CN110008411A - 一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法 - Google Patents
一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法 Download PDFInfo
- Publication number
- CN110008411A CN110008411A CN201910308866.1A CN201910308866A CN110008411A CN 110008411 A CN110008411 A CN 110008411A CN 201910308866 A CN201910308866 A CN 201910308866A CN 110008411 A CN110008411 A CN 110008411A
- Authority
- CN
- China
- Prior art keywords
- matrix
- user
- interest
- point
- registered
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
Abstract
本发明公开了一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法,包括如下步骤:获取所有用户的历史签到信息,基于所有用户的历史签到信息计算签到矩阵;基于签到矩阵计算用户‑兴趣点矩阵和兴趣点‑用户矩阵;基于用户‑兴趣点矩阵计算预估矩阵M0;基于预估矩阵M0计算预估矩阵M1;基于兴趣点‑用户矩阵计算预估矩阵M2;基于签到矩阵计算预估矩阵Mn;基于公式Mpre=M0+M1+M2 T+Mn计算用户‑兴趣点偏好值矩阵Mpre;基于偏好值矩阵Mpre生成推荐信息。本发明公开的技术方案可以根据用户签到稀疏矩阵为用户适合准确地推荐兴趣点。
Description
技术领域
本发明涉及兴趣点推荐方法,尤其涉及一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法。
背景技术
移动互联网技术的快速进步,基于位置的社交网络(Location-Based SocialNetworks,LBSN)得到了快速发展,例如国外的Foursquare、Gowalla、Yelp、Facebook。与传统社交网络相比,用户可以通过签到的方式与朋友分享他去过的地点,签到记录了用户的兴趣地点(如电影院、游乐场,餐厅,景点等)信息。而城市的发展带动兴趣点数量剧增,根据用户的喜好为用户准确的推荐兴趣地点有利于提高用户在城市的生活体验,并更了解自己所在城市的风貌及文化。在海量地点中挖掘用户感兴趣的地点是具有极大的挑战。
兴趣点推荐能够为用户推荐感兴趣的地点,减少用户决策时间成本,促进用户更好的了解城市。经典的协同过滤算法(Collaborative filtering,CF)由于简单易用,在学术界和工业界已被广泛使用。若将协同过滤算法应用于兴趣点推荐中,则会存在以下问题:
1、相似度计算问题,由于目前户签到数据的稀疏性,因此通过协同过滤算法得到的用户-兴趣点签到矩阵是一个高纬度的稀疏矩阵,计算用户间的相似性并不是很准确,导致推荐结果效果差。
2、冷启动问题,对于全新的用户,缺少用户向量,不能匹配相似用户,无法进行推荐。
3、局限性问题,依靠相似用户信息进行兴趣点推荐,不能计算用户对各个地点的偏好值,对于相似用户未去过的地点,不能进行推荐。
4、推荐排序问题,对于推荐列表,依靠相似用户签到信息对推荐列表进行排序,并不是很准确,如对于多个签到次数相同地点,不能合理排序,导致推荐结果差异大。
发明内容
针对现有技术存在的上述不足,本发明要解决的技术问题是:如何提供一种能够为每个用户准确推荐兴趣点的方法,可以基于用户签到稀疏矩阵为每个用户适合准确地推荐兴趣点。
为解决上述技术问题,本发明采用了如下的技术方案:
一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法,包括如下步骤:
S101、获取所有用户的历史签到信息,基于所有用户的历史签到信息计算用户签到矩阵;
S102、基于用户签到矩阵计算用户-兴趣点矩阵和兴趣点-用户矩阵;
S103、基于用户-兴趣点矩阵计算预估矩阵M0;
S104、基于预估矩阵M0计算预估矩阵M1;
S105、基于兴趣点-用户矩阵计算预估矩阵M2;
S106、基于签到矩阵计算预估矩阵Mn;
S107、基于公式Mpre=M0+M1+M2 T+Mn计算用户-兴趣点偏好值矩阵Mpre;
S108、基于偏好值矩阵Mpre生成推荐信息。
优选地,S103包括如下步骤:
基于能量公式计算联合概率式中,v为神经元显层,h为神经元隐层,b和a分别是显层偏置向量和隐层偏置向量,w为参数权重,e为自然指数,i为第i个显层神经元,j为第j个隐层神经元;
基于联合概率计算用户关于兴趣点的分布函数
基于分布函数P(v)计算其最大值对应参数;
基于分布函数P(v)的最大值对应参数计算预估矩阵M0。
优选地,S106包括如下步骤:
基于公式Mn≈Umk×Ikn计算预估矩阵Mn,式中Umk为用户矩阵,梯度更新公式为Ikn为地点矩阵,梯度更新公式为
优选地,S108包括如下步骤:
按照所述偏好值矩阵Mpre分值由高到低的顺序选取预设个数的所述推荐地点;
按照高到低的顺序基于选取的推荐地点生成推荐列表。
综上所述,本发明公开了一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法,包括如下步骤:获取所有用户的历史签到信息,基于所有用户的历史签到信息计算签到矩阵;基于签到矩阵计算用户-兴趣点矩阵和兴趣点-用户矩阵;基于用户-兴趣点矩阵计算预估矩阵M0;基于预估矩阵M0计算预估矩阵M1;基于兴趣点-用户矩阵计算预估矩阵M2;基于签到矩阵计算预估矩阵Mn;基于公式Mpre=M0+M1+M2 T+Mn计算用户-兴趣点偏好值矩阵Mpre;基于偏好值矩阵Mpre生成推荐信息。本发明公开的技术方案可以根据用户签到稀疏矩阵为用户适合准确地推荐兴趣点。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明公开的一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法的流程图;
图2为本发明公开实验的效果对比图;
图3为签到矩阵示意图;
图4为用户-兴趣点矩阵示意图;
图5为兴趣点-用户矩阵示意图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示,本发明公开了一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法,包括如下步骤:
S101、获取所有用户的历史签到信息,基于所有用户的历史签到信息计算用户签到矩阵(如图3所示);
S102、基于用户签到矩阵计算用户-兴趣点矩阵和兴趣点-用户矩阵(如图4和图5所示);
S103、基于用户-兴趣点矩阵计算预估矩阵M0;
S104、基于预估矩阵M0计算预估矩阵M1;
S105、基于兴趣点-用户矩阵计算预估矩阵M2;
S106、基于签到矩阵计算预估矩阵Mn;
S107、基于公式Mpre=M0+M1+M2 T+Mn计算用户-兴趣点偏好值矩阵Mpre;
S108、基于偏好值矩阵Mpre生成推荐信息。
在实际应用中,用户通过手机APP进行签到行为时,移动设备会通过GPS等定位技术获取用户当前位置信息,包括用户签到地点、地点经纬度、签到时间等,这些数据将会上传至数据库,使用本方法时,可以先收集大量的用户数据以及地点数据,形成一个数据库。需要主要的是,使用本方法,最终是基于预测的所有用户对所有地点的用户偏好值矩阵生成推荐信息。
本发明利用融合思想,基于用户签到稀疏矩阵,具体实施时,可以通过堆叠受限玻尔兹曼机(RBM),学习用户对兴趣点之间潜在联系,并提取多个用户-兴趣点联系矩阵(用户-兴趣点预估矩阵),再对原始稀疏矩阵进行变换,通过RBM学习兴趣点-用户联系矩阵,并利用非负矩阵分解(NMF)对原始稀疏矩阵进行填充,最后融合多个预估模型矩阵计算用户对各个地点偏好值,根据偏好值大小进行排序,为用户生成更加合理的推荐。克服了现有技术中因用户签到数据稀疏造成的生成的推荐结果不准确的缺点,能够向用户推荐更加符合用户心意的推荐点,提升了用户的体验感。
具体实施时,S103包括如下步骤:
基于能量公式计算联合概率式中,v为神经元显层,h为神经元隐层,b和a分别是显层偏置向量和隐层偏置向量,w为参数权重,e为自然指数,i为第i个显层神经元,j为第j个隐层神经元;
基于联合概率计算用户关于兴趣点的分布函数
基于分布函数P(v)计算其最大值对应参数;
基于分布函数P(v)的最大值对应参数计算预估矩阵M0。
本发明利用受限玻尔兹曼机进行计算,设置隐层神经元数量等于显层神经元数量。
在本发明中,签到即表示用户访问过该地点,类似于微信,微博等APP的发说说功能,这个行为称为签到。通过签到的方式可以向好友或者附近人分享该地点的情况,
使人们更多的了解周边有趣的地点信息。
兴趣点从地理上表示一个地点,可以是景点名称、饭店名称,游乐场所等。本文使用数据中兴趣点只包含两个信息,即兴趣点的名称ID和经纬度。
因此,在本发明中,签到矩阵由多个用户构成,如图3所示。
该图表示在某个城市总共有j个地点,用户u1去过地点l2两次,用户u2去过地点l2一次,去过lj四次,0代表用户没有去过该地点,如此可以构造所有用户的签到矩阵。
参数求解更新如表1:
表1.受限玻尔兹曼机参数求解
表1中,σ为激活函数,v0为显层,v1为显层,h0为隐层,h1为隐层。
预估矩阵M0为训练后的显层v1构成。
本发明中,在计算预估矩阵M1时,将表1的输入用户签到向量x换成预估矩阵M0对应向量,放入表1求解预估矩阵M1。将每个向量均输入参数表,将得到的输出向量组合即可最终得到新的矩阵。
在本发明中,在计算预估矩阵M2时,将表1的输入用户签到向量换成兴趣点-用户矩阵对应向量,即地点对应每个用户相关向量,放入表1计算预估矩阵M2。
具体实施时,S106包括如下步骤:
基于公式Mn≈Umk×Ikn计算预估矩阵Mn,式中Umk为用户矩阵,梯度更新公式为Ikn为地点矩阵,梯度更新公式为
上式中,Umk为m行k列矩阵,Ikn为k行n列矩阵,T为转置符号。
利用非负矩阵分解算法求解预估矩阵Mn,由于分解后的矩阵各元素值均为正值,可以用作用户对兴趣点偏好值。
具体实施时,S108包括如下步骤:
按照所述偏好值矩阵Mpre分值由高到低的顺序选取预设个数的所述推荐地点;
按照高到低的顺序基于选取的推荐地点生成推荐列表。
下面为本发明与现有技术中的方案进行的实验对比:
本发明在Foursquare数据集上进行实验,随机选取75%数据作为训练集剩下25%作为测试集,评价标准为准确度Precision@N和召回率Recall@N,N为推荐列表长度,设计实验验证:
对比方法如下:
RBM:基于用户签到矩阵的受限玻尔兹曼机兴趣点推荐算法;
NMF:基于用户签到矩阵的非负矩阵兴趣点推荐算法;
RBMNMF:本发明中基于用户签到稀疏矩阵的深度学习兴趣点推荐方法。
实验结果如图2所示,在Precision@N和Recall@N指标上,本发明的融合模型均优于其他目前典型推荐算法,说明本发明提出的融合基于受限玻尔兹曼机和非负矩阵分解的兴趣点推荐算法模型RBMNMF能够产生较好的推荐效果。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管通过参照本发明的优选实施例已经对本发明进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (4)
1.一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法,其特征在于,包括如下步骤:
S101、获取所有用户的历史签到信息,基于所有用户的历史签到信息计算用户签到矩阵;
S102、基于用户签到矩阵计算用户-兴趣点矩阵和兴趣点-用户矩阵;
S103、基于用户-兴趣点矩阵计算预估矩阵M0;
S104、基于预估矩阵M0计算预估矩阵M1;
S105、基于兴趣点-用户矩阵计算预估矩阵M2;
S106、基于签到矩阵计算预估矩阵Mn;
S107、基于公式Mpre=M0+M1+M2 T+Mn计算用户-兴趣点偏好值矩阵Mpre;
S108、基于偏好值矩阵Mpre生成推荐信息。
2.如权利要求1所述的基于用户签到稀疏矩阵的深度学习兴趣点推荐方法,其特征在于,S103包括如下步骤:
基于能量公式计算联合概率式中,v为神经元显层,h为神经元隐层,b和a分别是显层偏置向量和隐层偏置向量,w为参数权重,e为自然指数,i为第i个显层神经元,j为第j个隐层神经元;
基于联合概率计算用户关于兴趣点的分布函数
基于分布函数P(v)计算其最大值对应参数;
基于分布函数P(v)的最大值对应参数计算预估矩阵M0。
3.如权利要求1所述的基于用户签到稀疏矩阵的深度学习兴趣点推荐方法,其特征在于,S106包括如下步骤:
基于公式Mn≈Umk×Ikn计算预估矩阵Mn,式中Umk为用户矩阵,梯度更新公式为Ikn为地点矩阵,梯度更新公式为
4.如权利要求1所述的基于用户签到稀疏矩阵的深度学习兴趣点推荐方法,其特征在于,S108包括如下步骤:
按照所述偏好值矩阵Mpre分值由高到低的顺序选取预设个数的所述推荐地点;
按照高到低的顺序基于选取的推荐地点生成推荐列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308866.1A CN110008411B (zh) | 2019-04-17 | 2019-04-17 | 一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308866.1A CN110008411B (zh) | 2019-04-17 | 2019-04-17 | 一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008411A true CN110008411A (zh) | 2019-07-12 |
CN110008411B CN110008411B (zh) | 2021-01-26 |
Family
ID=67172665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910308866.1A Active CN110008411B (zh) | 2019-04-17 | 2019-04-17 | 一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008411B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209475A (zh) * | 2019-12-27 | 2020-05-29 | 武汉大学 | 一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置 |
CN112784162A (zh) * | 2021-01-29 | 2021-05-11 | 东北财经大学 | 基于TS24的动态POIs推荐方法 |
CN113076344A (zh) * | 2021-03-26 | 2021-07-06 | 中山大学 | 一种基于用户App数据的个性化地点推荐方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100153292A1 (en) * | 2008-12-11 | 2010-06-17 | Microsoft Corporation | Making Friend and Location Recommendations Based on Location Similarities |
US20100274808A1 (en) * | 2009-04-27 | 2010-10-28 | Scholz Martin B | System and method for making a recommendation based on user data |
US20110093458A1 (en) * | 2009-09-25 | 2011-04-21 | Microsoft Corporation | Recommending points of interests in a region |
US8457544B2 (en) * | 2008-12-19 | 2013-06-04 | Xerox Corporation | System and method for recommending educational resources |
CN106651519A (zh) * | 2016-12-23 | 2017-05-10 | 广州赛宝认证中心服务有限公司 | 基于标签信息的个性化推荐方法和系统 |
CN108920647A (zh) * | 2018-07-03 | 2018-11-30 | 安徽工业大学 | 基于谱聚类的低秩矩阵填充top-n推荐方法 |
CN108960966A (zh) * | 2018-06-07 | 2018-12-07 | 重庆邮电大学 | 一种基于用户偏好的矩阵分解推荐方法 |
CN111324816A (zh) * | 2020-03-05 | 2020-06-23 | 重庆大学 | 一种基于区域划分和上下文影响的兴趣点推荐方法 |
-
2019
- 2019-04-17 CN CN201910308866.1A patent/CN110008411B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100153292A1 (en) * | 2008-12-11 | 2010-06-17 | Microsoft Corporation | Making Friend and Location Recommendations Based on Location Similarities |
US8457544B2 (en) * | 2008-12-19 | 2013-06-04 | Xerox Corporation | System and method for recommending educational resources |
US20100274808A1 (en) * | 2009-04-27 | 2010-10-28 | Scholz Martin B | System and method for making a recommendation based on user data |
US20110093458A1 (en) * | 2009-09-25 | 2011-04-21 | Microsoft Corporation | Recommending points of interests in a region |
CN106651519A (zh) * | 2016-12-23 | 2017-05-10 | 广州赛宝认证中心服务有限公司 | 基于标签信息的个性化推荐方法和系统 |
CN108960966A (zh) * | 2018-06-07 | 2018-12-07 | 重庆邮电大学 | 一种基于用户偏好的矩阵分解推荐方法 |
CN108920647A (zh) * | 2018-07-03 | 2018-11-30 | 安徽工业大学 | 基于谱聚类的低秩矩阵填充top-n推荐方法 |
CN111324816A (zh) * | 2020-03-05 | 2020-06-23 | 重庆大学 | 一种基于区域划分和上下文影响的兴趣点推荐方法 |
Non-Patent Citations (2)
Title |
---|
FAN HE: "Recommendation Algorithm Based on Restricted Boltzmann Machine and Item Type", 《AMCCE 2018》 * |
王凯慈: "基于LBSN签到数据的用户行为预测与兴趣点推荐", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209475A (zh) * | 2019-12-27 | 2020-05-29 | 武汉大学 | 一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置 |
CN111209475B (zh) * | 2019-12-27 | 2022-03-15 | 武汉大学 | 一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置 |
CN112784162A (zh) * | 2021-01-29 | 2021-05-11 | 东北财经大学 | 基于TS24的动态POIs推荐方法 |
CN112784162B (zh) * | 2021-01-29 | 2023-09-19 | 东北财经大学 | 基于TS24的动态POIs推荐方法 |
CN113076344A (zh) * | 2021-03-26 | 2021-07-06 | 中山大学 | 一种基于用户App数据的个性化地点推荐方法及系统 |
CN113076344B (zh) * | 2021-03-26 | 2024-04-05 | 中山大学 | 一种基于用户App数据的个性化地点推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110008411B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555112B (zh) | 一种基于用户正负偏好学习的兴趣点推荐方法 | |
Yu et al. | Geo-friends recommendation in gps-based cyber-physical social network | |
CN110516085A (zh) | 基于双向注意力的图像文本互检索方法 | |
CN109635083B (zh) | 一种用于搜索ted演讲中话题式查询的文档检索方法 | |
CN105069717A (zh) | 一种基于游客信任度的个性化旅游线路推荐方法 | |
CN113505204B (zh) | 召回模型训练方法、搜索召回方法、装置和计算机设备 | |
CN110321291A (zh) | 测试案例智能提取系统及方法 | |
CN110795571A (zh) | 基于深度学习和知识图谱的文化旅游资源推荐方法 | |
CN109902912B (zh) | 一种基于性格特征的个性化图像美学评价方法 | |
CN107633100A (zh) | 一种基于嵌入模型的兴趣点推荐方法及装置 | |
CN110008411A (zh) | 一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法 | |
CN111428127B (zh) | 融合主题匹配与双向偏好的个性化事件推荐方法及系统 | |
CN113139140B (zh) | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 | |
CN109949174A (zh) | 一种异构社交网络用户实体锚链接识别方法 | |
CN109101629A (zh) | 一种基于深度网络结构和节点属性的网络表示方法 | |
CN109726747A (zh) | 基于社交网络推荐平台的数据融合排序方法 | |
CN106156333A (zh) | 一种融合社会化信息的改进单类协同过滤方法 | |
He et al. | Next point-of-interest recommendation via a category-aware Listwise Bayesian Personalized Ranking | |
Yang et al. | Place deduplication with embeddings | |
CN110781256B (zh) | 基于发送位置数据确定与Wi-Fi相匹配的POI的方法及装置 | |
CN112131261A (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
Contractor et al. | Joint Spatio-textual reasoning for answering tourism questions | |
Luan et al. | Collaborative tensor factorization and its application in POI recommendation | |
Xie et al. | We know your preferences in new cities: Mining and modeling the behavior of travelers | |
CN112800111B (zh) | 一种基于训练数据挖掘的位置预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |