CN110874437B - 一种基于多重兴趣点对排序的个性化兴趣点推荐方法 - Google Patents
一种基于多重兴趣点对排序的个性化兴趣点推荐方法 Download PDFInfo
- Publication number
- CN110874437B CN110874437B CN201911115322.XA CN201911115322A CN110874437B CN 110874437 B CN110874437 B CN 110874437B CN 201911115322 A CN201911115322 A CN 201911115322A CN 110874437 B CN110874437 B CN 110874437B
- Authority
- CN
- China
- Prior art keywords
- user
- interest
- points
- data
- interest point
- 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.)
- Active
Links
Images
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
- G06F16/9537—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
- G06F16/953—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
- G06F16/9538—Presentation of query results
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及一种基于多重兴趣点对排序的个性化兴趣点推荐方法,属于位置推荐领域。该方法包括:S1获取用户隐式反馈签到数据;S2对用户隐式反馈签到数据进行分析,挖掘用户签到数据的空间分布特征,确定用户的活动区域;S3计算用户对于各活动区域兴趣点的偏好,并将用户的历史签到数据划分为三种样本;S4将三种样本数据作为多重兴趣点对排序模型的训练数据,采用随机梯度下降算法对模型参数进行迭代学习,获得用户对不同兴趣点的偏好程度;S5根据用户对兴趣点偏好程度的高低向用户推荐一定数量的兴趣点列表。本发明缓解了签到数据稀疏性的影响,同时有助于挖掘用户具有潜在偏好的兴趣点,从而使兴趣点推荐的精确度得到提升。
Description
技术领域
本发明属于位置推荐领域,涉及一种基于多重兴趣点对排序的个性化兴趣点推荐方法。
背景技术
近年来,随着嵌入GPS的移动终端设备(如智能手机、iPad)的普及,基于位置的社交网络(Location-Based Social Network,LBSN)得到了前所未有的发展,例如Foursquare、Gowalla和Yelp等。用户可以通过LBSN对他们在现实生活中访问的地点进行签到,或者留下明确表达他们对这个地方偏好的评分和评论,以供他们的朋友参考。LBSN不仅提供了一个用户和朋友共享位置信息的平台,而且也可以通过用户留下的大量签到和评论等信息发掘更多他们感兴趣的兴趣点,从而辅助用户做出决策。根据用户的偏好向他们推荐兴趣点已经成为了LBSN的一项重要的任务,它能够帮助用户快速地寻找到一座城市中他们可能感兴趣的地点。
贝叶斯个性化排序是目前非常流行的一种配对排序推荐算法,它利用用户签到数据的隐式反馈机制,假设用户对签到过的地点的偏好要大于未签到的地点,来生成用户感兴趣的兴趣点列表。但是,用户的签到数据往往极度稀疏,签到的地点只占所有地点的极少数,剩下的大量的未签到的地点并不能视为用户对它们完全不感兴趣,也有可能是用户可能对其感兴趣,但是由于某些原因目前还未能访问。可见贝叶斯个性化排序推荐算法是存在缺陷的,同时,作为兴趣点推荐模型,它也没有考虑到地理和频率等因素对用户在兴趣点签到的影响,从而影响了推荐准确度。
发明内容
有鉴于此,本发明的目的在于提供一种基于多重兴趣点对排序的个性化兴趣点推荐方法,解决了传统贝叶斯个性化排序推荐算法中由于忽略了用户大量未访问的兴趣点和地理、频率因素影响而导致的推荐准确率低下的问题。
为达到上述目的,本发明提供如下技术方案:
一种基于多重兴趣点对排序的个性化兴趣点推荐方法,具体包括以下步骤:
S1:获取用户隐式反馈签到数据;
S2:对用户隐式反馈签到数据进行分析,挖掘用户隐式反馈签到数据的空间分布特征,确定用户的活动区域;
S3:计算用户对于各活动区域兴趣点的偏好,并将用户的历史签到数据划分为正样本、真实的负样本和潜在的正样本;
S4:将三种样本数据作为多重兴趣点对排序模型的训练数据,采用随机梯度下降算法对模型参数进行迭代学习,获得用户对不同兴趣点的偏好程度;
S5:根据用户对兴趣点偏好程度的高低向用户推荐一定数量的兴趣点列表。
进一步,所述步骤S1中,用户隐式反馈签到数据由用户ID、兴趣点ID、用户签到频率以及兴趣点的经纬度构成。
进一步,所述步骤S2中,通过聚类得到用户u的活动中心集合Cu={cu1,cu2,…,cun}以及由已访问的兴趣点组成的多个活动区域集合Au={au1,au2,…,aun}。
进一步,所述步骤S3具体包括:联合地理因素对用户签到的影响和用户对不同区域的偏好程度,得到用户u对兴趣点im的偏好公式为:
其中,Pgeo表示地理因素对用户签到偏好的影响,Pfreq表示通过签到频率计算出的用户签到偏好,和/>分别表示区域auk的均值向量和协方差矩阵,al表示用户活动区域集合Au中的第l个区域,/>和/>分别表示区域al的均值向量和协方差矩阵;假设用户对于活动区域内兴趣点的偏好要高于活动区域外的兴趣点,将所有的兴趣点样本集合划分为三个子集:正样本集合/>表示用户u访问过的兴趣点集合,真实负样本集合/>表示在用户u活动区域外且未访问过的兴趣点集合,潜在正样本集合/>表示在用户u活动区域内且未访问过的兴趣点集合。
进一步,所述步骤S4具体包括:采用随机梯度下降算法对模型参数进行迭代学习,获得用户对不同兴趣点的偏好程度,包括:对于用户u,在样本集合中采样6个兴趣点,分别为:i、j、k、k′、p、p′,其中以及/>记/>为用户u对于兴趣点i的偏好,计算公式为:
其中,Θ={W,H,b}表示模型参数,>u表示所有兴趣点的全序关系,引入对数似然函数,则多重兴趣点对排序模型最终的损失函数为:
其中,λΘ‖Θ‖2为正则化项,对于σ(·),采用以下公式来计算:
其中δ表示步长。
进一步,所述步骤S5中,在用户u的活动区域为Au的情况下,用户u对兴趣点i的偏好计算公式为:
对P(ui)进行排序,选择排序靠前的若干兴趣点组成列表推荐给用户u。
本发明的有益效果在于:本发明通过对用户历史签到数据的充分挖掘,同时结合地理和频率因素来提高兴趣点推荐的准确度,有效解决了传统贝叶斯个性化排序推荐算法中由于忽略了用户大量未访问的兴趣点和地理、频率因素影响而导致的推荐准确率低下的问题。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明实施例所述方法的流程图;
图2为本发明实施例所述用户历史签到信息空间分布图,其中,图2(a)为一位典型用户签到信息的空间分布图,包含有多个活动区域,主要包含有三个中心点,其中,图2(b)为图2(a)中中心点1的放大分布图,图2(c)为图2(a)中中心点2的放大分布图,图2(d)为图2(a)中中心点3的放大分布图;
图3为本发明实施例采样的兴趣点分布示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图3,图1为基于多重兴趣点对排序的个性化兴趣点推荐方法,包括如下步骤:
S1:获取用户隐式反馈签到数据,包括:用户ID、兴趣点ID、用户签到频率以及兴趣点的经纬度。
S2:对用户隐式反馈签到数据进行分析,挖掘用户签到数据的空间分布特征,分析用户的活动区域。
通过聚类得到用户u的活动中心集合Cu={cu1,cu2,…,cun}以及由已访问的兴趣点组成的多个活动区域集合Au={au1,au2,…,aun},图2(a)所示为一位典型用户签到信息的空间分布图,包含有多个活动区域,主要包含有三个中心点,其中,图2(b)为图2(a)中中心点1的放大分布图,图2(c)为图2(a)中中心点2的放大分布图,图2(d)为图2(a)中中心点3的放大分布图。
S3:计算用户对于各活动区域兴趣点的偏好,并将用户签到数据划分为正样本、真实的负样本和潜在的正样本。
联合地理因素对用户签到的影响和用户对不同区域的偏好程度,得到用户u对兴趣点im的偏好公式为:
其中,Pgeo表示地理因素对用户签到偏好的影响,Pfreq表示通过签到频率计算出的用户签到偏好,和/>分别表示区域auk的均值向量和协方差矩阵,al表示用户活动区域集合Au中的第l个区域,/>和/>分别表示区域al的均值向量和协方差矩阵;假设用户对于活动区域内兴趣点的偏好要高于活动区域外的兴趣点,从而将所有的兴趣点样本划分为三个子集:正样本集合/>表示用户u访问过的兴趣点集合,真实负样本集合/>表示在用户u活动区域外且未访问过的兴趣点集合,潜在正样本集合/>表示在用户u活动区域内且未访问过的兴趣点集合。
S4:将三种样本数据作为多重兴趣点对排序模型的训练数据,采用随机梯度下降算法对模型参数进行迭代学习,获得用户对不同兴趣点的偏好程度。
采用随机梯度下降算法对模型参数进行迭代学习,获得用户对不同兴趣点的偏好程度,包括:如图3所示,对于用户u,在样本集合中采样6个兴趣点,分别为:i、j、k、k′、p、p′,其中,以及,/>记/>表示用户u对于兴趣点i的偏好,计算公式为:/>其中W表示用户潜在因子矩阵,H表示兴趣点潜在因子矩阵,bi表示偏置向量;记/>表示用户u对于兴趣点i和j的偏好差,则根据偏好假设,可得出/> 那么对于所有的用户U,有如下的似然函数:
其中Θ={W,H,b}表示模型参数,>u表示所有兴趣点的全序关系,引入对数似然函数,则多重兴趣点对排序模型最终的损失函数为:
其中λΘ‖Θ‖2为正则化项,对于σ(·),采用以下公式来计算:
其中δ表示步长。
S5:根据用户对兴趣点偏好程度的高低向用户推荐一定数量的兴趣点列表。
通过对所有用户都按照上述步骤S1~步骤S4来执行,则可根据每位用户的具体签到偏好表现向其做出个性化推荐。
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,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种基于多重兴趣点对排序的个性化兴趣点推荐方法,其特征在于,该方法具体包括以下步骤:
S1:获取用户隐式反馈签到数据;
S2:对用户隐式反馈签到数据进行分析,挖掘用户隐式反馈签到数据的空间分布特征,确定用户的活动区域;
通过聚类得到用户u的活动中心集合Cu={cu1,cu2,…,cun}以及由已访问的兴趣点组成的多个活动区域集合Au={au1,au2,…,aun};
S3:计算用户对于各活动区域兴趣点的偏好,并将用户的历史签到数据划分为正样本、真实的负样本和潜在的正样本;
联合地理因素对用户签到的影响和用户对不同区域的偏好程度,得到用户u对兴趣点im的偏好公式为:
其中,Pgeo表示地理因素对用户签到偏好的影响,Pfreq表示通过签到频率计算出的用户签到偏好,和/>分别表示区域auk的均值向量和协方差矩阵,al表示用户活动区域集合Au中的第l个区域,/>和/>分别表示区域al的均值向量和协方差矩阵;假设用户对于活动区域内兴趣点的偏好要高于活动区域外的兴趣点,将所有的兴趣点样本集合划分为三个子集:正样本集合/>表示用户u访问过的兴趣点集合,真实负样本集合/>表示在用户u活动区域外且未访问过的兴趣点集合,潜在正样本集合/>表示在用户u活动区域内且未访问过的兴趣点集合;
S4:将三种样本数据作为多重兴趣点对排序模型的训练数据,采用随机梯度下降算法对模型参数进行迭代学习,获得用户对不同兴趣点的偏好程度,具体包括:对于用户u,在样本集合中采样6个兴趣点,分别为:i、j、k、k′、p、p′,其中以及/>记/>为用户u对于兴趣点i的偏好,计算公式为:
其中,Θ={W,H,b}表示模型参数,>u表示所有兴趣点的全序关系,引入对数似然函数,则多重兴趣点对排序模型最终的损失函数为:
其中,λΘ‖Θ‖2为正则化项,对于σ(·),采用以下公式来计算:
其中δ表示步长;
S5:根据用户对兴趣点偏好程度的高低向用户推荐一定数量的兴趣点列表。
2.根据权利要求1所述的基于多重兴趣点对排序的个性化兴趣点推荐方法,其特征在于,所述步骤S1中,用户隐式反馈签到数据由用户ID、兴趣点ID、用户签到频率以及兴趣点的经纬度构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911115322.XA CN110874437B (zh) | 2019-11-14 | 2019-11-14 | 一种基于多重兴趣点对排序的个性化兴趣点推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911115322.XA CN110874437B (zh) | 2019-11-14 | 2019-11-14 | 一种基于多重兴趣点对排序的个性化兴趣点推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874437A CN110874437A (zh) | 2020-03-10 |
CN110874437B true CN110874437B (zh) | 2023-06-16 |
Family
ID=69718347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911115322.XA Active CN110874437B (zh) | 2019-11-14 | 2019-11-14 | 一种基于多重兴趣点对排序的个性化兴趣点推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874437B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667298B (zh) * | 2020-04-15 | 2022-09-30 | 合肥工业大学 | 用户个性化需求预测方法和系统 |
CN111538904B (zh) * | 2020-04-27 | 2023-03-17 | 北京百度网讯科技有限公司 | 用于推荐兴趣点的方法和装置 |
CN112650932B (zh) * | 2021-01-04 | 2022-09-23 | 重庆邮电大学 | 一种融合社交和位置关系的神经协同过滤poi推荐方法 |
CN112765493B (zh) * | 2021-01-04 | 2022-07-05 | 武汉大学 | 一种用于兴趣点推荐的获取时间偏好融合序列偏好的方法 |
CN113158030B (zh) * | 2021-03-12 | 2023-08-01 | 北京百度网讯科技有限公司 | 异地兴趣点的推荐方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492166A (zh) * | 2018-08-06 | 2019-03-19 | 北京理工大学 | 基于签到时间间隔模式的连续兴趣点推荐方法 |
CN109508428A (zh) * | 2019-01-21 | 2019-03-22 | 宿州学院 | 基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法 |
WO2019205795A1 (zh) * | 2018-04-26 | 2019-10-31 | 腾讯科技(深圳)有限公司 | 兴趣推荐方法、计算机设备及存储介质 |
-
2019
- 2019-11-14 CN CN201911115322.XA patent/CN110874437B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019205795A1 (zh) * | 2018-04-26 | 2019-10-31 | 腾讯科技(深圳)有限公司 | 兴趣推荐方法、计算机设备及存储介质 |
CN109492166A (zh) * | 2018-08-06 | 2019-03-19 | 北京理工大学 | 基于签到时间间隔模式的连续兴趣点推荐方法 |
CN109508428A (zh) * | 2019-01-21 | 2019-03-22 | 宿州学院 | 基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法 |
Non-Patent Citations (2)
Title |
---|
Point-of-Interest Recommendation Based on Spatial Clustering in LBSN;Chang Su等;《2018 4th Annual International Conference on Network and Information Systems for Computers (ICNISC)》;20190919;全文 * |
基于用户兴趣和地理因素的兴趣点推荐方法;苏畅等;《计算机科学》;20190430;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110874437A (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110874437B (zh) | 一种基于多重兴趣点对排序的个性化兴趣点推荐方法 | |
CN109241454B (zh) | 一种将社交网络和图像内容融合的兴趣点推荐方法 | |
CN108460101B (zh) | 面向位置社交网络基于地理位置正则化的兴趣点推荐方法 | |
CN109948066B (zh) | 一种基于异构信息网络的兴趣点推荐方法 | |
Zhao et al. | Personalized recommendations of locally interesting venues to tourists via cross-region community matching | |
CN107766462B (zh) | 基于用户偏好、社交信誉度和地理位置的兴趣点推荐方法 | |
Yuan et al. | Joint geo-spatial preference and pairwise ranking for point-of-interest recommendation | |
CN110119475B (zh) | 一种poi推荐方法及推荐系统 | |
CN111241419B (zh) | 一种基于用户关系嵌入模型的下一个兴趣点推荐方法 | |
WO2018205817A1 (zh) | 应用推荐方法、装置及服务器 | |
Li et al. | Multi-layered friendship modeling for location-based mobile social networks | |
CN106960044B (zh) | 一种基于张量分解及加权hits的时间感知个性化poi推荐方法 | |
Li et al. | Point-of-interest recommender systems: A separate-space perspective | |
CN108829761B (zh) | 一种兴趣点推荐方法、系统、介质及设备 | |
US20210160653A1 (en) | System and method for accurately and efficiently generating ambient point-of-interest recommendations | |
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 | |
CN110134883B (zh) | 一种异构社交网络位置实体锚链接识别方法 | |
CN111680228B (zh) | 基于地理位置融合和类别流行度的兴趣点推荐方法 | |
CN111428127A (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 | |
Gu et al. | Context aware matrix factorization for event recommendation in event-based social networks | |
Zhao et al. | Annotating points of interest with geo-tagged tweets | |
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 | |
Xie et al. | We know your preferences in new cities: Mining and modeling the behavior of travelers | |
CN111259268A (zh) | Poi推荐模型的构建方法及系统 | |
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 |
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 |