和召回率实验结果，可以看出基于嵌入技术的兴趣点推荐模型的优越性，究其原因，由于基于嵌入技术的PRME模型可以一定程度的缓解数据稀疏性问题。实验结果表明本实施例提出的HME模型的准确率和召回率始终优于其他三个模型，这说明基于分层嵌入的模型不仅可以优化基于矩阵分解分层模型中的层级结构的过拟合现象，还可以一定程度上解决传统推荐模型中的数据稀疏性问题，明显的提高了兴趣点推荐模型的准确度。综上所述，本实施例提出的一种分层嵌入兴趣点推荐模型是一种更有效的兴趣点推荐模型。

图6和图7显示了不同用户偏好空间维度K值对于实验结果的影响，该实验选择n＝10来控制变量。通过观察图6和图7的实验结果，可以看出空间维度K值越大，分层嵌入兴趣点推荐模型的准确率和召回率越好。这是因为高维的潜在空间能更加精确的表示兴趣点和用户在空间中的相对位置，然而维度越高的空间模型，需要的计算的次数和复杂度就越高，所以为了平衡模型的计算复杂度和推荐结果的准确性，实验选择了K＝60，这样既保证了准确率和召回率的高效性，又可以保证计算推荐的效率。

相应的，本发明还公开了一种兴趣点推荐系统，如图8所示，该系统包括：

兴趣点推荐模块，用于利用预先创建的分层嵌入兴趣点推荐模型对目标用户的兴趣点进行推荐，得到目标用户的兴趣点列表；

其中，分层嵌入兴趣点推荐模型为兴趣点创建模块创建获得，兴趣点创建模块包括：

矩阵创建子模块31，用于利用用户偏好的分层结构，构建层级嵌入结构矩阵；其中，用户偏好为对用户在位置社交网络的兴趣点进行挖掘所得的信息，用户包括目标用户；

模型创建子模块32，用于利用用户在所述兴趣点的喜好程度，构建兴趣点推荐模型；

模型嵌入子模块33，用于将层级嵌入结构矩阵嵌入至兴趣点推荐模型，得到分层嵌入兴趣点推荐模型。

优选的，矩阵创建子模块包括：

矩阵构建单元，用于根据用户的兴趣点在用户偏好空间中的位置构建第一矩阵；

矩阵分割单元，用于将第一矩阵的行数分割成H层级，得到第二矩阵；其中，H＜K'；

矩阵关联单元，用于将第一矩阵中的每一行与第二矩阵中的层级进行关联，得到层级嵌入结构矩阵；

其中，层级嵌入结构矩阵的表达式为：

式中，

为所述第一矩阵中和所述第二矩阵第i层级相关联的段。

优选的，模型创建子模块32包括：

位置获取单元，用于获取用户的兴趣点在预设空间的位置，得到兴趣点位置；

其中，兴趣点推荐模型的表达式为：

式中，Θ为

优选的，模型嵌入子模块33包括：

概率模型获取单元，用于利用层级嵌入结构矩阵和用户在用户偏好空间的位置，构建转移概率模型；

其中，转移概率模型的表达式为：

为用户u的第i个兴趣点在用户偏好空间的位置，X^U(u)为用户u在用户偏好空间的位置；

距离模型获取单元，用于根据层级嵌入结构矩阵和用户在用户偏好空间的位置，构建距离模型；

其中，距离模型的表达式为：

式中，

模型嵌入单元，用于将转移概率模型和距离模型嵌入至兴趣点推荐模型，得到嵌入兴趣点推荐模型；

模型优化单元，用于利用随机梯度下降算法对嵌入兴趣点推荐模型进行优化，得到分层嵌入兴趣点推荐模型。

优选的，模型优化单元，包括：

模型优化子单元，用于利用正态分布初始化嵌入兴趣点推荐模型，利用随机梯度下降算法对嵌入兴趣点推荐模型进行优化，得到分层嵌入兴趣点推荐模型。

相应的，本发明还公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如前述公开的兴趣点推荐方法的步骤。

相应的，本发明还公开了一种兴趣点推荐设备，如图9所示，包括：

存储器41，用于存储计算机程序；

处理器42，用于执行计算机程序时实现如前述公开的兴趣点推荐方法的步骤。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种兴趣点推荐方法、系统、介质及设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。