CN109948066A - 一种基于异构信息网络的兴趣点推荐方法 - Google Patents

Abstract

本发明公开了一种基于异构信息网络的兴趣点推荐方法。该方法使用异构信息网络以及元路径来建模基于位置的社交网络中用户的复杂行为语义，并通过矩阵分解和排序学习预测用户偏好。通过本发明方法能够有效挖掘用户行为特征，进而给用户推荐兴趣点，提高基于位置的社交网络服务的体验。

Description

一种基于异构信息网络的兴趣点推荐方法

技术领域

本发明涉及兴趣点领域，尤其涉及一种基于异构信息网络的兴趣点推荐方法。

背景技术

近年来，随着移动设备的发展，基于位置的社交网络(Location-Based SocialNetwork,LBSN)服务应运而生，如国外的Foursquare、Gowalla、Yelp和国内的冒泡、大众点评等应用。大量用户通过LBSN服务探索他们喜欢的兴趣点，例如图书馆、餐厅等，并与朋友分享他们访问这些兴趣点的体验。用户的签到行为包括时间、天气、位置等上下文信息。个性化兴趣点推荐服务旨在通过这些包含丰富信息的历史签到数据来挖掘用户偏好、帮助用户探索新的兴趣点，以此来提高基于位置的社交网络服务的体验。

相比于传统的商品、音乐、书籍等推荐系统，兴趣点推荐系统更加复杂。首先，单一用户的签到数量在兴趣点集合中往往仅占有非常小的一部分，因此用户-兴趣点签到矩阵是高度稀疏的，从而显著增加了推荐的难度。此外，LBSN场景包含着丰富的上下文信息，并且用户签到的决策过程非常复杂，可能受到许多不同因素的影响。目前已有许多研究工作在兴趣点推荐中考虑上下文的影响。例如，Ye等人认为地理信息显著影响用户的签到行为，因此将地理信息融合到协同过滤算法中进行兴趣点推荐。Gao等人提出了一个基于时间属性的兴趣点推荐框架，将用户签到的时间特征加入推荐模型中以提升效果。

然而，现有的研究缺少对用户行为语义的深度挖掘，往往只考虑单一的上下文信息，并且受限于兴趣点推荐场景的数据稀疏问题，推荐效果并不理想。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于异构信息网络的兴趣点推荐方法，可有效解决上述问题。

本发明使用异构信息网络以及元路径来建模LBSN中用户的复杂行为语义，将其表征为用户-兴趣点语义关联度矩阵，以达到精准捕获用户行为特征的目的。本发明改进了加权矩阵分解方法，在其中考虑地理位置距离的影响，从多条元路径产生的用户-兴趣点语义关联度矩阵中获取用户语义偏好。最后，本发明使用排序学习方法融合多条元路径对应的用户语义偏好，进而给用户推荐兴趣点。

本发明具体采用的技术方案如下：

一种基于异构信息网络的兴趣点推荐方法包括以下步骤：

1)输入用户签到行为记录数据，包括用户集合、兴趣点集合、兴趣点经纬度、兴趣点类型集合、朋友关系、用户签到时的上下文信息；

2)根据用户签到行为记录数据构建异构信息网络其中V表示信息实体对象的集合，E表示实体对象之间的边的集合，表示对象类型映射函数 表示关系类型映射函数任意一个对象v对应着一个特定的对象类型A，即任意一条边e都对应着一个特定的关系类型R，即

3)首先根据构建出的异构信息网络，设计Q条兴趣点推荐场景的元路径(M₁,M₂,…,M_i,…,M_Q)，其中第i条元路径表示从信息实体对象A₁到信息实体对象A_l的关系，R_i表示从A_i与A_i+1之间的关系；其次根据上下文情境对用户行为进行约束，建立H条上下文约束元路径其中第i条上下文约束元路径为 其中δ(R)表示在关系R上的上下文属性值，若关系R不存在上下文情境约束，则记δ(R)＝R，约束S包括当前上下文约束元路径的上下文情境和相应的属性值约束信息；

4)对每一条元路径构建相应的语义关联度矩阵，元路径 对应的语义关联度矩阵表示为其中表示实体对象A_i和A_j之间的邻接矩阵；对每一条上下文约束元路径构建相应的语义关联度矩阵，其语义关联度矩阵为每个上下文情境属性值对应的关联度矩阵之和，具体构建方法为：

4-1)将指标的最大和最小值跨度范围切分为多个跨度片W₁W₂…W_n，获取每个跨度片的用户签到行为记录；

4-2)计算每个跨度片W_i下元路径对应语义关联度矩阵

4-3)对每个跨度片W_i下元路径的语义关联度矩阵求和，将其作为上下文约束元路径的语义关联度矩阵S_M；

5)根据用户历史签到行为，计算用户从兴趣点i到兴趣点j的签到转移概率Pr(i,j)，公式如下：

Pr(i,j)＝a·d(i,j)^b

计算用户u的标准化签到概率公式如下：

其中d(i,j)表示地点i与j之间的距离，参数a与b通过线性回归学习得到，Max(Pr_u)表示用户u的签到行为记录中的最大签到转移概率；

6)对每一个语义关联度矩阵进行矩阵分解，将其分解成用户潜在特征矩阵X与兴趣点潜在特征矩阵Y，从而得到相应的用户语义偏好矩阵分解的损失函数表示为：

其中：

其中，T为所有用户和兴趣点的集合，表示用户偏好的置信度，其数值越高代表用户u对兴趣点i的偏好越强烈，表示表示用户u对兴趣点i的语义关联度，r_u,i为用户隐式反馈偏好，为用户u对兴趣点i的语义偏好，x_u表示用户u的特征向量，y_i表示兴趣点i的特征向量，β为调节参数，λ为正则化参数，D_u为用户u访问过的兴趣点集合；

然后使用最小二乘法优化所述损失函数，最终得到每一个语义关联度矩阵的用户语义偏好

7)将步骤6)计算得到的用户语义偏好加权求和，从而得到用户u对地点i的最终偏好

其中，θ_l表示元路径或上下文约束元路径l所对应的用户语义偏好的权重；

设定用户u相较于i、j两个兴趣点更偏好于兴趣点i的概率为：

其中，θ＝{θ₁,θ₂…θ_Q+H}表示权重参数，>_u代表两个兴趣点的排序关系；

最大化如下后验概率，使得所有的兴趣点对都按照正确的偏好顺序排列，从而学习并得到相应的元路径对应的语义偏好权重：

p(θ|>_u)∝p(>_u|θ)p(θ)

其中，p(θ)为先验概率；

8)根据步骤7)学习到的语义偏好权重参数，对任一用户，遍历所有兴趣点，计算用户对兴趣点的最终偏好预测值，并选取预测值最大并且用户未访问过的若干个兴趣点推荐给用户。

基于上述方案，各步骤还可以采用如下优选方式实现。

优选的，步骤1)中所述的用户签到时的上下文信息包括时间上下文和天气上下文。

优选的，步骤2)中所述的信息实体对象包括用户、兴趣点和兴趣点类型。

进一步的，对于时间上下文，语义关联度矩阵的构建方法为：

4-1-1)将一天时间切分为多个时间片T₁T₂…T_n，获取每个时间片的用户签到行为记录；

4-1-2)计算每个时间片T_i下元路径对应语义关联度矩阵

4-1-3)对每个时间片T_i下元路径的语义关联度矩阵求和，将其作为时间上下文约束元路径的语义关联度矩阵S_M。

进一步的，对于天气上下文，语义关联度矩阵的构建方法为：

4-2-1)将天气相关指标的最大和最小值跨度范围切分为多个跨度段F₁F₂…F_n，获取每个跨度段的用户签到行为记录；

4-2-2)计算每个跨度段F_i下元路径对应语义关联度矩阵

4-2-3)对每个跨度段F_i下元路径的语义关联度矩阵求和，将其作为天气上下文约束元路径的语义关联度矩阵S_M。

再进一步的，所述的天气相关指标包括温度、湿度以及云量。

优选的，步骤6)中，使用最小二乘法优化所述损失函数的方法为：

6-1)随机初始化潜在特征矩阵X；

6-2)将X作为已知，通过迭代更新方程求得潜在特征矩阵Y；

6-3)将Y作为已知，通过迭代更新方程求得潜在特征矩阵X；

交替执行上述6-2)和6-3)两个过程，直到损失函数收敛。

优选的，步骤7)中，所述语义偏好权重的计算方法为：

设定先验概率p(θ)服从期望为0，协方差矩阵为∑_θ＝λ_θI的高斯分布，则兴趣点对的排序优化目标函数为：

其中，U为所有用户的集合，λ_θ为针对θ的正则化参数；

使用随机梯度下降法优化上述目标函数，对θ求偏导：

再使用Bootstrap Sampling方法进行采样，根据随机梯度下降法，沿着负梯度方向更新θ，以不断迭代直至结果收敛或迭代次数达到上限值结束，从而学习并得到相应的元路径对应的语义偏好权重。

本发明首先用异构信息网络的元路径表示兴趣点推荐场景的复杂行为语义关系。其次，本发明通过上下文约束元路径整合天气和时间等上下文信息，进一步挖掘细粒度的用户行为特征，并将其表征为用户-兴趣点语义关联度矩阵，用以缓解数据稀疏问题并提升推荐可解释性。此外，本发明提出在加权矩阵分解中加入地理位置距离对用户行为的影响，并从多条元路径得到的用户-兴趣点语义关联度矩阵中获取用户语义偏好。最后，本发明提出一个基于排序学习的融合方法，将不同元路径求得的用户语义偏好统一起来作为用户的最终偏好。

附图说明

图1LBSN场景异构信息网络示例；

图2算法流程图；

图3准确率实施结果对比；

图4召回率实施结果对比。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

本发明所提出的基于异构信息网络的兴趣点推荐方法主要分为以下几部分内容：异构信息网络构建、语义关联度矩阵构建、用户语义偏好计算、偏好加权预测。

异构信息网络构建：根据用户签到行为数据生成与之对应的异构信息网络模型，并设计相应的符合用户行为语义的元路径以及上下文约束元路径，它是其它部分实现的基础。

语义关联度矩阵构建：根据已设计的元路径，计算用户对象与兴趣点对象之间的关联度，从而构建用户-兴趣点语义关联度矩阵，其目的在于从不同角度度量用户的行为特征。

用户语义偏好计算：是整个推荐方法的核心组成部分，其在加权矩阵分解中加入地理位置距离对用户行为的影响，从语义关联度矩阵中获取用户语义偏好。

偏好加权预测：用来对多个语义关联度矩阵得到的用户语义偏好进行加权求和，从而得到最终的兴趣点推荐结果。

下面对该方法的具体步骤进行详细描述。

为叙述方便，定义相关符号如下：

U：用户集合。

P：兴趣点集合。

C：兴趣点类型集合。

T：时间上下文。

F：天气上下文。

异构信息网络。

M：元路径。

M^c：上下文约束元路径。由于用户在不同上下文情境下表现出不同的签到偏好，根据上下文情境对用户行为进行约束，从而建立上下文约束元路径。

对象A_i和A_j之间的邻接矩阵，其中的元素表示对象间的交互次数。

S_M：语义关联度矩阵。它表示用户对象与兴趣点对象之间的关联度量。元路径M＝A₁A₂…A_l对应的语义关联度矩阵为

如图2所示，本实施例中，一种基于异构信息网络的兴趣点推荐方法包括以下步骤：

(1)输入用户签到行为记录数据，包括用户集合、兴趣点集合、兴趣点经纬度、兴趣点类型集合、朋友关系、用户签到时的上下文信息(如时间、天气等)；

(2)根据用户签到行为记录数据构建异构信息网络，以表示基于位置的社交网络的复杂语义关系，其中包括用户对象与兴趣点对象的“签到”关系，用户对象之间的“朋友关系”，兴趣点对象与类型对象的“类别”关系，如图1所示。具体而言，异构信息网络其中V表示信息实体对象的集合(用户、兴趣点、兴趣点类型等)，E表示实体对象之间的边的集合，表示对象类型映射函数 表示关系类型映射函数任意一个对象v对应着一个特定的对象类型A，即任意一条边e都对应着一个特定的关系类型R，即

(3)首先根据构建出的异构信息网络，设计Q条兴趣点推荐场景的元路径(M₁,M₂,…,M_i,…,M_Q)，其中第i条元路径表示从信息实体对象A₁到信息实体对象A_l的关系，R_i表示从A_i与A_i+1之间的关系。其次根据上下文情境对用户行为进行约束，建立H条上下文约束元路径其中第i条上下文约束元路径为 其中δ(R)表示在关系R上的上下文属性值，若关系R不存在上下文情境约束，则记δ(R)＝R，约束S包括当前上下文约束元路径的上下文情境和相应的属性值约束信息；

(4)对每一条元路径构建相应的语义关联度矩阵，元路径 对应的语义关联度矩阵表示为其中表示实体对象A_i和A_j之间的邻接矩阵；对每一条上下文约束元路径构建相应的语义关联度矩阵，其语义关联度矩阵为每个上下文情境属性值对应的关联度矩阵之和，具体构建方法为：

(4-1)将相关指标的最大和最小值跨度范围切分为多个跨度片W₁W₂…W_n，获取每个跨度片的用户签到行为记录；

(4-2)计算每个跨度片W_i下元路径对应语义关联度矩阵

(4-3)对每个跨度片W_i下元路径的语义关联度矩阵求和，将其作为上下文约束元路径的语义关联度矩阵S_M。

上下文情境包括时间上下文和天气上下文，两者的S_M具体构建过程为：

对于时间上下文，语义关联度矩阵的构建方法为：

(4-1-1)将一天时间切分为多个时间片T₁T₂…T_n，获取每个时间片的用户签到行为记录；

(4-1-2)计算每个时间片T_i下元路径对应语义关联度矩阵

(4-1-3)对每个时间片T_i下元路径的语义关联度矩阵求和，将其作为时间上下文约束元路径的语义关联度矩阵S_M。

对于天气上下文，语义关联度矩阵的构建方法为：

(4-2-1)将天气相关指标的最大和最小值跨度范围切分为多个跨度段F₁F₂…F_n，获取每个跨度段的用户签到行为记录；

(4-2-2)计算每个跨度段F_i下元路径对应语义关联度矩阵

(4-2-3)对每个跨度段F_i下元路径的语义关联度矩阵求和，将其作为天气上下文约束元路径的语义关联度矩阵S_M。

其中天气相关指标可以包括温度、湿度以及云量等。

(5)根据用户历史签到行为，计算用户从兴趣点i到兴趣点j的签到转移概率Pr(i,j)，公式如下：

Pr(i,j)＝a·d(i,j)^b

计算用户u的标准化签到概率公式如下：

其中d(i,j)表示地点i与j之间的距离，参数a与b通过线性回归学习得到，Max(Pr_u)表示用户u的签到行为记录中的最大签到转移概率；

(6)从语义关联度矩阵中提取潜在特征，并求得用户语义偏好。对每一个语义关联度矩阵进行矩阵分解，将其分解成用户潜在特征矩阵X与兴趣点潜在特征矩阵Y，从而得到相应的用户语义偏好矩阵分解的损失函数表示为：

用户u对兴趣点i的语义偏好表示为：

定义r_u,i为用户隐式反馈偏好：

其中，T为所有用户和兴趣点的集合，表示用户偏好的置信度，其数值越高代表用户u对兴趣点i的偏好越强烈，表示表示用户u对兴趣点i的语义关联度，r_u,i为用户隐式反馈偏好，为用户u对兴趣点i的语义偏好，x_u表示用户u的特征向量，y_i表示兴趣点i的特征向量，β为调节参数，λ为正则化参数，D_u为用户u访问过的兴趣点集合；

然后使用最小二乘法优化所述损失函数：

6-1)随机初始化潜在特征矩阵X；

6-2)将X作为已知，通过下文相应的迭代更新方程求得潜在特征矩阵Y；

6-3)将Y作为已知，通过下文相应的迭代更新方程求得潜在特征矩阵X；

交替执行上述6-2)和6-3)两个过程，直到损失函数收敛。x_u和y_i的迭代更新方程如下式所示：

最终得到每一个语义关联度矩阵的用户语义偏好

(7)基于排序学习预测用户对兴趣点的最终偏好。假设已经设计Q条元路径，H条上下文约束元路径，构建出Q+H个用户-兴趣点语义关联度矩阵每一个矩阵都通过步骤(6)中的矩阵分解方法获取用户语义偏好将步骤(6)计算得到的用户语义偏好加权求和，从而得到用户u对地点i的最终偏好

其中，θ_l表示元路径或上下文约束元路径l所对应的用户语义偏好的权重。

定义用户u相较于i、j两个兴趣点更偏好于兴趣点i的概率为：

其中，θ＝{θ₁,θ₂…θ_Q+H}表示权重参数，>_u代表两个兴趣点的排序关系；

由贝叶斯公式可知，若要则要使得所有的兴趣点对都按照正确的偏好顺序排列，需最大化如下后验概率，从而学习并得到相应的元路径对应的语义偏好权重：

p(θ|>_u)∝p(>_u|θ)p(θ)

其中，p(θ)为先验概率；

假设用户对于兴趣点对的排序偏好相互独立，整合所有用户后，似然函数p(>_u|θ)写为如下形式：

其中，R_u表示兴趣点对之间的排序关系集合；

定义先验概率p(θ)服从期望为0，协方差矩阵为∑_θ＝λ_θI的高斯分布，则排序优化的目标函数为：

其中，U为所有用户的集合，λ_θ为针对θ的正则化参数；

使用随机梯度下降法优化上述目标函数，对θ求偏导：

再使用Bootstrap Sampling方法进行采样，根据随机梯度下降法，沿着负梯度方向更新θ，以一定次数不断迭代直至结果收敛或迭代结束，从而学习并得到相应的元路径对应的语义偏好权重；

(8)根据步骤(7)学习到的语义偏好权重参数，对任一用户，遍历所有兴趣点，计算用户对兴趣点的最终偏好预测值，并选取预测值最大并且用户未访问过的若干个兴趣点推荐给该用户。具体给用户推荐的兴趣点个数K可以根据实际需要进行确定。

下面结合实施例来展示本发明的兴趣点推荐方法的效果。

实施例

本实施例的步骤与具体实施方式相同，在此不再进行赘述。下面就部分实施过程参数和实施结果进行展示：

本实施例所用的数据集为从Foursquare中获取的美国洛杉矶在2010年到2011年用户的真实签到数据，每条签到行为都包括用户ID、地点ID、经纬度和签到时间。对于每个地点都有相应的地点类型与之对应，每个用户也都包含其朋友关系信息。此外，本实例以<经度，纬度，时间戳>的形式抓取用户签到时的天气情况作为额外的上下文信息，包括温度、湿度以及云量。具体的数据统计信息下表所示。

用户数	地点数	地点类型数	签到数	数据稀疏度
					2026	8270	127	51917	0.39％

本实施例用以下步骤将数据集划分为训练集D_train与测试集D_test：(1)聚合每个用户对每个地点的签到记录；(2)将每个用户签到的地点以首次签到时间从远到近排序；(3)将每个用户前80％的签到地点的记录作为训练集、后20％作为测试集。在实施中，本实例将一天时间平均分为三段，将天气相关指标最小值到最大值的范围分割为三段数据，从而对上下文约束元路径构建相应语义关联度矩阵。调节参数β＝0.8，正则化参数统一设置为λ＝0.01，签到概率相关参数通过学习获得。

本实施例使用如下方法作为对比方法：

(1)WRMF[Hu et al.,2008]：面向隐式反馈场景的矩阵分解方法，将用户访问地点的次数作为置信度，以交替最小二乘法进行模型迭代求解；

(2)BPRMF[Rendle et al.,2009]：从相对排序的角度考虑推荐系统的隐式反馈场景，将矩阵分解的目标函数转化为优化兴趣点的相对顺序；

(3)USG[Ye et al.,2011]：将用户偏好、社交关系影响、位置影响以线性加权的方式建模；

(4)RankGeoFM[Li et al.,2015]：基于排序以及地理影响的矩阵分解方法；

(5)ASMF[Li et al.,2016]：从用户的三种朋友关系中学习潜在的兴趣点，并通过矩分解求解用户最终偏好。

本实施例(Our method)使用准确率(Precision)和召回率(Recall)作为评价指标，具体计算如下式所示，其中R_u表示用户u的TOP-K推荐结果，T_u表示用户u在D_test中访问过的兴趣点集合。

具体的对比结果，如图3和图4所示。从图中可以看出，本发明在不同指标、不同推荐结果个数的情况下均优于其它现有方法。本发明以元路径的方法充分利用了时间、天气等上下文信息来表达用户的行为语义，并通过签到概率捕获用户地理位置距离偏好。相较于其它方法，本方法考虑更加全面，且能够更加准确地捕获用户行为偏好。不同于USG方法将信息特征以线性加权的方式建模，本发明考虑排序问题，以贝叶斯排序模型来学习不同用户地语义偏好权重，在用户偏好的预测上，相较于其它方法有着更好的表现。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (8)

1.一种基于异构信息网络的兴趣点推荐方法，其特征在于包括以下步骤：

1)输入用户签到行为记录数据，包括用户集合、兴趣点集合、兴趣点经纬度、兴趣点类型集合、朋友关系、用户签到时的上下文信息；

2)根据用户签到行为记录数据构建异构信息网络其中V表示信息实体对象的集合，E表示实体对象之间的边的集合，表示对象类型映射函数 表示关系类型映射函数任意一个对象v对应着一个特定的对象类型A，即任意一条边e都对应着一个特定的关系类型R，即

3)首先根据构建出的异构信息网络，设计Q条兴趣点推荐场景的元路径(M₁,M₂,…,M_i,…,M_Q)，其中第i条元路径表示从信息实体对象A₁到信息实体对象A_l的关系，R_i表示从A_i与A_i+1之间的关系；其次根据上下文情境对用户行为进行约束，建立H条上下文约束元路径其中第i条上下文约束元路径为 其中δ(R)表示在关系R上的上下文属性值，若关系R不存在上下文情境约束，则记δ(R)＝R，约束S包括当前上下文约束元路径的上下文情境和相应的属性值约束信息；

4)对每一条元路径构建相应的语义关联度矩阵，元路径 对应的语义关联度矩阵表示为其中表示实体对象A_i和A_j之间的邻接矩阵；对每一条上下文约束元路径构建相应的语义关联度矩阵，其语义关联度矩阵为每个上下文情境属性值对应的关联度矩阵之和，具体构建方法为：

4-1)将指标的最大和最小值跨度范围切分为多个跨度片W₁W₂…W_n，获取每个跨度片的用户签到行为记录；

4-2)计算每个跨度片W_i下元路径对应语义关联度矩阵

4-3)对每个跨度片W_i下元路径的语义关联度矩阵求和，将其作为上下文约束元路径的语义关联度矩阵S_M；

5)根据用户历史签到行为，计算用户从兴趣点i到兴趣点j的签到转移概率Pr(i,j)，公式如下：

Pr(i,j)＝a·d(i,j)^b

计算用户u的标准化签到概率公式如下：

其中d(i,j)表示地点i与j之间的距离，参数a与b通过线性回归学习得到，Max(Pr_u)表示用户u的签到行为记录中的最大签到转移概率；

6)对每一个语义关联度矩阵进行矩阵分解，将其分解成用户潜在特征矩阵X与兴趣点潜在特征矩阵Y，从而得到相应的用户语义偏好矩阵分解的损失函数表示为：

其中：

其中，T为所有用户和兴趣点的集合，表示用户偏好的置信度，其数值越高代表用户u对兴趣点i的偏好越强烈，表示表示用户u对兴趣点i的语义关联度，r_u,i为用户隐式反馈偏好，为用户u对兴趣点i的语义偏好，x_u表示用户u的特征向量，y_i表示兴趣点i的特征向量，β为调节参数，λ为正则化参数，D_u为用户u访问过的兴趣点集合；

然后使用最小二乘法优化所述损失函数，最终得到每一个语义关联度矩阵的用户语义偏好

7)将步骤6)计算得到的用户语义偏好加权求和，从而得到用户u对地点i的最终偏好

其中，θ_l表示元路径或上下文约束元路径l所对应的用户语义偏好的权重；

设定用户u相较于i、j两个兴趣点更偏好于兴趣点i的概率为：

其中，θ＝{θ₁,θ₂…θ_Q+H}表示权重参数，>_u代表两个兴趣点的排序关系；

最大化如下后验概率，使得所有的兴趣点对都按照正确的偏好顺序排列，从而学习并得到相应的元路径对应的语义偏好权重：

p(θ|>_u)∝p(>_u|θ)p(θ)

其中，p(θ)为先验概率；

8)根据步骤7)学习到的语义偏好权重参数，对任一用户，遍历所有兴趣点，计算用户对兴趣点的最终偏好预测值，并选取预测值最大并且用户未访问过的若干个兴趣点推荐给该用户。

2.根据权利要求1所述的一种基于异构信息网络的兴趣点推荐方法，其特征在于步骤1)中所述的用户签到时的上下文信息包括时间上下文和天气上下文。

3.根据权利要求1所述的一种基于异构信息网络的兴趣点推荐方法，其特征在于步骤2)中所述的信息实体对象包括用户、兴趣点和兴趣点类型。

4.根据权利要求2所述的一种基于异构信息网络的兴趣点推荐方法，其特征在于对于时间上下文，语义关联度矩阵的构建方法为：

4-1-1)将一天时间切分为多个时间片T₁T₂…T_n，获取每个时间片的用户签到行为记录；

4-1-2)计算每个时间片T_i下元路径对应语义关联度矩阵

4-1-3)对每个时间片T_i下元路径的语义关联度矩阵求和，将其作为时间上下文约束元路径的语义关联度矩阵S_M。

5.根据权利要求2所述的一种基于异构信息网络的兴趣点推荐方法，其特征在于对于天气上下文，语义关联度矩阵的构建方法为：

4-2-1)将天气相关指标的最大和最小值跨度范围切分为多个跨度段F₁F₂…F_n，获取每个跨度段的用户签到行为记录；

4-2-2)计算每个跨度段F_i下元路径对应语义关联度矩阵

4-2-3)对每个跨度段F_i下元路径的语义关联度矩阵求和，将其作为天气上下文约束元路径的语义关联度矩阵S_M。

6.根据权利要求1所述的一种基于异构信息网络的兴趣点推荐方法，其特征在于所述的天气相关指标包括温度、湿度以及云量。

7.根据权利要求1所述的一种基于异构信息网络的兴趣点推荐方法，其特征在于步骤6)中，使用最小二乘法优化所述损失函数的方法为：

6-1)随机初始化潜在特征矩阵X；

6-2)将X作为已知，通过迭代更新方程求得潜在特征矩阵Y；

6-3)将Y作为已知，通过迭代更新方程求得潜在特征矩阵X；

交替执行上述6-2)和6-3)两个过程，直到损失函数收敛。

8.根据权利要求1所述的一种基于异构信息网络的兴趣点推荐方法，其特征在于步骤7)中，所述语义偏好权重的计算方法为：

设定先验概率p(θ)服从期望为0，协方差矩阵为∑_θ＝λ_θI的高斯分布，则兴趣点对的排序优化目标函数为：

其中，U为所有用户的集合，λ_θ为针对θ的正则化参数；

使用随机梯度下降法优化上述目标函数，对θ求偏导：

再使用Bootstrap Sampling方法进行采样，根据随机梯度下降法，沿着负梯度方向更新θ，以不断迭代直至结果收敛或迭代次数达到上限值结束，从而学习并得到相应的元路径对应的语义偏好权重。