CN111061961B - 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 - Google Patents
一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 Download PDFInfo
- Publication number
- CN111061961B CN111061961B CN201911137480.5A CN201911137480A CN111061961B CN 111061961 B CN111061961 B CN 111061961B CN 201911137480 A CN201911137480 A CN 201911137480A CN 111061961 B CN111061961 B CN 111061961B
- Authority
- CN
- China
- Prior art keywords
- interest
- user
- points
- point
- matrix
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000009826 distribution Methods 0.000 claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 56
- 239000013598 vector Substances 0.000 claims description 46
- 230000004927 fusion Effects 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008034 disappearance Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000013486 operation strategy Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统。首先,根据社交关系中好友与非好友对用户决策的影响,结合用户评分利用自适应带宽核密度方法,计算用户签到的个性化分布,并得出兴趣点间的相关性。然后,由于Bi‑LSTM输出的序列具有词语语义和词序列前后间语法等隐藏信息的特征,而CNN擅长从一系列特征中捕捉显著特征,故而将Bi‑LSTM和CNN叠加组成新的深层神经网络,从而学习用户和兴趣点的潜在特征。最后,通过概率矩阵方法将社交、地理位置、分类偏好以及潜在特征相融合,预测用户的个性化偏好,从而达到个性化推荐的目的。
Description
技术领域
本发明涉及信息推荐技术领域,具体涉及一种基于融合多特征的矩阵分解兴趣点推荐方法及其实现系统。
背景技术
随着智能手机及智能设备的不断发展,基于位置社交网络(Location BasedSocial Networks, 简称LBSN)的应用(如Yelp、Foursquare、街旁等)吸引着越来越多的用户共享他们的签到状态、位置以及相关评论等。基于位置的社交网络兴趣点推荐就是通过过滤社交网络中海量的信息,为用户提供最具有吸引力和最相关的兴趣点(如酒店、餐厅、景点等),减轻信息负载带来的负面影响,从而促进了兴趣点推荐在大数据时代的不断发展。
近年来,兴趣点(Point of Interest, 简称POI)推荐已经成为一个非常热门的研究课题。当前,大多数的兴趣点推荐方法都是基于用户的历史签到信息和情景信息(包括社交关系、类别信息等)以及评论信息来挖掘用户对未访问的兴趣点的偏好。但是已有的兴趣点推荐方法存在诸多问题。例如,数据稀疏问题、情景信息利用问题、评论信息在矩阵分解中的利用问题、评论信息学习模型自身的缺陷问题等。
为了降低数据的稀疏性,许多兴趣点推荐方法将用户的历史签到信息及其情景信息(如评分、地点、时间、社交关系等)结合来挖掘用户对于未签到的兴趣点的偏好。然而,在将这些情景信息以数学模型表示时,大部分都只考虑其特征中的一种情况,不能准确有效地表示该情景信息或者说会忽略该情景信息中的一些信息(例如,在考虑社交关系时仅考虑用户和好友之间的关系),这会对结果造成一定的偏差。大多数研究在矩阵分解中仅利用用户和POI的描述文档而忽略了用户本身的特征属性。诸多基于深度学习的兴趣点推荐研究中都仅仅利用一种模型学习评论文本的内容表示。然而,单个模型都或多或少存在自身的缺点,这些缺点往往都被忽略。因此,利用单个模型学习评论文本的内容表示可能会遗忘或忽视文本中的部分内容,造成推荐结果的偏差。
发明内容
有鉴于此,有必要提供一种充分利用评论文本、提供个性化推荐兴趣点的融合多特征的矩阵分解兴趣点推荐方法及其实现系统。
一种融合多特征的矩阵分解兴趣点推荐方法,包括以下步骤:
步骤一,重构多源异构特征,所述多源异构特征包括对地理位置信息、类别偏好信息和社交关系信息,对所述多源异构特征进行重构,对应得到用户评分矩阵、分类偏好矩阵、流行度矩阵和用户活跃度;
步骤二,利用文本信息挖掘用户和兴趣点的潜在模型,生成一个混合深度神经网络HDNN结构,以自上而下的方式学习文档的潜在分布表示,通过分析用户和兴趣点的评论文档,生成文档潜在模型;
步骤三,基于乘法法则融合所述多源异构特征,生成融合地理位置、类别偏好、社交关系及混合深度神经网络的多特征融合的概率矩阵分解模型,并对概率矩阵分解模型中的参数进行优化,以预测用户的个性化偏好。
进一步地,步骤一中的所述地理位置信息的重构是指利用用户已访问的兴趣点和未访问的兴趣点间的地理位置关系来估算用户在未访问兴趣点上的相关得分,根据每个用户已访问过的兴趣点估算地理坐标上的个性化签到分布;所述类别偏好信息的重构是指将用户对类别的偏好和兴趣点的流行度计算用户和兴趣点之间的关联评分;所述社交关系信息的重构是指通过用户间的相似性对用户的签到行为进行分析,在皮尔森相关系数法的基础上,利用用户活跃度重新定义用户的相似性。
进一步地,步骤二中的所述混合深度神经网络包括双向长短期记忆网络和卷积神经网络,所述双向长短期记忆网络用于构建用户和兴趣点评论文档中每个文本句子的表示,所述卷积神经网络用于将所有文本块的语义及其关系编码到文档表示中。
进一步地,所述混合深度神经网络包括嵌入层、双向长短期记忆网络层、卷积神经网络层、池化层和输出层,其中:
所述双向长短期记忆网络层用于挖掘文档中词序列间的隐藏信息;双向长短期记忆网络同时对文档中每个词的上下文信息进行语义编码并对其前后信息进行建模,将前向LSTM的输出序列和后向LSTM的输出序列/>连接起来作为下一层卷积层的输入;第/>时刻隐藏向量/>的更新公式如下:
所述卷积神经网络层用于抽取文本句子间的结构特征;在卷积层,每个神经元使用一个滤波器/>,其中/>为卷积计算的滑动窗口,/>为LSTM层输出向量的大小;对/>运用卷积算子/>计算出新的特征/>,如式(9)表示:
所述池化层用于从卷积神经网络层提取具有代表性的特征,并通过池化操作将可变长度的文档构造成固定长度的向量特征;利用max-pooling操作,从每个上下文特征向量中提取最大上下文特征,将一个文档的表示缩减为一个定长向量,如式(10)和式(11)表示:
进一步地,所述混合深度神经网络首先通过Embedding函数构建所述嵌入层,输出序列S;其次通过Bidirectional函数构建所述双向长短期记忆网络层;再将双向长短期记忆网络层的输出输入到卷积神经网络层的卷积操作中,并对卷积的结果进行降维,其中的激活函数为tanh函数;然后利用dropout函数防止结果过拟合;最后构建混合深度神经网络模型及设置其损失函数。
进一步地,步骤三中的所述基于乘法法则融合所述多源异构特征是指采用乘法法则融合地理、社交与分类偏好相关分数,并将这些分数融合到概率矩阵分解模型中;首先评估用户所在位置经纬度坐标的个性化签到分布,基于地理相关性,推导用户对未签到的兴趣点的地理相关分数;然后根据其他用户已签到的兴趣点,利用用户的社交关系,推导用户对未签到的兴趣点的社会相关分数;最后,根据用户已签到的兴趣点与未签到的兴趣点的分类与流行度,基于分类相关性,推导用户对未签到的兴趣点的分类相关分数。
进一步地,步骤三中的所述多特征融合的概率矩阵分解模型中集成了混合深度神经网络、地理位置信息、类别偏好信息和社交关系信息的重构的多源异构特征。
进一步地,步骤三中的所述对概率矩阵分解模型中的参数进行优化是指通过使用极大后验估计法,以实现优化混合深度神经网络的用户潜在模型、兴趣点潜在模型、权重和偏置变量。
以及,一种融合多特征的矩阵分解兴趣点推荐的实现系统,其用于实现如上所述的融合多特征的矩阵分解兴趣点推荐方法,该实现系统包括:
重构多源异构特征模块,利用用户和兴趣点的评论信息、地理信息、分类信息、用户的社交信息、用户属性信息以及兴趣点的签到信息和评论内容对地理位置信息、类别偏好信息和社交关系信息进行重构;
混合深度神经网络模块,用于利用文档信息挖掘用户和兴趣点的潜在模型,以自上而下的方式学习文档的潜在分布表示;
多特征融合的概率矩阵分解模型模块,用于形成融合混合深度神经网络、地理位置信息、类别偏好信息和社交关系信息的重构的多源异构特征的概率矩阵分解模型。
进一步地,所述混合深度神经网络模块包括嵌入层模块、双向长短期记忆网络层模块、卷积神经网络层模块、池化层模块和输出层模块,其中:
所述嵌入层模块用于提取文档的语义信息,并将每个词转换为实值向量,把每个文本片段表示为单词嵌入序列;
所述双向长短期记忆网络层模块用于挖掘文档中词序列间的隐藏信息;
所述卷积神经网络层模块用于抽取文本句子间的结构特征;
所述池化层模块用于从卷积神经网络层提取具有代表性的特征,并通过池化操作将可变长度的文档构造成固定长度的向量特征;
所述输出层模块用于将原始文档转换为密集的分布表示形式,防止结果过拟合。
本发明主要有以下几个方面的贡献:
1) 本软件提出一种融合评分的自适应带宽核密度评估法,构建兴趣点之间的地理位置相关性;通过信息熵计算用户的活跃度,结合用户活跃度和皮尔森相关系数法计算用户相似性,并和用户的社交朋友关系相结合计算用户社交相关性;结合用户分类偏好和兴趣点流行度构建分类相关性。提出融合评论信息、地理位置、分类偏好和社交关系的概率矩阵分解模型。实验结果表明,与其他前沿方法比较,本方法在评分预测精度和top-k推荐的召回率中表现更好。
2) 本软件利用叠加的双向长短期记忆网络(Bi-directional Long-Short TermMemory, Bi-LSTM)和卷积神经网络(Convolutional Neural Networks, CNN)的混合深度神经网络(HDNN)获取评论信息中用户和POIs的潜在特征,并且同时考虑词序和上下文对用户和POIs的潜在特征的影响,生成比LDA模型更好的潜在特征表示。特别是在用户-POIs签到矩阵比较稀疏时,叠加的混合深度神经网络有助于深入的了解评论信息,产生更好的潜在模型。实验结果表明,本软件的HDNN模型有更好的潜在特征学习能力。
上述基于融合多特征的矩阵分解兴趣点推荐方法及其实现系统中,根据社交关系中好友与非好友对用户决策的影响;结合用户评分利用自适应带宽核密度方法,计算用户签到的个性化分布,并得出POI间的相关性;由于Bi-LSTM输出的序列具有词语语义和词序列前后间语法等隐藏信息的特征,而CNN擅长从一系列特征中捕捉显著特征,故而将Bi-LSTM和CNN叠加组成新的深层神经网络,从而学习用户和POIs的潜在特征。最后,通过概率矩阵方法将社交、地理位置、分类偏好以及潜在特征相融合,预测用户的个性化偏好,从而达到个性化推荐的目的。
附图说明
图1是本发明实施例的融合多特征的矩阵分解兴趣点推荐方法的混合深度神经网络结构图。
图2是本发明实施例的融合多特征的矩阵分解兴趣点推荐方法的双向长短期记忆网络结构图。
图3是本发明实施例的融合多特征的矩阵分解兴趣点推荐方法的多特征融合的概率矩阵分解模型结构图。
具体实施方式
本实施例以融合多特征的矩阵分解兴趣点推荐方法为例,以下将结合具体实施例和附图对本发明进行详细说明。
请参阅图1、图2和图3,示出本发明实施例提供的一种融合多特征的矩阵分解兴趣点推荐方法。
从多源异构特征重构、上下文感知的混合网络模型、多特征融合的矩阵分解兴趣点推荐这三个方面详细阐述该软件的具体实施细节。
1.多源异构特征重构
首先给出涉及到的相关定义,然后详细讨论地理位置、类别偏好、社交关系信息的重构方法。涉及到的主要符号有:U={u 1,u 2,…,u L}为用户的集合,L表示用户的数量;V={v 1,v 2,…,v J}为LBSNs中所有兴趣点的集合,J表示兴趣点的数量;C={c 1,c 2,…,c K}为兴趣点类别的集合,为类别的数量且一个兴趣点可以同时属于多个分类。下面给出研究过程中需要用到的相关定义。
1.1地理位置信息重构
根据地理学第一定律(Tobler's First Law of Geography):所有事物间都是存在联系的,但距离越近的事物关联性更强;用户的签到行为具有聚集效应(ClusteringPhenomenon),即用户在一个兴趣点签到的概率和距该兴趣点的远近呈反比。本软件利用用户已访问的POIs和未访问的POIs间的地理位置关系来估计用户在未访问POIs上的相关得分。根据每个用户已访问过的POIs估计地理坐标上的个性化签到分布。
目前的工作基于非参数估计方法从用户的签到信息中学习分布形式,即,用固定带宽估计核密度。然而,固定带宽并没有反映用户签到数据中的事实:人口密集的城市地区签到密度高,人口稀少的农村地区签到密度低。每个用户的签到分布是不同的。为此,针对每个用户的签到数据调整内核带宽,并从签到数据中学习自适应带宽。通常,自适应核密度估计方法包括三个步骤:试点估计、局部带宽确定和自适应核估计。
首先,基于固定带宽核密度估计法找到一个试点估计。令集合为用户已访问POI的集合。/>中的每一个POI/>都有一对经纬度坐标/>。通常情况下,用户对某个POI感兴趣会表现为评分高或访问频率高。故而,将用户/>在兴趣点/>上的评分(即)作为POI/>的权重。用户u在未访问的POIv上的签到分布的试点估计为/>,如式(2)表示。
其中,为用户u访问的所有兴趣点两两之间的距离集合。/>是包含两个全局带宽/>的固定带宽/>的标准高斯核函数,两个全局带宽表示为式(6)与式(7)。由在地理位置信息中,两点的距离处在非欧式空间中,故而兴趣点之间的距离通过/>来计算,如式(4)表示。
根据上述公式可得到一个结论:当POI在一个高签到密度区域时,试点估计值会较大,自适应当地带宽会较小,而生成的自适应核密度评估趋近峰值;相反,当POI/>在一个低签到密度区域时,试点估计值会较小,自适应当地带宽较大,而生成的自适应核密度评估结果较平滑。
1.2类别偏好信息重构
在LBSN中,每一个兴趣点都可能属于多个类别,且兴趣点的类别往往给人们提示该兴趣点内的活动以及可能提供的产品和服务。例如,一个人在餐馆签到意味着他可能在那里吃饭,一家日料店则表示可以为顾客提供传统日本料理。在现实中,人们对兴趣点的类别具有明显的偏见,例如,一个爱好美食的人喜欢去餐馆品尝各种各样的食物。因此,可以通过挖掘用户已访问的兴趣点和未访问的兴趣点之间的类别相关性,从而得出用户对未访问过的兴趣点的评分。
此外,兴趣点的流行度反映了兴趣点所提供的产品和服务的质量,例如,一家受欢迎的餐厅通常表明它提供的食物和服务令人满意。因此,利用兴趣点的流行度对兴趣点的推荐是有效的。
本软件将用户对类别的偏好和兴趣点的流行度计算用户和兴趣点之间的关联评分。该方法分为三个步骤:通过类别偏好计算流行度、计算类别流行度的分布估计、计算类别相关分数。
首先,定义为用户/>对类别/>的偏好,即用户/>已签到的属于类别/>的兴趣点的频率。然后,叠加兴趣点/>各时间段的流行度定义为兴趣点/>的流行度/>。故,用户/>在未访问POI/>上的类别流行度/>为:
概率密度函数相对于类别流行度是单调递减的,由于用户偏好的流行兴趣点也应该满足用户的类别偏好,故而,类别相关分数相对于类别流行度应该是单调递增的。定义的类别相关分数为/>。由于/>,/>相对于类别流行度/>是一个递增函数,如式(15)表示。
1.3社交关系信息重构
在真实的LBSN中,用户间的相互作用会对用户的签到行为产生影响,且这种影响不仅仅体现在朋友之间,也体现在用户的属性和相似度上。我们通过用户间的相似性对用户的签到行为进行分析。由于皮尔森相关系数法是通过用户的评分来计算用户的相似度,而用户的评分通常是稀疏的,故而在皮尔森相关系数的基础上,利用用户活跃度重新定义用户的相似性。
由于朋友间会分享更多共同的兴趣,且相似用户的兴趣更相似,所以社交相关分数相对于社交签到评分应该是单调递增的,而概率密度函数相对于社交签到评分/>是单调递减的。基于概率密度函数/>定义/>的社交相关分数为/>,如式(21)表示。由于/>,则/>相对于社交签到评分/>是一个递增函数。
2.上下文感知的混合网络模型
本软件利用文本信息挖掘用户和兴趣点的潜在模型,提出一个新的混合深度神经网络(Hybrid Deep Neural Network,简称HDNN)结构,以自上而下的方式(即,上下文感知)学习文档的潜在分布表示(把一个用户或兴趣点的评论作为一个文档)。这里详细阐述混合深度神经网络的层次结构,通过分析用户和兴趣点的评论文档,生成文档潜在模型。由于双向长短期记忆网络(Bi-directional Long Short-Term Memory,Bi-LSTM)可以挖掘词序列间的隐藏信息,但易忽略文本句子间的结构信息;而卷积神经网络(Convolutional NeuralNetwork,CNN)具有位移不变性的优势,可以有效抽取文本句子间的结构特征,但很难察觉词序列间的隐藏信息。因此,本软件首先利用Bi-LSTM构建用户和兴趣点评论文档中每个文本句子的表示;然后,利用CNN将所有文本块的语义及其关系编码到文档表示中。混合深度神经网络结构如图1所示,主要由嵌入层、Bi-LSTM层、卷积层、池化层和输出层组成。
2.1嵌入层
其中,向量表示第/>个单词的向量。为保持单词在文本块/>中的顺序,将单词嵌入的向量连接在一起,可以克服词袋技术的缺陷。将文档按时间顺序排列成/>个文本块,得到一个序列:/>,其中,/>是第/>个文本块的子序列。
2.2Bi-LSTM层
传统的递归神经网络模型即使能在词与词之间传递语义信息,也不能捕获远距离的语义连接。且在参数训练过程中,梯度逐渐减小直至消失。长短期记忆网络(Long Short-Term Memory, LSTM)通过引入输入门、输出门、遗忘门和存储器单元,克服了梯度消失和长距离依赖的问题。但LSTM只能向前学习文本信息,即只能学习当前词的上文信息,无法获得下文信息。通常词的语义与上下文都相关,并且评论句往往有两种表达顺序,例如,“spotisperfect”和“theperfectspot”。考虑到词序的影响和词与词之间的依赖关系,这里利用双向长短期记忆网络(Bi-LSTM)代替LSTM,既解决了梯度消失和长距离依赖的问题,又能充分考虑上下文的语义信息。
Bi-LSTM网络可以同时对文档中每个词的上下文信息进行语义编码并对其前后信息进行建模,将前向LSTM的输出序列和后向LSTM的输出序列/>连接起来作为下一层卷积层的输入。第/>时刻隐藏向量/>的更新公式如下:
2.3卷积层
2.4池化层
池化层会从卷积层提取具有代表性的特征,并通过池化操作将可变长度的文档构造成固定长度的向量特征。在卷积层后,每个滤波器生成一个可变长度(即,大小为)的特征映射。然而,这种表示方式存在两个问题:1)上下文特征太多,其中大部分上下文特征可能无助于提高性能;2)上下文特征向量的长度不同,使得构建下层变得困难。因此,这里利用max-pooling操作,仅从每个上下文特征向量中提取最大上下文特征,将一个文档的表示缩减为一个定长向量。如式(24)和式(25)表示。
为了引入非线性,在max-pooling的基础上进一步添加一个激活函数——双曲正切函数()。在文本分析中,通常会考虑多个窗口大小,因此最终将不同单词窗口生成的所有特征向量串联起来,形成/>的最终表示形式。例如,当/>时,得到的最终表示形式为/>。这里使用连接而不是平均来合并所有的特征向量。这种处理有助于为后续处理保留足够的特性,并实现更好的建模性能。
2.5输出层
其中,为/>投影矩阵,/>为/>的偏置向量,/>为池化层的输出。此外,使用dropout防止过拟合,dropout是一项用于神经网络的正则化技术,目的是防止过拟合。在训练的过程中随机丢弃神经元及其连接,如果dropout的概率是/>,那么神经元被保留的概率为/>。在参数更新过程中,只有模型的一部分参数更新,即/>和/>被更新,从而更新投影/>。通过这种方法在训练过程中减少神经元之间复杂的共适应关系。
通过上述过程,可以将原始文档转换为密集的分布表示形式。假设和/>是兴趣点和用户的评论输入文档,使用函数/>将/>表示为/>,而使用函数/>将用户评论文档/>表示为投影/>。/>表示混合深度神经网络(HDNN)中所有权值和偏置变量的参数,/>和/>是兴趣点和用户的分布表示。将POI/>的评论文档表示为/>;将用户/>的评论文档表示为/>。
利用Keras,通过指定的输入、输出和损失函数,为所提出的混合深度神经网络构建一个抽象模型。算法1给出了基于Keras函数API的HDNN模型的实现。
在算法1中,将HDNN模型分为四层,通过Embedding函数构建HDNN的嵌入层,输出序列S;Bidirectional函数构建Bi-LSTM层,其中“concat”的作用是将前后向LSTM的输入连接在一起;将Bi-LSTM层的输出输入到CNN层的卷积操作中,并对卷积的结果进行降维,且激活函数为“tanh”;利用dropout函数对结果进行处理,以防止过拟合;最后构建HDNN模型及设置其损失函数。
3.多特征融合的矩阵分解兴趣点推荐
3.1基于乘法法则的属性特征融合
关于兴趣点推荐,在之前的研究工作中,乘法法则被广泛应用于融合不同的因素,并显示了高鲁棒性。因此,本软件采用乘法法则融合地理、社交与分类偏好相关分数,并将这些分数融合到概率矩阵分解模型中。
首先评估用户所在位置经纬度坐标的个性化签到分布,基于地理相关性,推导用户对未签到的兴趣点的地理相关分数;然后根据其他用户已签到的兴趣点,利用用户的社交关系,推导用户对未签到的兴趣点的社会相关分数;最后,根据用户已签到的兴趣点与未签到的兴趣点的分类与流行度,基于分类相关性,推导用户对未签到的兴趣点的分类相关分数。用户在兴趣点/>上的签到评分由用户和兴趣点这两种因素所决定。评价/>反映用户与兴趣点之间的地理、社会与分类相关性。地理、社会与分类相关分数越高,则评价/>越高。这里融合地理、社会与分类相关分数,由式(10)、式(15)和式(21)给定的相关分数,关于用户/>对兴趣点/>的偏好,基于乘法法则,把这些相关分数整合到一个统一的偏好分数/>中,如式(27)表示。
3.2多特征融合的概率矩阵分解模型
多特征融合的概率矩阵分解模型(Probabilistic Matrix Factorization ofMulti-Feature, 简称Multi-F_PMF)的结构如图3所示,该模型将混合深度神经网络(HDNN)、社交、地理位置和类别集成到此概率矩阵分解模型中。
当把PMF预测用户对兴趣点的评分时,使用特征向量表示用户/>,兴趣点/>用特征向量/>表示,其中/>和/>分别表示用户潜在偏移量(用于捕获特定兴趣点的用户偏置),以及兴趣点潜在偏移量(用于捕获特定用户的兴趣点首选项),如式(28)表示。
在现实系统中,有很多因素可以决定用户对某个兴趣点的评分,例如,社会影响、个人兴趣和地理位置等。完全依赖评论内容来表示用户或兴趣点是不合理的。因此,我们将地理位置、社交关系和类别偏好融入到PMF中,且//>在考虑评分时,可以捕捉到用户和兴趣点的评论内容与其潜在模型之间的差异,从而使评分矩阵的因子分解更加合理和可解释性。
3.3Multi-F_PMF模型的优化
为了优化HDNN的用户潜在模型、兴趣点潜在模型、权重和偏置等变量,这里使用了极大后验(Maximum A Posteriori, 简称MAP)估计法。
后验函数的极大化等价于式(29)的完全对数似然的极大化,可以得到目标函数如式(30)表示。
然而,和/>不能像/>和/>那样通过解析进行优化,因为/>和/>与混合神经神经网络架构中的最大池层和非线性激活函数等特性密切相关。但当/>和/>固定时,损失函数L就为一个带L2正则项的平方误差函数,如式(32)表示。
根据式(32),使用反向传播分别用给定的目标值和/>对/>和/>进行优化。此处利用dropout来处理过拟合问题,使得/>始终为0。在此情况下,参数/>和/>的方差是无穷多个的(即,可以取任何值)。这里保留/>以保证概率模型的完整性。在实现过程中,实例化两个HDNN模块,然后利用fit函数来训练参数/>、/>、/>、/>。在拟合过程中,均方误差/>,即最小化式(32)的结果。
在算法2中,首先分别对每个兴趣点和用户的评论信息序列化,然后分别构建用户和兴趣点的HDNN模型。在预先设置的迭代次数内循环训练HDNN模型,直至误差小于预设值。循环语句中的具体操作为:将序列化后的评论信息输入到相应的HDNN模型中,修正和/>,更新两个HDNN模块的参数W1和W2。根据式(31)更新/>和/>,并根据均方误差mse更新权重/>和/>及误差值/>和/>,最后将式(27)计算的结果加入到预测的评分/>中计算,当损失值小于预先设定的值时,结束循环;否则继续循环。最后返回目标函数值对应的参数值。
以及,一种融合多特征的矩阵分解兴趣点推荐的实现系统,其用于实现如上所述的融合多特征的矩阵分解兴趣点推荐方法,该实现系统包括:
重构多源异构特征模块,利用用户和兴趣点的评论信息、地理信息、分类信息、用户的社交信息、用户属性信息以及兴趣点的签到信息和评论内容对地理位置信息、类别偏好信息和社交关系信息进行重构;
混合深度神经网络模块,用于利用文档信息挖掘用户和兴趣点的潜在模型,以自上而下的方式学习文档的潜在分布表示;
多特征融合的概率矩阵分解模型模块,用于形成融合混合深度神经网络、地理位置信息、类别偏好信息和社交关系信息的重构的多源异构特征的概率矩阵分解模型。
进一步地,所述混合深度神经网络模块包括嵌入层模块、双向长短期记忆网络层模块、卷积神经网络层模块、池化层模块和输出层模块,其中:
嵌入层模块用于提取文档的语义信息,并将每个词转换为实值向量,把每个文本片段表示为单词嵌入序列;
双向长短期记忆网络层模块用于挖掘文档中词序列间的隐藏信息;
卷积神经网络层模块用于抽取文本句子间的结构特征;
池化层模块用于从卷积神经网络层提取具有代表性的特征,并通过池化操作将可变长度的文档构造成固定长度的向量特征;
输出层模块用于将原始文档转换为密集的分布表示形式,防止结果过拟合。
本发明主要有以下几个方面的贡献:
1) 本软件提出一种融合评分的自适应带宽核密度评估法,构建兴趣点之间的地理位置相关性;通过信息熵计算用户的活跃度,结合用户活跃度和皮尔森相关系数法计算用户相似性,并和用户的社交朋友关系相结合计算用户社交相关性;结合用户分类偏好和兴趣点流行度构建分类相关性。提出融合评论信息、地理位置、分类偏好和社交关系的概率矩阵分解模型。实验结果表明,与其他前沿方法比较,本方法在评分预测精度和top-k推荐的召回率中表现更好。
2) 本软件利用叠加的双向长短期记忆网络(Bi-directional Long-Short TermMemory, Bi-LSTM)和卷积神经网络(Convolutional Neural Networks, CNN)的混合深度神经网络(HDNN)获取评论信息中用户和POIs的潜在特征,并且同时考虑词序和上下文对用户和POIs的潜在特征的影响,生成比LDA模型更好的潜在特征表示。特别是在用户-POIs签到矩阵比较稀疏时,叠加的混合深度神经网络有助于深入的了解评论信息,产生更好的潜在模型。实验结果表明,本软件的HDNN模型有更好的潜在特征学习能力。
上述基于融合多特征的矩阵分解兴趣点推荐方法及其实现系统中,根据社交关系中好友与非好友对用户决策的影响;结合用户评分利用自适应带宽核密度方法,计算用户签到的个性化分布,并得出POI间的相关性;由于Bi-LSTM输出的序列具有词语语义和词序列前后间语法等隐藏信息的特征,而CNN擅长从一系列特征中捕捉显著特征,故而将Bi-LSTM和CNN叠加组成新的深层神经网络,从而学习用户和POIs的潜在特征。最后,通过概率矩阵方法将社交、地理位置、分类偏好以及潜在特征相融合,预测用户的个性化偏好,从而达到个性化推荐的目的。
需要说明的是,以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种融合多特征的矩阵分解兴趣点推荐方法,其特征在于,包括以下步骤:
步骤一,重构多源异构特征,所述多源异构特征包括对地理位置信息、类别偏好信息和社交关系信息,由位置社交网络LBSN中的用户评分矩阵、分类偏好矩阵、流行度矩阵和用户活跃度,对所述多源异构特征进行重构;
步骤二,利用文本信息挖掘用户和兴趣点的潜在模型,生成一个混合深度神经网络HDNN结构,以自上而下的方式学习文档的潜在分布表示,通过分析用户和兴趣点的评论文档,生成文档潜在模型;
步骤三,多特征融合的矩阵分解兴趣点推荐,基于乘法法则融合所述多源异构特征,生成融合地理位置、类别偏好、社交关系及混合深度神经网络的多特征融合的概率矩阵分解模型,并对概率矩阵分解模型中的参数进行优化,以预测用户的个性化偏好,并使用预测结果来推荐Top-k兴趣点;
其中,步骤一中的所述地理位置信息的重构是指利用用户已访问的兴趣点和未访问的兴趣点间的地理位置关系来估算用户在未访问兴趣点上的相关得分,根据每个用户已访问过的兴趣点估算地理坐标上的个性化签到分布;所述类别偏好信息的重构是指将用户对类别的偏好和兴趣点的流行度计算用户和兴趣点之间的关联评分;所述社交关系信息的重构是指通过用户间的相似性对用户的签到行为进行分析,在皮尔森相关系数法的基础上,利用用户活跃度重新定义用户的相似性;
步骤二中的所述混合深度神经网络包括双向长短期记忆网络和卷积神经网络,所述双向长短期记忆网络用于构建用户和兴趣点评论文档中每个文本句子的表示,所述卷积神经网络用于将所有文本块的语义及其关系编码到文档表示中;
所述混合深度神经网络包括嵌入层、双向长短期记忆网络层、卷积神经网络层、池化层和输出层;
所述混合深度神经网络首先通过Embedding函数构建所述嵌入层,输出序列S;其次通过Bidirectional函数构建所述双向长短期记忆网络层;再将双向长短期记忆网络层的输出输入到卷积神经网络层的卷积操作中,并对卷积的结果进行降维,其中的激活函数为tanh函数;然后利用dropout函数防止结果过拟合;最后构建混合深度神经网络模型及设置其损失函数;
步骤三中的所述基于乘法法则融合所述多源异构特征是指采用乘法法则融合地理、社交与分类偏好相关分数,并将这些分数融合到概率矩阵分解模型中;首先评估用户所在位置经纬度坐标的个性化签到分布,基于地理相关性,推导用户对未签到的兴趣点的地理相关分数;然后根据其他用户已签到的兴趣点,利用用户的社交关系,推导用户对未签到的兴趣点的社会相关分数;最后,根据用户已签到的兴趣点与未签到的兴趣点的分类与流行度,基于分类相关性,推导用户对未签到的兴趣点的分类相关分数;
所述多特征融合的概率矩阵分解模型中集成了混合深度神经网络、地理位置信息、类别偏好信息和社交关系信息的重构的多源异构特征;
所述对概率矩阵分解模型中的参数进行优化是指通过使用极大后验估计法MAP,以实现优化混合深度神经网络的用户潜在模型、兴趣点潜在模型、权重和偏置变量。
2.如权利要求1所述的融合多特征的矩阵分解兴趣点推荐方法,其特征在于,
步骤一中的LBSN中的用户评分矩阵、分类偏好矩阵、流行度矩阵和用户活跃度的定义如下:
设U={u 1,u 2,…,u L}为用户的集合,L表示用户的数量;V={v 1,v 2,…,v J}为LBSNs中所有兴趣点的集合,J表示兴趣点的数量;C={c 1,c 2,…,c K}为兴趣点类别的集合,为类别的数量且一个兴趣点可以同时属于多个分类:
3.如权利要求2所述的融合多特征的矩阵分解兴趣点推荐方法,其特征在于,
步骤一中的所述地理位置信息重构的步骤如下:
首先,基于固定带宽核密度估计法找到一个试点估计,令集合为用户已访问POI的集合,/>中的每一个POI/>都有一对经纬度坐标/>;将用户/>在兴趣点/>上的评分/>作为POI/>的权重,用户u在未访问的POIv上的签到分布的试点估计为/>,如式(2)表示:
步骤一中的所述类别偏好信息重构包括三个步骤:通过类别偏好计算流行度、计算类别流行度的分布估计、计算类别相关分数;
首先,定义为用户/>对类别/>的偏好,即用户/>已签到的属于类别/>的兴趣点的频率;然后,叠加兴趣点/>各时间段的流行度定义为兴趣点/>的流行度/>;故,用户/>在未访问POI/>上的类别流行度/>为:
步骤一中的所述社交关系信息重构的步骤如下:
4.如权利要求3所述的融合多特征的矩阵分解兴趣点推荐方法,其特征在于,
所述双向长短期记忆网络层用于挖掘文档中词序列间的隐藏信息;双向长短期记忆网络同时对文档中每个词的上下文信息进行语义编码并对其前后信息进行建模,将前向LSTM的输出序列和后向LSTM的输出序列/>连接起来作为下一层卷积层的输入;第/>时刻隐藏向量h t的更新公式如下:
所述卷积神经网络层用于抽取文本句子间的结构特征;在卷积层,每个神经元使用一个滤波器/>,其中/>为卷积计算的滑动窗口,/>为LSTM层输出向量的大小;对/>运用卷积算子/>计算出新的特征/>,如式(30)表示:
所述池化层用于从卷积神经网络层提取具有代表性的特征,并通过池化操作将可变长度的文档构造成固定长度的向量特征;利用max-pooling操作,从每个上下文特征向量中提取最大上下文特征,将一个文档的表示缩减为一个定长向量,如式(31)和式(32)表示:
其中,表示卷积层的核数;引入非线性,在max-pooling的基础上添加激活函数双曲正切函数/>;在文本分析中,将不同单词窗口生成的所有特征向量串联起来,形成/>的最终表示形式:/>,其中,/>;/>
5.如权利要求4所述的融合多特征的矩阵分解兴趣点推荐方法,其特征在于,
步骤三中的所述多特征融合的矩阵分解兴趣点推荐的具体步骤如下:
步骤3.1,基于乘法法则的属性特征融合;
步骤3.2,建立多特征融合的概率矩阵分解模型;
步骤3.3,多特征融合的概率矩阵分解模型的优化。
7.如权利要求6所述的融合多特征的矩阵分解兴趣点推荐方法,其特征在于,
步骤3.2中的建立多特征融合的概率矩阵分解模型的具体步骤如下:
使用概率矩阵分解模型预测用户对兴趣点的评分时,特征向量表示用户/>,兴趣点/>用特征向量/>表示,其中/>和/>分别表示用户潜在偏移量和兴趣点潜在偏移量,所述用户潜在偏移量用于捕获特定兴趣点的用户偏置,所述兴趣点潜在偏移量用于捕获特定用户的兴趣点首选项,如式(35)表示:
8.如权利要求7所述的融合多特征的矩阵分解兴趣点推荐方法,其特征在于,
步骤3.3中的多特征融合的概率矩阵分解模型的优化的具体步骤如下:
后验函数的极大化等价于式(36)的完全对数似然的极大化,得到目标函数如式(37)表示:
9.一种融合多特征的矩阵分解兴趣点推荐的实现系统,其用于实现如权利要求1-8任一项所述的融合多特征的矩阵分解兴趣点推荐方法,其特征在于,该实现系统包括:
重构多源异构特征模块,利用用户和兴趣点的评论信息、地理信息、分类信息、用户的社交信息、用户属性信息以及兴趣点的签到信息和评论内容对地理位置信息、类别偏好信息和社交关系信息进行重构;
混合深度神经网络模块,用于利用文档信息挖掘用户和兴趣点的潜在模型,以自上而下的方式学习文档的潜在分布表示;
多特征融合的概率矩阵分解模型模块,用于形成融合混合深度神经网络、地理位置信息、类别偏好信息和社交关系信息的重构的多源异构特征的概率矩阵分解模型。
10.如权利要求9所述的融合多特征的矩阵分解兴趣点推荐的实现系统,其特征在于,所述混合深度神经网络模块包括嵌入层模块、双向长短期记忆网络层模块、卷积神经网络层模块、池化层模块和输出层模块,其中:
所述嵌入层模块用于提取文档的语义信息,并将每个词转换为实值向量,把每个文本片段表示为单词嵌入序列;
所述双向长短期记忆网络层模块用于挖掘文档中词序列间的隐藏信息;
所述卷积神经网络层模块用于抽取文本句子间的结构特征;
所述池化层模块用于从卷积神经网络层提取具有代表性的特征,并通过池化操作将可变长度的文档构造成固定长度的向量特征;
所述输出层模块用于将原始文档转换为密集的分布表示形式,防止结果过拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137480.5A CN111061961B (zh) | 2019-11-19 | 2019-11-19 | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137480.5A CN111061961B (zh) | 2019-11-19 | 2019-11-19 | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111061961A CN111061961A (zh) | 2020-04-24 |
CN111061961B true CN111061961B (zh) | 2023-05-26 |
Family
ID=70297919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911137480.5A Active CN111061961B (zh) | 2019-11-19 | 2019-11-19 | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111061961B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666462B (zh) * | 2020-04-28 | 2021-09-21 | 百度在线网络技术(北京)有限公司 | 地理位置的推荐方法、装置、设备和计算机存储介质 |
CN111680228B (zh) * | 2020-06-11 | 2022-03-18 | 浙江工商大学 | 基于地理位置融合和类别流行度的兴趣点推荐方法 |
CN111523044B (zh) * | 2020-07-06 | 2020-10-23 | 南京梦饷网络科技有限公司 | 用于推荐目标对象的方法、计算设备和计算机存储介质 |
CN111950871B (zh) * | 2020-07-30 | 2023-08-29 | 中国科学技术大学 | 一种基于空气质量推断的监测站点位置推荐方法及系统 |
CN112069415B (zh) * | 2020-08-13 | 2023-11-24 | 中国海洋大学 | 一种基于异构属性网络表征学习的兴趣点推荐方法 |
CN112084416A (zh) * | 2020-09-21 | 2020-12-15 | 哈尔滨理工大学 | 基于CNN和LSTM的Web服务推荐方法 |
CN112364238B (zh) * | 2020-10-12 | 2023-04-07 | 山东大学 | 一种基于深度学习的用户兴趣点推荐方法与系统 |
CN112085127A (zh) * | 2020-10-26 | 2020-12-15 | 安徽大学 | 一种混合高低阶邻居信息的半监督分类方法 |
CN113704598B (zh) * | 2020-10-29 | 2024-03-15 | 南京广电猫猫网络科技有限公司 | 基于主题多样性的旅游景点动态推荐算法及装置 |
CN112347254B (zh) * | 2020-11-05 | 2024-02-13 | 中国平安人寿保险股份有限公司 | 新闻文本的分类方法、装置、计算机设备和存储介质 |
CN112417322B (zh) * | 2020-12-10 | 2024-03-22 | 长春理工大学 | 一种面向兴趣点名称文本的类型判别方法及系统 |
CN112905656A (zh) * | 2021-01-29 | 2021-06-04 | 重庆理工大学 | 一种融合时序网络的动态社区发现系统 |
CN112784163B (zh) * | 2021-01-29 | 2023-08-11 | 东北财经大学 | 基于RS24的个性化POIs推荐方法 |
CN112800344B (zh) * | 2021-01-29 | 2022-03-22 | 重庆邮电大学 | 一种基于深度神经网络的电影推荐方法 |
CN112990430B (zh) * | 2021-02-08 | 2021-12-03 | 辽宁工业大学 | 基于长短时记忆网络的群组划分方法及系统 |
CN113536109B (zh) * | 2021-06-01 | 2022-10-21 | 重庆大学 | 一种基于神经网络和移动上下文的兴趣点推荐方法 |
CN113343121B (zh) * | 2021-06-02 | 2022-08-09 | 合肥工业大学 | 基于多粒度流行度特征的轻量级图卷积协同过滤推荐方法 |
CN113722608B (zh) * | 2021-07-21 | 2024-03-22 | 中国科学院信息工程研究所 | 迭代副信息指导下基于关联关系学习的协同过滤方法及装置 |
CN113742597A (zh) * | 2021-09-18 | 2021-12-03 | 辽宁工程技术大学 | 一种基于lbsn和多图融合的兴趣点推荐方法 |
CN113918823A (zh) * | 2021-11-02 | 2022-01-11 | 中电万维信息技术有限责任公司 | 一种融合信任关系的排序学习poi推荐算法 |
CN114564652B (zh) * | 2022-04-29 | 2022-09-27 | 江西财经大学 | 基于用户意图与双向偏好的个性化礼物推荐方法与系统 |
CN114581161B (zh) * | 2022-05-06 | 2022-08-16 | 深圳市明珞锋科技有限责任公司 | 一种基于深度学习的信息推送方法和系统 |
CN115408621B (zh) * | 2022-08-12 | 2023-04-18 | 中国测绘科学研究院 | 顾及辅助信息特征线性及非线性交互的兴趣点推荐方法 |
CN116070034B (zh) * | 2023-03-03 | 2023-11-03 | 江西财经大学 | 结合自适应周期与兴趣量因子的图卷积网络推荐方法 |
CN116089732B (zh) * | 2023-04-11 | 2023-07-04 | 江西时刻互动科技股份有限公司 | 基于广告点击数据的用户偏好识别方法及系统 |
CN117093783A (zh) * | 2023-04-12 | 2023-11-21 | 浙江卡赢信息科技有限公司 | 结合用户社交数据的积分兑换智能推荐系统及其方法 |
CN116915781B (zh) * | 2023-09-14 | 2023-12-12 | 南京邮电大学 | 一种基于区块链的边缘协作缓存系统及方法 |
CN118034844B (zh) * | 2024-04-12 | 2024-06-25 | 深圳市众悦科技有限公司 | 一种平板电脑多用户共享界面管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014070293A1 (en) * | 2012-11-05 | 2014-05-08 | Nara Logics, Inc. | Systems and methods for providing enhanced neural network genesis and recommendations to one or more users |
CN105653637A (zh) * | 2015-12-28 | 2016-06-08 | 苏州大学 | 一种基于层次结构的兴趣点推荐方法 |
CN108829761A (zh) * | 2018-05-28 | 2018-11-16 | 苏州大学 | 一种兴趣点推荐方法、系统、介质及设备 |
CN109241454A (zh) * | 2018-07-18 | 2019-01-18 | 广东工业大学 | 一种将社交网络和图像内容融合的兴趣点推荐方法 |
CN110134885A (zh) * | 2019-05-22 | 2019-08-16 | 广东工业大学 | 一种兴趣点推荐方法、装置、设备以及计算机存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9646025B2 (en) * | 2008-05-27 | 2017-05-09 | Qualcomm Incorporated | Method and apparatus for aggregating and presenting data associated with geographic locations |
US10235470B2 (en) * | 2013-12-06 | 2019-03-19 | Here Global B.V. | User retrieval enhancement |
US10015629B2 (en) * | 2016-07-22 | 2018-07-03 | Anantha Pradeep | System and method for facilitating social dining experiences using location information |
-
2019
- 2019-11-19 CN CN201911137480.5A patent/CN111061961B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014070293A1 (en) * | 2012-11-05 | 2014-05-08 | Nara Logics, Inc. | Systems and methods for providing enhanced neural network genesis and recommendations to one or more users |
CN105653637A (zh) * | 2015-12-28 | 2016-06-08 | 苏州大学 | 一种基于层次结构的兴趣点推荐方法 |
CN108829761A (zh) * | 2018-05-28 | 2018-11-16 | 苏州大学 | 一种兴趣点推荐方法、系统、介质及设备 |
CN109241454A (zh) * | 2018-07-18 | 2019-01-18 | 广东工业大学 | 一种将社交网络和图像内容融合的兴趣点推荐方法 |
CN110134885A (zh) * | 2019-05-22 | 2019-08-16 | 广东工业大学 | 一种兴趣点推荐方法、装置、设备以及计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
"GeoTeCS: Exploiting Geographical, Temporal, Categorical and Social Aspects for Personalized POI Recommendation (Invited Paper)";Ramesh Baral等;《2016 IEEE 17th International Conference on Information Reuse and Integration (IRI)》;全文 * |
"融合多因素的兴趣点协同推荐方法研究";陈炯等;《计算机科学》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111061961A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111061961B (zh) | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 | |
CN109145939B (zh) | 一种小目标敏感的双通道卷积神经网络语义分割方法 | |
Lian et al. | GeoMF++ scalable location recommendation via joint geographical modeling and matrix factorization | |
CN109389151B (zh) | 一种基于半监督嵌入表示模型的知识图谱处理方法和装置 | |
CN111914622A (zh) | 一种基于深度学习的人物交互检测方法 | |
CN113838109B (zh) | 一种低重合度点云配准方法 | |
CN107943897B (zh) | 一种用户推荐方法 | |
CN111695046B (zh) | 基于时空移动数据表征学习的用户画像推断方法及装置 | |
Yang et al. | POI neural-rec model via graph embedding representation | |
Choe et al. | Urban structure classification using the 3D normal distribution transform for practical robot applications | |
Wang et al. | Collective geographical embedding for geolocating social network users | |
CN111738447B (zh) | 基于时空关系学习的移动社交网络用户关系推断方法 | |
CN114662015A (zh) | 一种基于深度强化学习的兴趣点推荐方法及系统 | |
He et al. | Next point-of-interest recommendation via a category-aware Listwise Bayesian Personalized Ranking | |
Sun et al. | Two-stage deep regression enhanced depth estimation from a single RGB image | |
Fang et al. | A top-k POI recommendation approach based on LBSN and multi-graph fusion | |
CN114254738A (zh) | 双层演化的动态图卷积神经网络模型构建方法及应用 | |
Chen et al. | Feature extraction method of 3D art creation based on deep learning | |
Botzheim et al. | Extraction of daily life log measured by smart phone sensors using neural computing | |
CN116229073A (zh) | 一种基于改进型ERFNet网络的遥感图像分割方法及装置 | |
Ding et al. | Modeling personalized out-of-town distances in location recommendation | |
CN113536109A (zh) | 一种基于神经网络和移动上下文的兴趣点推荐方法 | |
Yan et al. | A personalized location recommendation based on convolutional neural network | |
CN114417166B (zh) | 基于行为序列和动态社交影响的连续兴趣点推荐方法 | |
Doan et al. | Pacela: A neural framework for user visitation in location-based social networks |
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 |