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

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

一种基于多重兴趣点对排序的个性化兴趣点推荐方法

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C_u＝{c_u1,c_u2,…,c_un}以及由已访问的兴趣点组成的多个活动区域集合A_u＝{a_u1,a_u2,…,a_un}。

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i_m的偏好公式为：

其中，P_geo表示地理因素对用户签到偏好的影响，P_freq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a_uk的均值向量和协方差矩阵，a_l表示用户活动区域集合A_u中的第l个区域，/>

和/>

分别表示区域a_l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，W表示用户潜在因子矩阵，H表示兴趣点潜在因子矩阵，b_i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，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，λ_Θ‖Θ‖²为正则化项，对于σ(·)，采用以下公式来计算：

采用随机梯度下降算法来优化上述损失函数，在每次迭代中，从

三个兴趣点集合中随机采样6个兴趣点，然后通过以下公式更新模型参数：

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A_u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C_u＝{c_u1,c_u2,…,c_un}以及由已访问的兴趣点组成的多个活动区域集合A_u＝{a_u1,a_u2,…,a_un}，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i_m的偏好公式为：

其中，P_geo表示地理因素对用户签到偏好的影响，P_freq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a_uk的均值向量和协方差矩阵，a_l表示用户活动区域集合A_u中的第l个区域，/>

和/>

分别表示区域a_l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，b_i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λ_Θ‖Θ‖²为正则化项，对于σ(·)，采用以下公式来计算：

采用随机梯度下降算法来优化上述损失函数，在每次迭代中，从

三个兴趣点集合中随机采样6个兴趣点，然后通过以下公式更新模型参数：

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。

在用户u的活动区域为A_u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。

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C_u＝{c_u1,c_u2,…,c_un}以及由已访问的兴趣点组成的多个活动区域集合A_u＝{a_u1,a_u2,…,a_un}；

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i_m的偏好公式为：

其中，P_geo表示地理因素对用户签到偏好的影响，P_freq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a_uk的均值向量和协方差矩阵，a_l表示用户活动区域集合A_u中的第l个区域，/>

和/>

分别表示区域a_l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，W表示用户潜在因子矩阵，H表示兴趣点潜在因子矩阵，b_i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，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，λ_Θ‖Θ‖²为正则化项，对于σ(·)，采用以下公式来计算：

采用随机梯度下降算法来优化上述损失函数，在每次迭代中，从

三个兴趣点集合中随机采样6个兴趣点，然后通过以下公式更新模型参数：

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。

3.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S5中，在用户u的活动区域为A_u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。

Images