CN114219581A - 一种基于异构图的个性化兴趣点推荐方法及系统 - Google Patents

一种基于异构图的个性化兴趣点推荐方法及系统 Download PDF

Info

Publication number
CN114219581A
CN114219581A CN202111669824.4A CN202111669824A CN114219581A CN 114219581 A CN114219581 A CN 114219581A CN 202111669824 A CN202111669824 A CN 202111669824A CN 114219581 A CN114219581 A CN 114219581A
Authority
CN
China
Prior art keywords
user
interest
probability
check
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.)
Pending
Application number
CN202111669824.4A
Other languages
English (en)
Inventor
俞东进
俞婷
王东京
吴桐
顾盼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202111669824.4A priority Critical patent/CN114219581A/zh
Publication of CN114219581A publication Critical patent/CN114219581A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0639—Item locations

Abstract

本发明涉及一种基于异构图的个性化兴趣点推荐方法及系统。其方法包括步骤：S1获取用户‑兴趣点签到记录；S2基于签到记录构建用户‑兴趣点‑时间异构子图、用户‑类别异构子图；S3基于异构子图计算用户对于兴趣点的兴趣点偏好概率、类别偏好概率；S4基于签到记录计算用户对于兴趣点的一般签到概率，并计算兴趣点流行度；S5根据兴趣点的经纬度和签到记录，计算在地理位置偏好影响下用户对于兴趣点的地理位置偏好签到概率；S6基于兴趣点偏好概率、类别偏好概率、兴趣点流行度、地理位置偏好签到概率，预测用户对兴趣点的总体签到概率；S7基于总体签到概率，对用户进行兴趣点推荐。在推荐兴趣点时综合考虑了多种重要因素，提高了兴趣点推荐的准确性。

Description

一种基于异构图的个性化兴趣点推荐方法及系统
技术领域
本发明属于兴趣点推荐技术领域，具体涉及一种基于异构图的个性化兴趣点推荐方法及系统。
背景技术
随着移动设备和无线网络的迅速发展，各种各样的基于位置的社交网络(Location-based Social Networks，LBSNs)，如微博，Foursquare和Yelp已经出现。兴趣点(Point of Interest，POI)推荐作为LBSN服务最受欢迎的应用之一，为用户提供访问地点的建议。与传统的电子商务推荐不同，POI推荐有其自身的特点。首先，POI推荐的目标是一个真实的地理位置，如餐厅或电影院，将用户的在线网络连接到现实世界。其次，传统的电子商务推荐通常利用用户的购买历史，而POI推荐则充分利用了用户的历史签到行为。
目前对POI推荐的研究虽然取得了很大的成果，用户个性化的POI推荐仍然面临挑战：如何利用有限的用户信息和位置信息提取更客观的特征以缓解POI推荐中的数据稀疏性；如何整合POI的相关内容特征，选择合适的学习模型，提取能够区分用户偏好的关键因素。以往的研究很少考虑用户在兴趣点所在地区的各种偏好。此外，大多数基于地理影响的研究没有考虑类别和人气的影响，而这两者实际上会影响签到行为。有效地整合这些主要方面仍然具有挑战性，但有助于改进POI推荐系统。
发明内容
针对现有技术中存在的上述问题，本发明提供一种基于异构图的个性化兴趣点推荐方法及系统，充分利用用户签到序列，兴趣点类别、兴趣点流行度等内容来对用户进行个性化的兴趣点推荐。
本发明采用以下技术方案：
一种基于异构图的个性化兴趣点推荐方法，包括步骤：
S1、获取用户-兴趣点签到记录；
S2、基于用户-兴趣点签到记录，构建用户-兴趣点-时间异构子图以及用户-类别异构子图；
S3、基于用户-兴趣点-时间异构子图计算用户对于兴趣点的兴趣点偏好概率，基于用户-类别异构子图计算用户对于类别的类别偏好概率；
S4、基于用户-兴趣点签到记录计算用户对于兴趣点的一般签到概率，并基于一般签到概率计算兴趣点流行度；
S5、根据兴趣点的经纬度和签到记录，计算在地理位置偏好影响下用户对于兴趣点的地理位置偏好签到概率；
S6、基于兴趣点偏好概率、类别偏好概率、兴趣点流行度、地理位置偏好签到概率，预测用户对兴趣点的总体签到概率；
S7、基于总体签到概率，对用户进行兴趣点推荐。
作为优选方案，步骤S1中，用户-兴趣点签到记录信息F＝{ui,lj,ts,cp}；用户集合U＝{u1,u2,…un}；兴趣点集合L＝{l1,l2,…lm}；签到时间集合T＝{t1,t2,…tz}；类别集合C＝{c1,c2,…cw}；i＝1,2,3，...，n；j＝1,2,3，...，m；s＝1,2,3，...，z；p＝1,2,3，...，w。
作为优选方案，步骤S2中，用户-兴趣点-时间异构子图中节点为用户、兴趣点、时间，用户-类别异构子图中节点为用户、类别。
作为优选方案，步骤S3中，包括步骤：
S3.1、对于用户-兴趣点-时间异构子图、用户-类别异构子图中的每个节点，通过采样策略采样得到节点的近邻节点集合；
S3.2、将节点映射为embedding向量的映射函数；
S3.3、基于近邻节点集合、映射函数求解得到节点的近邻节点出现的概率公式；
S3.4、基于近邻节点出现的概率公式计算目标函数；
S3.5、基于目标函数得到各个节点的向量表示，包括用户向量
Figure BDA0003452656750000034
兴趣点向量
Figure BDA0003452656750000035
类别向量
Figure BDA0003452656750000036
S3.6、基于用户向量
Figure BDA0003452656750000037
兴趣点向量
Figure BDA0003452656750000038
计算兴趣点偏好概率，基于用户向量
Figure BDA0003452656750000039
类别向量
Figure BDA00034526567500000310
计算类别偏好概率。
作为优选方案，兴趣点偏好概率计算公式为：
Figure BDA0003452656750000031
score(ui,l)表示用户ui对于兴趣点l的兴趣点偏好概率，T表示转置；
类别偏好概率计算公式为：
Figure BDA0003452656750000032
score(ui,c)表示用户ui对于类别c的类别偏好概率。
作为优选方案，步骤S4中，用户ui在兴趣点l的一般签到概率计算公式为：
Figure BDA0003452656750000033
其中，
Figure BDA0003452656750000042
代表用户ui在兴趣点l的签到频率，
Figure BDA0003452656750000043
表示所有在用户集合中的用户在兴趣点l的签到频率。
作为优选方案，步骤S4中，兴趣点l的流行度
Figure BDA0003452656750000044
计算公式为：
Figure BDA0003452656750000041
作为优选方案，步骤S5中包括步骤：
S5.1、计算用户的总签到次数；
S5.2、初始化聚类半径∈、兴趣点聚类数；
S5.3、输入用户的签到记录、聚类半径、一个聚类中拥有的最少兴趣点个数，计算得到兴趣点的聚类个数及兴趣点所在的聚类簇；
S5.4、当兴趣点的聚类个数除以总签到次数小于预设阈值时，将∈+0.1并且重复步骤S5.3，否则转至步骤S5.5；
S5.5、得到所有兴趣点所在的聚类簇，并基于兴趣点的经纬度计算用户对于每个聚类簇的访问中心；
S5.6、基于计算得到的访问中心，计算在地理位置偏好影响下用户对于兴趣点的地理位置偏好签到概率。
作为优选方案，步骤S6中：使用线性框架将兴趣点偏好概率、类别偏好概率、兴趣点流行度、地理位置偏好签到概率的影响结合，预测用户对兴趣点的总体签到概率；
步骤S7中，具体为：将用户对所有兴趣点预测得到的总体签到概率进行排序，选择总体签到概率最高的兴趣点推荐给用户。
还提供一种基于异构图的个性化兴趣点推荐系统，包括记录获取模块、子图构建模块、计算模块、推荐模块；计算模块包括第一计算单元、第二计算单元、第三计算单元、第四计算单元、第五计算单元；
子图构建模块分别与记录获取模块、第一计算单元、第二计算单元连接，记录获取模块还分别与第三计算单元、第四计算单元连接，第一计算单元、第二计算单元、第三计算单元、第四计算单元分别与第五计算单元连接，第五计算单元还与推荐模块连接；
记录获取模块，用于获取用户-兴趣点签到记录；
子图构建模块，用于根据用户-兴趣点签到记录，构建用户-兴趣点-时间异构子图以及用户-类别异构子图；
第一计算单元，用于根据用户-兴趣点-时间异构子图计算用户对于兴趣点的兴趣点偏好概率；
第二计算单元，用于根据用户-类别异构子图计算得到用户对于类别的类别偏好概率；
第三计算单元，用于根据用户-兴趣点签到记录计算用户对于兴趣点的一般签到概率，并基于一般签到概率计算兴趣点流行度；
第四计算单元，用于根据兴趣点的经纬度和签到记录，计算在地理位置偏好影响下用户对于兴趣点的地理位置偏好签到概率；
第五计算单元，用于根据兴趣点偏好概率、类别偏好概率、兴趣点流行度、地理位置偏好签到概率，预测用户对兴趣点的总体签到概率；
推荐模块，用于根据总体签到概率，对用户进行兴趣点推荐。
本发明的有益效果是：
在推荐时综合考虑了用户偏好、用户类别偏好、兴趣点流行度、兴趣点之间的距离等重要因素。最后，设计线性融合框架将上述内容进行线性融合，预测用户对兴趣点的总体签到概率，基于总体签到概率，对用户进行兴趣点推荐，提高了兴趣点推荐的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所述一种基于异构图的个性化兴趣点推荐方法的流程图；
图2是本发明所述一种基于异构图的个性化兴趣点推荐方法的框架图；
图3是用户-兴趣点-时间异构子图和用户-类别异构子图；
图4是用户、兴趣点、类别向量生成示意图；
图5是本发明所述一种基于异构图的个性化兴趣点推荐系统的结构示意图。
具体实施方式
以下通过特定的具体实施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。需说明的是，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。
实施例一：
参照图1、2，本实施例提供一种基于异构图的个性化兴趣点推荐方法，包括步骤：
S1、获取用户-兴趣点签到记录；
S2、基于用户-兴趣点签到记录，构建用户-兴趣点-时间异构子图以及用户-类别异构子图；
S3、基于用户-兴趣点-时间异构子图计算用户对于兴趣点的兴趣点偏好概率，基于用户-类别异构子图计算用户对于类别的类别偏好概率；
S4、基于用户-兴趣点签到记录计算用户对于兴趣点的一般签到概率，并基于一般签到概率计算兴趣点流行度；
S5、根据兴趣点的经纬度和签到记录，计算在地理位置偏好影响下用户对于兴趣点的地理位置偏好签到概率；
S6、基于兴趣点偏好概率、类别偏好概率、兴趣点流行度、地理位置偏好签到概率，预测用户对兴趣点的总体签到概率；
S7、基于总体签到概率，对用户进行兴趣点推荐。
可见，本发明在推荐时综合考虑了用户偏好、用户类别偏好、兴趣点流行度、兴趣点之间的距离等重要因素。最后，将上述内容进行线性融合，预测用户对兴趣点的总体签到概率，基于总体签到概率，对用户进行兴趣点推荐，提高了兴趣点推荐的准确性。
具体地：
为叙述方便，定义相关符号如下：
F＝{ui,lj,ts,cp}：用户-兴趣点签到记录信息；
U＝{u1,u2,…un}：用户集合；
L＝{l1,l2,…lm}：兴趣点集合；
T＝{t1,t2,…tz}：签到时间集合；
C＝{c1,c2,…cw}：类别集合；
Figure BDA0003452656750000081
用户向量；
Figure BDA0003452656750000082
兴趣点向量；
Figure BDA0003452656750000083
类别向量；
score(ui,l)：表示用户ui对于兴趣点l的兴趣点偏好概率；
score(ui,c)：表示用户ui对于类别c的类别偏好概率；
Figure BDA0003452656750000084
用户ui在兴趣点l的一般签到概率；
Figure BDA0003452656750000085
兴趣点l的流行度；
Figure BDA0003452656750000086
用户ui的兴趣点聚类簇集合；
Figure BDA0003452656750000087
用户ui的兴趣点聚类簇访问中心集合；
Figure BDA0003452656750000088
用户ui在簇ai的签到频率；
Figure BDA0003452656750000089
待签到兴趣点l和簇ai的访问中心的距离；
Figure BDA00034526567500000810
用户ui对于兴趣点l的地理位置偏好签到概率；
Figure BDA00034526567500000811
用户ui对兴趣点l的总体签到概率。
步骤S1中，用户-兴趣点签到记录信息F＝{ui,lj,ts,cp}；用户集合U＝{u1,u2,…un}；兴趣点集合L＝{l1,l2,…lm}；签到时间集合T＝{t1,t2,…tz}；类别集合C＝{c1,c2,…cw}；i＝1,2,3，...，n；j＝1,2,3，...，m；s＝1,2,3，...，z；p＝1,2,3，...，w。
参照图3，步骤S2中，构建用户-兴趣点-时间异构子图，其中节点为用户、兴趣点和时间，若用户在某个时间点对某个兴趣点进行了访问，那么用户和这个兴趣点产生了用户兴趣点边及兴趣点时间边；构建用户-类别异构子图，其中节点为用户和类别，若用户对某个类别的兴趣点进行了访问，那么用户和这个类别产生了用户类别边。
步骤S3中，计算用户对于兴趣点的兴趣点偏好概率和用户对于类别的类别偏好概率，其具体过程如下：
对于用户-兴趣点-时间异构子图和用户-类别异构子图中的每个节点vi，Ns(vi)为通过采样策略采样出的节点vi的近邻节点集合，采样策略依然延续了Deepwalk算法，采用的是随机游走的方式获取节点的近邻序列，与随机游走稍有不同的是，这里采用的是一种有偏的随机游走。引入超参数p和q来控制随机游走的策略，假设随机游走节点vj来的的经过边(vj,vi)到达节点vi，节点vi的下一个访问顶点x的概率根据下面公式计算得：
Figure BDA0003452656750000091
其中，为下一个访问节点x和当前顶点vi的上一个顶点vj之间的距离，如果q较大，则顶点vi下一步游走倾向于访问节点vi上一步顶点近邻节点，构成了宽度游走策略，如果q较小，则顶点vi下一步游走倾向于访问节点vi上一步顶点距离远的节点，构成了深度游走策略；
f(vi)为是将节点vi映射为embedding向量的映射函数,Pro(Ns(vi)|f(vi))为在给定节点vi的情况下近邻节点集合Ns(vi)出现的概率，V为图中的节点集合；利用Node2Vec算法计算用户向量
Figure BDA0003452656750000105
和兴趣点向量
Figure BDA0003452656750000106
Node2Vec优化的目标是给定每个节点条件下，令其近邻节点出现的概率最大，其公式如下所示：
Figure BDA0003452656750000101
假设给定源节点vi下，其近邻节点出现的概率与近邻集合中其余节点无关，通过引入朴素贝叶斯假设，那么Pro(Ns(vi)|f(vi))可表示成如下公式：
Figure BDA0003452656750000102
假设一个节点作为源节点和作为近邻节点的时候共享同一套嵌入向量，那么在给定节点vi的情况下，节点vj出现的概率为如下所示：
Figure BDA0003452656750000103
根据以上两个假设条件，最终的目标函数表示为如下公式：
Figure BDA0003452656750000104
其中
Figure BDA0003452656750000107
为归一化因子，
Figure BDA0003452656750000108
通过目标函数，可以得到各个节点的向量表示,用户向量表示为
Figure BDA0003452656750000109
兴趣点向量表示为
Figure BDA00034526567500001010
类别向量表示为
Figure BDA00034526567500001011
将得到的用户向量
Figure BDA00034526567500001012
兴趣点向量
Figure BDA00034526567500001013
和类别向量
Figure BDA00034526567500001014
利用cosine相似度函数计算用户ui对于兴趣点l的偏好和用户ui对于类别c的偏好，计算公式如下：
Figure BDA00034526567500001015
Figure BDA00034526567500001016
score(ui,l)表示用户ui对于兴趣点l的兴趣点偏好概率，T表示转置；score(ui,c)表示用户ui对于类别c的类别偏好概率，上述过程可参照图4所示。
步骤S4中，根据用户-兴趣点签到记录信息计算用户ui对于某个兴趣点l的一般签到概率，计算公式如下所示：
Figure BDA0003452656750000111
其中
Figure BDA0003452656750000112
代表用户ui在兴趣点l的签到频率，
Figure BDA0003452656750000113
表示所有在用户集合中的用户在兴趣点l的签到频率；通过用户对于某兴趣点的一般签到概率进一步计算兴趣点l的流行度
Figure BDA0003452656750000114
计算公式如下所示：
Figure BDA0003452656750000115
步骤S5中，根据兴趣点的经纬度和签到记录，计算在地理位置偏好影响下用户对于兴趣点的地理位置偏好签到概率，具体过程如下：
S5.1、对于用户集合中的每个用户ui，计算用户ui的总的签到次数，记为：
Figure BDA0003452656750000116
S5.2、初始化聚类半径∈＝0.1，初始化兴趣点的聚类数clusternum＝0；
S5.3、输入用户ui的签到记录、聚类半径∈、一个聚类中拥有的最少兴趣点个数MinPts,利用DBSCAN算法将给定的兴趣点集合中所有兴趣点都被标记为“unvisited”，DBSCAN随机选择一个未访问的兴趣点p，标记p为“visited”，并检查p的∈-邻域是否至少包含MinPts个对象。如果不是，则p被标记为噪声点。否则为p创建一个新的簇ai，并且把p的∈-邻域中所有对象都放在候选集合N中。DBSCAN迭代地把N中不属于其他簇的对象添加到ai中。在此过程中，对应N中标记为“unvisited”的对象P′,DBSCAN把它标记为“visited”，并且检查它的∈-邻域，如果P′的∈-邻域至少包含MinPts个对象，则P′的∈-领域中的对象都被添加到N中。DBSCAN继续添加对象到ai，直到ai不能扩展，即直到N为空。此时簇ai完成生成，最后计算得到兴趣点的聚类个数clusternum及兴趣点所在的聚类簇；
S5.4、当兴趣点的聚类个数clusternum除以
Figure BDA0003452656750000122
小于某个阈值δ时，将∈+0.1并且重复步骤S5.3，否则转步骤S5.5；
S5.5、得到最终的用户ui的所有聚类簇
Figure BDA0003452656750000123
进而得到用户ui对于每个聚类簇的访问中心
Figure BDA0003452656750000124
Figure BDA0003452656750000125
其中
Figure BDA0003452656750000126
的计算公式如下：
Figure BDA0003452656750000127
其中
Figure BDA0003452656750000128
表示用户ui在兴趣点l的签到频率，
Figure BDA0003452656750000129
表示用户ui在簇ai的签到频率，latl表示兴趣点l的纬度，lonl表示兴趣点l的经度；
S5.6、在地理位置影响下，计算用户ui对兴趣点l产生签到的地理位置偏好签到概率，其公式如下所示：
Figure BDA00034526567500001210
其中，
Figure BDA00034526567500001211
表示用户ui在簇ai的签到频率，
Figure BDA00034526567500001212
表示用户ui在各个簇的签到频率，
Figure BDA00034526567500001213
表示待签到兴趣点l和簇ai的访问中心的距离，其计算公式如下所示：
Figure BDA0003452656750000121
其中，簇ai访问中心点的经度表示为
Figure BDA00034526567500001214
纬度表示为
Figure BDA00034526567500001215
步骤S6中：使用线性框架将兴趣点偏好概率、类别偏好概率、兴趣点流行度、地理位置偏好签到概率的影响结合，预测用户ui对兴趣点l的总体签到概率，其计算公式如下：
Figure BDA0003452656750000131
其中，α表示类别影响的相对重要性，β表示POI受欢迎程度的相对重要性，γ表示地理影响的相对重要性；
步骤S7中，具体为：将用户对所有兴趣点预测得到的总体签到概率进行排序，选择总体签到概率最高的兴趣点推荐给用户。
实施例二：
参照图5，本实施例提供一种基于异构图的个性化兴趣点推荐系统，基于实施例一所述的推荐方法，包括记录获取模块、子图构建模块、计算模块、推荐模块；计算模块包括第一计算单元、第二计算单元、第三计算单元、第四计算单元、第五计算单元；
子图构建模块分别与记录获取模块、第一计算单元、第二计算单元连接，记录获取模块还分别与第三计算单元、第四计算单元连接，第一计算单元、第二计算单元、第三计算单元、第四计算单元分别与第五计算单元连接，第五计算单元还与推荐模块连接；
记录获取模块，用于获取用户-兴趣点签到记录；
子图构建模块，用于根据用户-兴趣点签到记录，构建用户-兴趣点-时间异构子图以及用户-类别异构子图；
第一计算单元，用于根据用户-兴趣点-时间异构子图计算用户对于兴趣点的兴趣点偏好概率；
第二计算单元，用于根据用户-类别异构子图计算得到用户对于类别的类别偏好概率；
第三计算单元，用于根据用户-兴趣点签到记录计算用户对于兴趣点的一般签到概率，并基于一般签到概率计算兴趣点流行度；
第四计算单元，用于根据兴趣点的经纬度和签到记录，计算在地理位置偏好影响下用户对于兴趣点的地理位置偏好签到概率；
第五计算单元，用于根据兴趣点偏好概率、类别偏好概率、兴趣点流行度、地理位置偏好签到概率，预测用户对兴趣点的总体签到概率；
推荐模块，用于根据总体签到概率，对用户进行兴趣点推荐。
需要说明的是，本实施例提供的一种基于异构图的个性化兴趣点推荐系统，与实施例一类似，在此不多做赘述。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。

Claims (10)

1.一种基于异构图的个性化兴趣点推荐方法，其特征在于，包括步骤：
S1、获取用户-兴趣点签到记录；
S2、基于用户-兴趣点签到记录，构建用户-兴趣点-时间异构子图以及用户-类别异构子图；
S3、基于用户-兴趣点-时间异构子图计算用户对于兴趣点的兴趣点偏好概率，基于用户-类别异构子图计算用户对于类别的类别偏好概率；
S4、基于用户-兴趣点签到记录计算用户对于兴趣点的一般签到概率，并基于一般签到概率计算兴趣点流行度；
S5、根据兴趣点的经纬度和签到记录，计算在地理位置偏好影响下用户对于兴趣点的地理位置偏好签到概率；
S6、基于兴趣点偏好概率、类别偏好概率、兴趣点流行度、地理位置偏好签到概率，预测用户对兴趣点的总体签到概率；
S7、基于总体签到概率，对用户进行兴趣点推荐。
2.根据权利要求1所述的一种基于异构图的个性化兴趣点推荐方法，其特征在于，步骤S1中，用户-兴趣点签到记录信息F＝{ui,lj,ts,cp}；用户集合U＝{u1,u2,…un}；兴趣点集合L＝{l1,l2,…lm}；签到时间集合T＝{t1,t2,…tz}；类别集合C＝{c1,c2,…cw}；i＝1,2,3，...，n；j＝1,2,3，...，m；s＝1,2,3，...，z；p＝1,2,3，...，w。
3.根据权利要求2所述的一种基于异构图的个性化兴趣点推荐方法，其特征在于，步骤S2中，用户-兴趣点-时间异构子图中节点为用户、兴趣点、时间，用户-类别异构子图中节点为用户、类别。
4.根据权利要求3所述的一种基于异构图的个性化兴趣点推荐方法，其特征在于，步骤S3中，包括步骤：
S3.1、对于用户-兴趣点-时间异构子图、用户-类别异构子图中的每个节点，通过采样策略采样得到节点的近邻节点集合；
S3.2、将节点映射为embedding向量的映射函数；
S3.3、基于近邻节点集合、映射函数求解得到节点的近邻节点出现的概率公式；
S3.4、基于近邻节点出现的概率公式计算目标函数；
S3.5、基于目标函数得到各个节点的向量表示，包括用户向量
Figure FDA0003452656740000021
兴趣点向量
Figure FDA0003452656740000022
类别向量
Figure FDA0003452656740000023
S3.6、基于用户向量
Figure FDA0003452656740000024
兴趣点向量
Figure FDA0003452656740000025
计算兴趣点偏好概率，基于用户向量
Figure FDA0003452656740000026
类别向量
Figure FDA0003452656740000027
计算类别偏好概率。
5.根据权利要求4所述的一种基于异构图的个性化兴趣点推荐方法，其特征在于：
兴趣点偏好概率计算公式为：
Figure FDA0003452656740000028
score(ui,l)表示用户ui对于兴趣点l的兴趣点偏好概率，T表示转置；
类别偏好概率计算公式为：
Figure FDA0003452656740000029
score(ui,c)表示用户ui对于类别c的类别偏好概率。
6.根据权利要求2所述的一种基于异构图的个性化兴趣点推荐方法，其特征在于，步骤S4中，用户ui在兴趣点l的一般签到概率计算公式为：
Figure FDA0003452656740000031
其中，
Figure FDA0003452656740000032
代表用户ui在兴趣点l的签到频率，
Figure FDA0003452656740000033
表示所有在用户集合中的用户在兴趣点l的签到频率。
7.根据权利要求6所述的一种基于异构图的个性化兴趣点推荐方法，其特征在于，步骤S4中，兴趣点l的流行度Pl p计算公式为：
Figure FDA0003452656740000034
8.根据权利要求1所述的一种基于异构图的个性化兴趣点推荐方法，其特征在于，步骤S5中包括步骤：
S5.1、计算用户的总签到次数；
S5.2、初始化聚类半径∈、兴趣点聚类数；
S5.3、输入用户的签到记录、聚类半径、一个聚类中拥有的最少兴趣点个数，计算得到兴趣点的聚类个数及兴趣点所在的聚类簇；
S5.4、当兴趣点的聚类个数除以总签到次数小于预设阈值时，将∈+0.1并且重复步骤S5.3，否则转至步骤S5.5；
S5.5、得到所有兴趣点所在的聚类簇，并基于兴趣点的经纬度计算用户对于每个聚类簇的访问中心；
S5.6、基于计算得到的访问中心，计算在地理位置偏好影响下用户对于兴趣点的地理位置偏好签到概率。
9.根据权利要求1所述的一种基于异构图的个性化兴趣点推荐方法，其特征在于：
步骤S6中：使用线性框架将兴趣点偏好概率、类别偏好概率、兴趣点流行度、地理位置偏好签到概率的影响结合，预测用户对兴趣点的总体签到概率；
步骤S7中，具体为：将用户对所有兴趣点预测得到的总体签到概率进行排序，选择总体签到概率最高的兴趣点推荐给用户。
10.一种基于异构图的个性化兴趣点推荐系统，其特征在于，包括记录获取模块、子图构建模块、计算模块、推荐模块；计算模块包括第一计算单元、第二计算单元、第三计算单元、第四计算单元、第五计算单元；
子图构建模块分别与记录获取模块、第一计算单元、第二计算单元连接，记录获取模块还分别与第三计算单元、第四计算单元连接，第一计算单元、第二计算单元、第三计算单元、第四计算单元分别与第五计算单元连接，第五计算单元还与推荐模块连接；
记录获取模块，用于获取用户-兴趣点签到记录；
子图构建模块，用于根据用户-兴趣点签到记录，构建用户-兴趣点-时间异构子图以及用户-类别异构子图；
第一计算单元，用于根据用户-兴趣点-时间异构子图计算用户对于兴趣点的兴趣点偏好概率；
第二计算单元，用于根据用户-类别异构子图计算得到用户对于类别的类别偏好概率；
第三计算单元，用于根据用户-兴趣点签到记录计算用户对于兴趣点的一般签到概率，并基于一般签到概率计算兴趣点流行度；
第四计算单元，用于根据兴趣点的经纬度和签到记录，计算在地理位置偏好影响下用户对于兴趣点的地理位置偏好签到概率；
第五计算单元，用于根据兴趣点偏好概率、类别偏好概率、兴趣点流行度、地理位置偏好签到概率，预测用户对兴趣点的总体签到概率；
推荐模块，用于根据总体签到概率，对用户进行兴趣点推荐。
CN202111669824.4A 2021-12-31 2021-12-31 一种基于异构图的个性化兴趣点推荐方法及系统 Pending CN114219581A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111669824.4A CN114219581A (zh) 2021-12-31 2021-12-31 一种基于异构图的个性化兴趣点推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111669824.4A CN114219581A (zh) 2021-12-31 2021-12-31 一种基于异构图的个性化兴趣点推荐方法及系统

Publications (1)

Publication Number Publication Date
CN114219581A true CN114219581A (zh) 2022-03-22

Family

ID=80707461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111669824.4A Pending CN114219581A (zh) 2021-12-31 2021-12-31 一种基于异构图的个性化兴趣点推荐方法及系统

Country Status (1)

Country Link
CN (1) CN114219581A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595157A (zh) * 2023-07-17 2023-08-15 江西财经大学 基于用户意图融合的动态兴趣转移型会话推荐方法与系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595157A (zh) * 2023-07-17 2023-08-15 江西财经大学 基于用户意图融合的动态兴趣转移型会话推荐方法与系统
CN116595157B (zh) * 2023-07-17 2023-09-19 江西财经大学 基于用户意图融合的动态兴趣转移型会话推荐方法与系统

Similar Documents

Publication Publication Date Title
Gao et al. Extracting urban functional regions from points of interest and human activities on location‐based social networks
CN109635989B (zh) 一种基于多源异构数据融合的社交网络链路预测方法
Zhao et al. Personalized recommendations of locally interesting venues to tourists via cross-region community matching
Xiao et al. Inferring social ties between users with human location history
CN110119475B (zh) 一种poi推荐方法及推荐系统
CN109726336B (zh) 一种结合出行兴趣与社交偏好的poi推荐方法
US9123259B2 (en) Discovering functional groups of an area
Pham et al. A general model for out-of-town region recommendation
Li et al. Next and next new POI recommendation via latent behavior pattern inference
CN108829761B (zh) 一种兴趣点推荐方法、系统、介质及设备
Christoforidis et al. Recommendation of points-of-interest using graph embeddings
He et al. A joint context-aware embedding for trip recommendations
Qiao et al. SocialMix: A familiarity-based and preference-aware location suggestion approach
Huang et al. Unsupervised interesting places discovery in location-based social sensing
Rahimi et al. Behavior-based location recommendation on location-based social networks
Duan et al. Personalized tourism route recommendation based on user’s active interests
Ghane’i-Ostad et al. Detecting overlapping communities in LBSNs by fuzzy subtractive clustering
CN103034678A (zh) 一种基于Voronoi图的反k最近邻查询方法
Vahidnia Point-of-interest recommendation in location-based social networks based on collaborative filtering and spatial kernel weighting
CN114219581A (zh) 一种基于异构图的个性化兴趣点推荐方法及系统
Elangovan et al. Location‐based social network recommendations with computational intelligence‐based similarity computation and user check‐in behavior
US10791418B2 (en) Method and system for modeling user and location
Ali et al. Implementation and analysis of clustering techniques applied on pocket switched network
Huang et al. On interesting place finding in social sensing: An emerging smart city application paradigm
CN114065024A (zh) 基于用户个性化生活模式的poi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