CN115357781B - 基于双向矩阵的深度置信网络兴趣点推荐算法 - Google Patents
基于双向矩阵的深度置信网络兴趣点推荐算法 Download PDFInfo
- Publication number
- CN115357781B CN115357781B CN202210826928.XA CN202210826928A CN115357781B CN 115357781 B CN115357781 B CN 115357781B CN 202210826928 A CN202210826928 A CN 202210826928A CN 115357781 B CN115357781 B CN 115357781B
- Authority
- CN
- China
- Prior art keywords
- matrix
- recommendation
- user
- network
- weight
- 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 89
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 230000008901 benefit Effects 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 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 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 240000000233 Melia azedarach Species 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 240000003537 Ficus benghalensis Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
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
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Library & Information Science (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于双向矩阵的深度置信网络兴趣点推荐算法,属于计算机算法技术领域,从用户和位置两个角度出发,通过对原始数据集进行映射,构建具有双向关系的两个不同的矩阵,即以用户为主体的用户‑位置签入矩阵和以位置为主体的位置‑用户吸引度矩阵。其次,训练深度置信网络,确定网络的最优参数。然后,使用训练好的深度置信网络对具有双向关系的两个矩阵分别进行预测,并提出基于局部‑全局的权重寻优方法去确定最优权重,对深度置信网络输出的两个结果矩阵进行加权融合,得到用户对位置的评分预测矩阵,进而完成对目标用户的Top‑N推荐。与其它代表性的算法相比,所提算法POI_DBNBM在推荐精确率、召回率和Fβ指标三个方面均有明显提升。
Description
技术领域
本发明属于计算机算法技术领域,特别涉及基于双向矩阵的深度置信网络兴趣点推荐算法。
背景技术
兴趣点推荐一直面临着严重的数据稀疏性问题,大多数现有的兴趣点推荐算法在解决该问题时,没有考虑到原始数据集中用户对位置的偏好和位置对用户的吸引力之间的双向关系。
随着移动网络的迅猛发展,基于位置的社交网络(Location Based SocialNetworks,LBSNs)应运而生。人们在社交平台上发布感兴趣的内容,并分享其访问的兴趣点(Point-Of-Interest,POI)的位置和时间等信息。当下比较典型的社交平台(比如Gowalla,Foursquare,Yelp等)聚拢了大量的用户,收集了海量用户的签入记录,这些记录包含了用户ID、位置的经纬度和签入时间等大量信息。兴趣点推荐算法对这些信息进行处理分析,预测出符合用户偏好的兴趣点,并推荐给目标用户[1]。这种推荐方式不仅让消费者从海量数据中快速找到自己感兴趣的位置,而且能够帮助一些实体企业改进已有的兴趣点服务或开发新的兴趣点[2],获得更多的效益。因此,兴趣点推荐已成为推荐系统的一个新兴子领域[3,4]。
现有的兴趣点推荐算法采用的技术主要有协同过滤(Collaborative Filtering)[5,6]技术和深度学习(Deep Learning)[7]技术。Zhang等人[8]在协同过滤的基础上,提出了一个新的推荐框架iGSLR(基于矩阵分解的融合地理信息),该框架整合用户偏好、社会影响和个性化地理影响,提高了兴趣点推荐系统的精确率。Liu等人[9]在原始矩阵分解模型中融入实例级特征和区域级特征,构建了一个新型兴趣点推荐模型IRenMF(Instance-RegionNeighborhood Matrix Factorization),更准确地预测用户对位置的偏好。Lian等人[10]提出了一个兴趣点推荐框架GeoMF(Scalable Location Recommendation via JointGeographical Modeling and Matrix Factorization,通过联合地理建模和矩阵分解的可扩展位置推荐),将用户签入信息看作隐式反馈,在权重矩阵分解模型的基础上集成了地域影响力,使用对已观测项赋值较高权重,缺失项赋值低权重的方法拟合用户的签入数据,有效提高了推荐性能。随后,基于先前开发的GeoMF,Lian等人[11]又提出了一个新的框架GeoMF++,该框架可用在联合地理建模和基于隐式反馈的矩阵分解上,比GeoMF具有更高的精度,而且随数据大小和潜在空间维度的增加,具有更高的可扩展性。高榕等人[12]基于传统的矩阵分解模型,提出了一个新的兴趣点推荐模型GeoSoRev(Geographical,Social andReview Matrix Factorization评论信息和用户社交关联的兴趣点推荐模型),将评论信息、地理信息和用户社交关联进行融合,取得了较好的推荐结果。余永红等人[13]提出了一个基于Ranking的泊松矩阵分解兴趣点推荐算法,使用泊松分布模型建模用户在兴趣点上的签到行为,利用具有地域影响力的正则化因子约束泊松矩阵分解的过程,提高了推荐效果。Davtalab等人[14]提出了一种利用POI相似性和用户相似性的社会时空概率矩阵分解模型SSTPMF(Social Spatio-Temporal Probabilistic Matrix Factorization),将社交空间、地理空间和POI类别空间融入到相似性建模中,使用潜在相似性因子进行兴趣点推荐,提高了推荐性能。
随着深度学习的不断发展,其研究已深入拓展到兴趣点推荐系统领域,并取得较大的进展。Yang等人[15]提出了一个将协同过滤和半监督学习相结合的神经网络模型PACE(Preference and Context Embedding),通过共同学习用户和POI的嵌入,预测用户偏好。Chang等人[16]使用多注意力网络学习用户和POI的上下文信息,提出一个含有用户朋友模块和POI邻域模块的兴趣点推荐模型,用户朋友模块用以区分兴趣的影响和捕捉用户偏好,POI邻域模块用以捕获邻域POI的潜在特征和POI之间的地理影响,准确预测用户偏好。魏晓辉等人[17]提出一个基于图神经网络的兴趣活动推荐算法,使用图神经网络提取异质图中每个节点的嵌入式表示,利用多层感知机捕捉用户和活动的非线性关系,提高了推荐性能。Safavi等人[18]提出一个将卷积神经网络和c-均值模糊聚类相结合的RecPOID(POIRecommendation with Friendship Aware and Deep CNN,具有友谊感知和深度卷积神经网络的兴趣点推荐)推荐模型,使用最相似模式友谊的影响,进行Top-N推荐。现有的方法通过改进传统推荐算法和应用深度学习技术等方式,在一定程度上缓解了兴趣点的数据稀疏性问题,但却没有考虑到用户和位置之间的双向作用带来的积极影响。
发明内容
本发明的目的是提出基于双向矩阵的深度置信网络兴趣点推荐算法(DeepBelief Network Based on Bidirectional Matrix for Point-Of-InterestRecommendation,POI_DBNBM)。
从用户和位置两个角度出发,通过对原始数据集进行映射,构建具有双向关系的两个不同的矩阵,即以用户为主体的用户-位置签入矩阵和以位置为主体的位置-用户吸引度矩阵。其次,训练深度置信网络,确定网络的最优参数。然后,使用训练好的深度置信网络对具有双向关系的两个矩阵分别进行预测,并提出基于局部-全局的权重寻优方法去确定最优权重,对深度置信网络输出的两个结果矩阵进行加权融合,得到用户对位置的评分预测矩阵,进而完成对目标用户的Top-N推荐。最后,在FourSquare数据集上的实验结果表明,与其它代表性的算法相比,所提算法POI_DBNBM在推荐精确率、召回率和Fβ指标三个方面均有明显提升,精确率平均提升59.96%,召回率平均提升62.76%,Fβ值平均提升59.43%,充分证明了算法POI_DBNBM的有效性。
基于以上分析,针对兴趣点推荐的数据稀疏性问题,利用深度置信网络(DeepBelief Network,DBN)能够对数据进行深层次特征提取的优势,本技术方案提出了一种基于双向矩阵的深度置信网络兴趣点推荐算法。本算法考虑到用户和位置之间的双向关系,使用深度置信网络预测用户偏好,形成最终的推荐列表。
针对兴趣点数据的极度稀疏性问题,提出本算法,在构建具有双向关系的两个矩阵基础上,使用深度置信网络深入分析用户和位置之间的潜在关系,有效缓解了数据稀疏性问题。并且,提出基于局部-全局的权重寻优方法进行最优权重的确定,将深度置信网络输出的两个预测矩阵进行加权融合,进一步提高了推荐性能。在FourSquare数据集上的实验结果表明,本技术方案算法在精确率、召回率和Fβ指标三个方面均优于其它对比算法。
其优点在于:
(1)利用用户对位置的偏好和位置对用户的吸引力之间的关系,构建具有双向关系的两个矩阵,在此基础上,使用深度置信网络从用户和位置两个角度更深入地分析用户偏好,有效缓解了数据极度稀疏性问题。
(2)提出基于局部-全局的权重寻优方法,对深度置信网络输出的两个预测矩阵进行加权融合,进一步提高推荐效果。
(3)在Foursquare数据集上的实验结果证明了本技术方案所提算法的有效性,在推荐精确率、召回率和Fβ指标三个方面均优于其它对比算法。
附图说明
图1为深度置信网络整体结构图。
图2为RBM结构图。
图3为双向矩阵构建流程图。
图4为POI_DBNBM算法流程图。
图5为Mrecom在Top-N下的α和Fβ值。
图6为三种算法的精确率和召回率对比。
图7为兴趣点推荐算法的精确率和召回率比较。
具体实施方式
基于双向矩阵的深度置信网络兴趣点推荐算法,包括下列步骤:
1深度置信网络:
1.1网络结构:
深度置信网络由受限玻尔兹曼机(Restricted Boltzmann Machines,RBM)和一种反向传播机制(Back Propagation,BP)构成,整体结构如图1所示。深度置信网络训练分为两个阶段:一是利用RBM特定的无监督预训练机制对参数进行初始化,该阶段具有k层RBM,从最底层的RBM逐层训练到最后一层。二是在最后一层RBM上添加一个辅助层(AuxiliaryLayer,AL),使用BP算法进行有监督的反向调参,根据第一阶段得到的特征向量和参数,自顶向下更新整个网络的权重,从而得到最优参数。
1.2基于RBM的无监督预训练:
RBM是一种生成式的随机神经网络,具有强大的无监督学习能力,可用于特征学习、降维和分类等方面,在DBN的构建中通常被用作分层训练模型。RBM[19]包括两层神经网络,即可见层和隐藏层,与玻尔兹曼机(Boltzmann Machines,BM)不同的是,RBM的每个层内部没有连接,但两层之间呈现全连接方式,单个RBM的结构如图2所示。
其中,v是可见层,用于观测数据,h是隐藏层,也被称为特征提取层,其输出就是提取的特征。vm表示第m个可见单元的状态,hn表示第n个隐藏单元的状态。
设置w表示两层之间的连接权重,向量a和向量b分别表示可见层v和隐藏层h的偏置向量,所属集合分别为A={a1,a2,a3,...,am},B={b1,b2,b3,...,bn}。一个RBM的可见层和隐藏层单元联合构成的能量函数如下:
其中,θ={wij,ai,bj}表示RBM模型的参数,wij表示第i个可见单元与第j个隐藏单元之间的连接权重,ai表示第i个可见单元的偏置向量,bj表示第j个隐藏单元的偏置向量。
一个RBM的可见层和隐藏层的联合分布为:
其中,是归一化因子。深度置信网络中的每个RBM通过最大化其输入数据的概率进行训练,能量函数为RBM中的每个输入向量提供一个概率,通过θ的调整来降低能量,提高概率值。
在给定可见层单元的状态时,即输入数据时,第j个隐藏单元被激活的概率如下:
其中,是sigmoid激活函数,同理,给定隐藏层单元的状态时,第i个可见单元被激活的概率是:
根据公式(4),隐藏层重建输入数据,更新隐藏层单元的状态,该状态代表重建后的特征。利用文献[20]中CD对比散度算法对RBM参数的对数似然梯度简化计算的优势,权重的更新为:
ΔWij=ε(〈vihj〉data-〈vihj〉recon) (5)。
其中,ε是学习率,data和recon分别代表隐藏层重建前后的数据。
根据单个RBM的训练过程,将多个RBM进行连接,得到深度置信网络基于RBM的无监督预训练阶段。在该阶段中,最底层的RBM使用原始数据作为输入,其它每一层的RBM都把前一层的输出作为输入数据并对其进行重构,使用对比散度算法训练参数,直到最后一层RBM。预训练结束后,使用BP算法进行网络的反向调参工作。
1.3有监督的反向调参:
根据1.2节所述的RBM无监督预训练,每层的RBM都根据前一层的输出进行了参数优化,但此时每层RBM只是具有本层的最优参数,而没有使整个网络的参数达到最优。辅助层以最后一层RBM的隐藏层的输出特征向量作为输入,通过最小化估计输出值和标签数据之间的误差对网络进行有监督的参数微调,使用BP算法将误差逐层传递到最底层,从而得到整个网络的最优参数。
2基于双向矩阵的深度置信网络兴趣点推荐算法:
2.1构建双向矩阵:
为了充分挖掘用户和兴趣点之间的潜在关系,本节从用户和位置之间的双向关系出发,对原始数据集进行不同角度的映射,构建具有双向关系的两个不同的矩阵,即以用户为主体的用户-位置签入矩阵和以位置为主体的位置-用户吸引度矩阵/>具体构建流程如图3所示。
根据以上思想,用U={u1,u2,…,uq}表示用户集合,其中ui表示第i个用户,P={p1,p2,…,ps}表示位置集合,其中pj表示第j个位置,从而给出用户-位置签入矩阵和位置-用户吸引度矩阵/>的具体定义如下。
定义1.用户-位置签入矩阵具体如公式(6)所示。
定义2.位置-用户吸引度矩阵即/>的转置矩阵,具体如公式(7)所示。
2.2算法POI_DBNBM:
2.2.1POI_DBNBM的构建
基于第1节和2.1节,本节提出基于双向矩阵的深度置信网络兴趣点推荐算法(Deep Belief Network Based on Bidirectional Matrix for Point-Of-InterestRecommendation,POI_DBNBM)。算法POI_DBNBM的整体框架如图4所示。从图4中可知,算法包括训练深度置信网络、使用深度置信网络进行预测和进行Top-N推荐三个阶段。
算法使用具备两层RBM的深度置信网络,将具有双向关系的两个矩阵和作为网络训练阶段的输入,矩阵/>和/>作为预测阶段的输入。
(1)训练深度置信网络:
首先利用RBM特定的无监督预训练机制对参数进行初始化。底层的RBM对两个输入矩阵和/>进行重构,并训练本层参数,上层RBM把底层RBM重构的数据作为输入,再次进行数据重构和本层参数训练,得到两个具有相对高级特征向量的矩阵。
然后使用BP算法进行反向调参。辅助层将上层RBM的两个输出结果矩阵作为输入,并且将矩阵和/>作为带标签的数据,使用BP算法反向微调每层RBM的参数,获取整个网络的最优参数。
(2)使用深度置信网络进行预测:
使用已训练好的网络对矩阵和/>分别进行预测,得到用户偏好预测矩阵M1和位置吸引度预测矩阵M2。为了进一步提升推荐效果,提出基于局部-全局的权重寻优方法对M1和M2进行加权融合,得到预测矩阵Mrecom,具体过程将在下面2.2.2节给出。
(3)进行Top-N推荐:
基于加权融合得到的Mrecom,为每个目标用户进行Top-N推荐,得到最终的推荐列表Recom_list。
根据以上思想,给出算法POI_DBNBM的具体描述如下:
算法.兴趣点推荐算法POI_DBNBM:
算法首先对训练集和测试集进行映射,分别构建具有双向关系的两个矩阵(输出:推荐列表Recom_list的第1行~第2行)。其次使用训练集的两个矩阵对深度置信网络进行训练,得到训练好的网络(输出:推荐列表Recom_list的第3行)。然后使用训练好的网络对测试集的两个矩阵进行预测,并对输出的两个结果矩阵加权融合,获取预测矩阵Mrecom(输出:推荐列表Recom_list的第4行~第6行)。最后基于Mrecom进行Top-N推荐,得到推荐列表(输出:推荐列表Recom_list的第7行)。
2.2.2基于局部-全局的权重寻优方法:
为了使推荐结果更加准确,对经过DBN输出的两个预测矩阵M1和M2进行加权融合,得到最终的预测矩阵Mrecom,具体表达方式如下。
其中,0≤α≤1,当α=1时,表示只使用M1矩阵进行预测,当α=0时,表示只使用矩阵进行预测。为了使预测结果更加准确,需要确定最优的权重α值,因此,设计一种基于局部-全局的权重寻优方法,具体思路如下。
本技术方案综合考虑不同Top-N(本技术方案规定N=5,10,20)情况下的推荐结果,将每种Top-N下的权重看作局部权重,然后使用Fβ指标(推荐精确率和召回率的加权调和均值)确定最优权重值,即局部最优权值,具体方式如下。
在前述的某一Top-N情况下,首先将局部权重αN按一定规则进行设置,得到t个不同的局部权值然后根据公式(9)计算得到不同局部权值下的预测矩阵再根据公式(10)计算得到不同局部权重下的Fβ指标值/>最后根据公式(11)选取最大的Fβ指标值Fβ-max-N,则Fβ-max-N对应的局部权重值就是当前Top-N下的局部最优权值αN-opt,如公式(12)所示。
其中,
其中,表示一个单调函数,能够进行Fβ指标值的计算。
接下来,根据求得的不同Top-N情况下的局部最优权值计算全局最优权值。先对求得的每个局部最优权值进行权重缩放,如公式(13)所示。再通过加权组合的方式得到全局最优权值,如公式(14)所示。
其中,wN-opt表示某一Top-N下缩放后的权值。
其中,αopt是全局最优权值,将αopt代入公式(8),得到最终的预测矩阵Mrecom。
3实验与结果分析:
3.1数据集:
本技术方案实验采用真实的Foursuqare数据集[21],该数据集是用户于2010年8月至2011年7月期间在新加坡进行签入的数据信息,包含了2321名用户、5596个POI和194,108次签入。对于每个用户,选取其70%的签入信息作为训练集,20%的签入信息作为测试集,其余10%为调参集。
3.2评价指标:
(1)精确率和召回率:
本技术方案使用精确率和召回率[22]作为算法推荐性能的评价指标,具体如公式(15)和公式(16)所示。
其中,N表示推荐位置的个数,LN,rec表示根据兴趣点推荐算法得到的前N个位置组成的推荐列表。Ltest表示用户真实的位置列表,由测试集中的用户实际访问的位置组成。
(2)Fβ:
Fβ指标[23]是精确率和召回率的加权调和均值,综合考虑了两者的评价结果,本技术方案使用β=1进行实验结果的对比和分析,能够更加客观地证明推荐算法的有效性。
3.3实验对比分析:
3.3.1权重α的设置:
为了进一步提升推荐效果,对经过深度置信网络输出的用户偏好预测矩阵M1和位置吸引度预测矩阵M2进行加权融合。根据2.2.2节中的公式(8)可知,权重α的取值情况对预测矩阵Mrecom有直接影响。因此,本节根据前面提出的基于局部-全局的权重寻优方法对α的取值进行实验设置。
首先计算每个Top-N(N=5,10,20)下的局部最优权值,将局部权重αN的取值间隔大小设置为0.02,从0.0依次递增至1.0。根据公式(9)计算每个局部权重下的预测矩阵进而根据公式(10)求出每个预测矩阵下的Fβ指标值。根据公式(11)和(12),分别获取Top-5,Top-10和Top-20的Fβ指标最大值和每个Fβ最大值对应的局部最优权值。是Fβ-max-5=0.138797,Fβ-max-10=0.154790和Fβ-max-20=0.156023,根据公式(12),得到每个Fβ指标最大值对应的局部最优权值分别是α5-opt=0.28,α10-opt=0.24和α20-opt=0.18,具体如图5所示。然后通过公式(13)和(14)的计算,得到全局最优权值αopt=0.23。
通过计算实验所用的评价指标的平均值,验证权重α寻优方法的有效性。将αopt、α5-opt、α10-opt和α20-opt分别代入公式(8)中,得到对应的预测矩阵Mrecom,Mrecom-5,Μrecom-10和Mrecom-20。基于每个矩阵,先进行Top-5,Top-10和Top-20推荐,再计算每个Top-N下的精确率、召回率和Fβ(β=1)值,最后统计所有Top-N下的精确率平均值、召回率平均值和Fβ(β=1)平均值,统计结果如表1所示。
表1局部和全局最优权值所对应矩阵的评价指标平均值
权值 | 精确率平均值 | 召回率平均值 | Fβ 平均值 |
α5-opt=0.28 | 0.14086 | 0.18148 | 0.14680 |
α10-opt=0.24 | 0.14170 | 0.18408 | 0.14826 |
α20-opt=0.18 | 0.14164 | 0.18509 | 0.14852 |
αopt=0.23 | 0.14203 | 0.18446 | 0.14857 |
根据表1可知,全局最优权值αopt=0.23对应矩阵的评价指标平均值高于局部最优权值,也就是与局部最优权值相比,全局最优权值能够带来更加准确的预测结果,从而证明了本技术方案提出的基于局部-全局的权重寻优方法的有效性。基于以上结果和分析,本技术方案设置α=0.23来获取最终的预测矩阵。
3.3.2双向关系对推荐结果的影响:
为了更好地挖掘用户签入数据特征以提升推荐效果,本技术方案基于用户和位置的双向关系构建两个不同的矩阵作为深度置信网络的输入。为了验证所提方法的有效性,本节根据用户-位置签入矩阵和位置-用户吸引度矩阵构建两种不同的兴趣点推荐算法,具体如下所示。
(1)基于用户-位置签入矩阵的深度置信网络兴趣点推荐算法(Deep BeliefNetwork Based on User-location Check-in Matrix for Point-Of-InterestRecommendation,POI_DBNUM)。
(2)基于位置-用户吸引度矩阵的深度置信网络兴趣点推荐算法(Deep BeliefNetwork Based on Location-user Attractiveness Matrix for Point-Of-InterestRecommendation,POI_DBNLM)。
将本技术方案提出的算法POI_DBNBM和以上两种算法在FourSquare数据集上进行实验对比分析,精确率和召回率的结果分别如图6中(a)部分和图6中(b)部分所示。
从图6可以看出,在不同Top-N(N=5,10,20)推荐情况下,算法POI_DBNBM的精确率和召回率明显高于算法POI_DBNUM和算法POI_DBNLM。具体来说,与算法POI_DBNUM和POI_DBNLM相比,算法POI_DBNBM的精确率平均提高了40.58%,召回率平均提高了38.26%。由此可见,与基于单一关系构建的单个矩阵相比,基于双向关系构建的两个矩阵,更有助于推荐效果的提升。
3.3.3推荐结果分析:
为了证明本技术方案算法的有效性,选取以下5个算法进行实验对比。
(1)RBMNMF[24]。融合叠加的受限玻尔兹曼机和传统非负矩阵分解模型的兴趣点推荐方法。
(2)Geo-MF[10]。在权重矩阵分解模型的基础上集成地域影响力的兴趣点推荐方法。
(3)Rank-GeoFM[25]。考虑签到频率、地理因素和兴趣点的正确排序,提出的基于排名的地理因子分解方法。
(4)RecNet[26]。使用深度神经网络学习用户和位置之间的特征,进行个性化推荐的兴趣点推荐方法。
(5)Geo-ALM[27]。融合地理特征和生成式对抗网络的兴趣点推荐方法。
图7(a)和图7(b)分别给出了FourSquare数据集上6种算法的Top-N(N=5,10,20)的精确率和召回率结果。由图可知,本技术方案算法POI_DBNBM与RBMNMF、Geo-MF、Rank-GeoFM、RecNet和Geo-ALM相比,以Top-5为例,精确率分别提高了64.88%,53.73%、33.11%、28.65%和32.55%。以Top-20为例,召回率分别提高了58.95%,60.81%、45.51%、40.66%和43.27%。所以,本技术方案算法在精度和召回率方面的实验结果均优于其它5个算法。
采用基于精确率和召回率的Fβ指标,进一步证明本技术方案算法的有效性,具体实验结果如表2所示。通过观察每个算法在Top-5,Top-10和Top-20情况下的Fβ指标值,本技术方案算法POI_DBNBM与RBMNMF、Geo-MF、Rank-GeoFM、RecNet和Geo-ALM相比,分别提高了60.72%,53.96%、38.21%、31.61%和34.21%。所以,从Fβ指标来看,本技术方案算法要优于其它5个算法。
表2兴趣点推荐算法的Fβ(β=1)指标值对比
以上结果表明,本技术方案算法在FourSquare数据集上的推荐性能优于其它5个对比算法。主要原因是利用用户和位置之间的双向关系,构建两个不同的矩阵,在此基础上,使用深度置信网络更深入地分析用户偏好,有效缓解了数据极度稀疏性问题,并对深度置信网络输出的两个预测矩阵使用加权融合的方法,以达到最佳推荐效果。因此,本技术方案算法具有更好的推荐性能。
参考文献
[1]Cho E,Myers S A,Leskovec J.Friendship and mobility:user movementin location-based social networks[C]//Proceedings of the 17th ACM SIGKDDinternational conference on Knowledge discovery and data mining.New York,USA:ACM Press,2011:1082-1090。
Cho E,Myers S A,Leskovec J.社会友谊和人群移动:基于位置的社交网络中的用户移动[C]//第十七届ACM SIGKDD知识发现和数据挖掘国际会议论文集.美国纽约:ACM出版社,2011:1082-1090。
[2]Qu H Y,Yu Z W,Tian M,et al.Research and implementation ofcommercial site recommendation system based on LBSN[J].Computer Science,2015,42(9):33-36。Qu H Y,Yu Z W,Tian M等人.基于LBSN的商业站点推荐系统的研究与实现[J].计算机科学,2015,42(9):33-36。
[3]Werneck H,Silva N,Viana M C,et al.A survey on point-of-interestrecommendation in location-based social networks[C]//Proceedings of theBrazilian Symposium on Multimedia and the Web.New York,USA:ACM Press,2020:185-192。
Werneck H,Silva N,Viana M C等人.基于位置的社交网络中兴趣点推荐调查[C]巴西多媒体和网络研讨会论文集.美国纽约:ACM出版社,2020:185-192。
[4]Werneck H,Silva N,Carvalho M,et al.A systematic mapping on POIrecommendation:Directions,contributions and limitations of recent studies[J].Information Systems,2021,101(10):101789-101803。
Werneck H,Silva N,Carvalho M等人.POI推荐的系统映射:近期研究的方向、贡献和局限性[J].信息系统,2021,101(10):101789-101803。
[5]Liu F,Lee H J.Use of social network information to enhancecollaborative filtering performance[J].Expert systems with applications,2010,37(7):4772-4778。Liu F,Lee H J.利用社交网络信息增强协同过滤性能[J].专家系统与应用,2010,37(7):4772-4778。
[6]Wang W,Chen J,Wang J,et al.Trust-enhanced collaborative filteringfor personalized point of interests recommendation[J].IEEE Transactions onIndustrial Informatics,2019,16(9):6124-6132。
Wang W,Chen J,Wang J,et al.用于个性化兴趣点推荐的信任增强协同过滤[J].IEEE工业信息学汇刊,2019,16(9):6124-6132。
[7]Zhang S,Yao L,Sun A,et al.Deep learning based recommender system:Asurvey and new perspectives[J].ACM Computing Surveys(CSUR),2019,52(1):1-38。
S,Yao L,Sun A,et al.基于深度学习的推荐系统:调查和新观点[J].ACM计算调查(CSUR),2019,52(1):1-38。
[8]Zhang J D,Chow C Y.iGSLR:personalized geo-social locationrecommendation:a kernel density estimation approach[C]//Proceedings of the21st ACM SIGSPATIAL International Conference on Advances in GeographicInformation Systems.New York,USA:ACM Press,2013:334-343。
Zhang J D,Chow C Y.iGSLR:个性化地理社会位置推荐:一种核密度估计方法[C]//第21届ACM SIGSPATIAL地理信息系统进展国际会议论文集.美国纽约:ACM出版社,2013:334-343。
[9]Liu Y,Wei W,Sun A,et al.Exploiting geographical neighborhoodcharacteristics for location recommendation[C]//Proceedings of the 23rd ACMinternational conference on conference on information and knowledgemanagement.New York,USA:ACM Press,2014:739-748。
Liu Y,Wei W,Sun A,et al.利用地理邻域特征进行位置推荐[C]//第23届ACM信息与知识管理国际会议论文集.美国纽约:ACM出版社,2014:739-748。
[10]Lian D,Zhao C,Xie X,et al.GeoMF:joint geographical modeling andmatrix factorization for point-of-interest recommendation[C]//Proceedings ofthe 20th ACM SIGKDD international conference on Knowledge discovery and datamining.New York,USA:ACM Press,2014:831-840。
Lian D,Zhao C,Xie X,et al.GeoMF:联合地理建模和矩阵分解的兴趣点推荐[C]/第20届ACM SIGKDD知识发现与数据挖掘国际会议论文集.美国纽约:ACM出版社,2014:831-840。
[11]Lian D,Zheng K,Ge Y,et al.GeoMF++scalable location recommendationvia joint geographical modeling and matrix factorization[J].ACM Transactionson Information Systems(TOIS),2018,36(3):1-29。
Lian D,Zheng K,Ge Y,et al.通过联合地理建模和矩阵分解的GeoMF++可扩展位置推荐[J].ACM信息系统汇刊(TOIS),2018,36(3):1-29。
[12]高榕,李晶,杜博,等.一种融合情景和评论信息的位置社交网络兴趣点推荐模型[J].计算机研究与发展,2016,53(4):752-763。
[13]余永红,高阳,王皓.基于Ranking的泊松矩阵分解兴趣点推荐算法[J].计算机研究与发展,2016,53(8):1651-1663。
[14]Davtalab M,Alesheikh AA.A POI recommendation approach integratingsocial spatio-temporal information into probabilistic matrix factorization[J].Knowledge and Information Systems,2021,63(1):65-85。
Davtalab M,Alesheikh AA.一种将社会时空信息整合到概率矩阵分解中的POI推荐方法[J].知识和信息系统,2021,63(1):65-85。
[15]Yang C,Bai L,Zhang C,et al.Bridging collaborative filtering andsemi-supervised learning:a neural approach for poi recommendation[C]//Proceedings of the 23rd ACM SIGKDD International Conference on KnowledgeDiscovery and Data Mining.New York,USA:ACM Press,2017:1245-1254。
Yang C,Bai L,Zhang C,et al.桥接协同过滤和半监督学习:一种用于POI推荐的神经方法[C]//第23届ACM SIGKDD知识发现与数据挖掘国际会议论文集.美国纽约:ACM出版社,2017:1245-1254。
[16]Chang L,Chen W,Huang J,et al.Exploiting multi-attention networkwith contextual influence for point-of-interest recommendation[J].AppliedIntelligence,2021,51(4):1904-1917。
Chang L,Chen W,Huang J,et al.利用具有上下文影响的多注意网络进行兴趣点推荐[J].应用智能,2021,51(4):1904-1917。
[17]魏晓辉,孙冰怡,崔佳旭.基于图神经网络的兴趣活动推荐算法[J].吉林大学学报(工学版),2021,51(1):278-284。
[18]Safavi S,Jalali M.RecPOID:POI Recommendation with FriendshipAware and Deep CNN[J].Future Internet,2021,13(3):79-93。
Safavi S,Jalali M.RecPOID:具有友谊感知和深度卷积神经网络的兴趣点推荐[J].未来互联网,2021,13(3):79-93。
[19]Hinton G.A practical guide to training restricted Boltzmannmachines[M]//Neural networks:Tricks of the trade.Springer,Berlin:Heidelberg,2012:599-619。
Hinton G.训练受限玻尔兹曼机的实用指南[M]//神经网络:交易技巧.柏林斯普林格:海德堡,2012:599-619。
[20]Hinton G E.Training products of experts by minimizing contrastivedivergence[J].Neural computation,2002,14(8):1771-1800。
Hinton G E.通过最小化对比分歧来训练专家的产品[J].神经计算,2002,14(8):1771-1800。
[21]Yuan Q,Cong G,Ma Z,et al.Time-aware point-of-interestrecommendation[C]//Proceedings of the 36th international ACM SIGIR conferenceon Research and development in information retrieval.New York,USA:ACM Press,2013:363-372。
Yuan Q,Cong G,Ma Z,et al.时间感知兴趣点推荐[C]//第36届国际ACM SIGIR信息检索研究与发展会议论文集.美国纽约:ACM出版社,2013:363-372。
[22]Bao J,Zheng Y,Wilkie D,et al.Recommendations in location-basedsocial networks:a survey[J].GeoInformatica,2015,19(3):525-565。
Bao J,Zheng Y,Wilkie D等人.基于位置的社交网络中的推荐:一项调查[J].地理信息学,2015,19(3):525-565。
[23]Wang W,Lai Q,Fu H,et al.Salient object detection in the deeplearning era:An in-depth survey[J].IEEE Transactions on Pattern Analysis andMachine Intelligence,2021,44(6):3239-3259。
Wang W,Lai Q,Fu H,et al.深度学习时代的显着目标检测:深入调查[J].IEEE模式分析和机器智能汇刊,2021,44(6):3239-3259。
[24]Zeng J,Tang H,Li Y,et al.A Deep Learning Model Based on SparseMatrix for Point-of-Interest Recommendation[C]//The 31st InternationalConference on Software Engineering and Knowledge Engineering.KSI Press,2019:379-492。
Zeng J,Tang H,Li Y,et al.用于兴趣点推荐的一种基于稀疏矩阵的深度学习模型[C]//第31届软件工程与知识工程国际会议论文集.KSI出版社,2019:379-492。
[25]Li X,Cong G,Li X L,et al.Rank-geofm:A ranking based geographicalfactorization method for point of interest recommendation[C]//Proceedings ofthe38th international ACM SIGIR conference on research and development ininformation retrieval.New York,USA:ACM Press,2015:433-442。
Li X,Cong G,Li X L,et al.Rank-geofm:用于兴趣点推荐的一种基于排序的地理因子分解方法[C]//第38届国际ACM SIGIR信息检索研究与发展会议论文集.美国纽约:ACM出版社,2015:433-442。
[26]Ding R,Chen Z.RecNet:A deep neural network for personalized POIrecommendation in location-based social networks[J].International Journal ofGeographical Information Science,2018,32(8):1631-1648。
Ding R,Chen Z.RecNet:基于位置的社交网络中用于个性化POI推荐的一种深度神经网络[J].国际地理信息科学杂志,2018,32(8):1631-1648。
[27]Liu W,Wang Z J,Yao B,et al.Geo-ALM:POI Recommendation by FusingGeographical Information and Adversarial Learning Mechanism[C]//Proceedingsof the 28th International Joint Conference on Artificial Intelligence.Macao,China:IJCAI Press,2019:1807-1813。
Liu W,Wang Z J,Yao B,et al.Geo-ALM:融合地理信息和对抗学习机制的POI推荐[C]//第28届国际人工智能联合会议论文集.中国澳门:IJCAI出版社,2019:1807-1813。
Claims (4)
1.基于双向矩阵的深度置信网络兴趣点推荐算法,其特征在于包括下列步骤:
从用户和位置两个角度出发,通过对原始数据集进行映射,构建具有双向关系的两个不同的矩阵;
其次,训练深度置信网络,确定网络的最优参数;
然后,使用训练好的深度置信网络对具有双向关系的两个矩阵分别进行预测,并提出基于局部-全局的权重寻优方法去确定最优权重,对深度置信网络输出的两个结果矩阵进行加权融合,得到用户对位置的评分预测矩阵,进而完成对目标用户的Top-N推荐;
构建具有双向关系的两个不同的矩阵:
以用户为主体的用户-位置签入矩阵和以位置为主体的位置-用户吸引度矩阵
用U={u1,u2,...,uq}表示用户集合,其中ui表示第i个用户,P={p1,p2,...,ps}表示位置集合,其中pj表示第j个位置,从而给出用户-位置签入矩阵和位置-用户吸引度矩阵/>的具体定义如下;
定义1.用户-位置签入矩阵具体如公式(6)所示;
定义2.位置-用户吸引度矩阵即/>的转置矩阵,具体如公式(7)所示;
所述的推荐:算法包括训练深度置信网络、使用深度置信网络进行预测和进行Top-N推荐三个阶段;
算法使用具备两层RBM的深度置信网络,将具有双向关系的两个矩阵和作为网络训练阶段的输入,矩阵/>和/>作为预测阶段的输入;
1)训练深度置信网络:
首先利用RBM特定的无监督预训练机制对参数进行初始化;底层的RBM对两个输入矩阵和/>进行重构,并训练本层参数,上层RBM把底层RBM重构的数据作为输入,再次进行数据重构和本层参数训练,得到两个具有相对高级特征向量的矩阵;
然后使用BP算法进行反向调参;辅助层将上层RBM的两个输出结果矩阵作为输入,并且将矩阵和/>作为带标签的数据,使用BP算法反向微调每层RBM的参数,获取整个网络的最优参数;
2)使用深度置信网络进行预测:
使用已训练好的网络对矩阵和/>分别进行预测,得到用户偏好预测矩阵M1和位置吸引度预测矩阵M2;为了进一步提升推荐效果,提出基于局部-全局的权重寻优方法对M1和M2进行加权融合,得到预测矩阵Mrecom;
3)进行Top-N推荐:
基于加权融合得到的Mrecom,为每个目标用户进行Top-N推荐,得到最终的推荐列表Recom_list;
基于局部-全局的权重寻优方法:
对经过DBN输出的两个预测矩阵M1和M2进行加权融合,得到最终的预测矩阵Mrecom,具体表达方式如下;
其中,0≤α≤1,当α=1时,表示只使用M1矩阵进行预测,当α=0时,表示只使用矩阵进行预测;
综合考虑不同Top-N情况下的推荐结果,将每种Top-N下的权重看作局部权重,然后使用Fβ指标确定最优权重值;
在一个Top-N情况下,首先将局部权重αN按一定规则进行设置,得到t个不同的局部权值然后根据公式(9)计算得到不同局部权值下的预测矩阵再根据公式(10)计算得到不同局部权重下的Fβ指标值/>最后根据公式(11)选取最大的Fβ指标值Fβ-max-N,Fβ-max-N对应的局部权重值就是当前Top-N下的局部最优权值αN-opt,如公式(12)所示;
其中,
其中,表示一个单调函数,能够进行Fβ指标值的计算;
接下来,根据求得的不同Top-N情况下的局部最优权值计算全局最优权值;先对求得的每个局部最优权值进行权重缩放,如公式(13)所示;再通过加权组合的方式得到全局最优权值,如公式(14)所示;
其中,wN-opt表示某一Top-N下缩放后的权值;
其中,αopt是全局最优权值,将αopt代入公式(8),得到最终的预测矩阵Mrecom。
2.根据权利要求1所述的基于双向矩阵的深度置信网络兴趣点推荐算法,其特征在于包括下列步骤:
训练深度置信网络,确定网络的最优参数:
单个RBM的结构中,v是可见层,用于观测数据,h是隐藏层;vm表示第m个可见单元的状态,hn表示第n个隐藏单元的状态;
设置w表示两层之间的连接权重,向量a和向量b分别表示可见层v和隐藏层h的偏置向量,所属集合分别为A={a1,a2,a3,...,am},B={b1,b2,b3,...,bn};一个RBM的可见层和隐藏层单元联合构成的能量函数如下:
其中,θ={wij,ai,bj}表示RBM模型的参数,wij表示第i个可见单元与第j个隐藏单元之间的连接权重,ai表示第i个可见单元的偏置向量,bj表示第j个隐藏单元的偏置向量;
一个RBM的可见层和隐藏层的联合分布为:
其中,是归一化因子;
在给定可见层单元的状态时,即输入数据时,第j个隐藏单元被激活的概率如下:
其中,是sigmoid激活函数,给定隐藏层单元的状态时,第i个可见单元被激活的概率是:
根据公式(4),隐藏层重建输入数据,更新隐藏层单元的状态,该状态代表重建后的特征;用CD对比散度算法对RBM参数的对数似然梯度简化计算的优势,权重的更新为:
ΔWij=ε(<vihj>data-<vihj>recon) (5);
其中,ε是学习率,data和recon分别代表隐藏层重建前后的数据;
预训练结束后,使用BP算法进行网络的反向调参;
辅助层以最后一层RBM的隐藏层的输出特征向量作为输入,通过最小化估计输出值和标签数据之间的误差对网络进行有监督的参数微调,使用BP算法将误差逐层传递到最底层,从而得到整个网络的最优参数。
3.根据权利要求1所述的基于双向矩阵的深度置信网络兴趣点推荐算法,其特征在于包括下列步骤:
输入:训练集Traindata和测试集Testdata;
输出:推荐列表Recom_list;
1:
2:
3:
4:
5:
6:Mrecom←Weight(M1,M2)
7:Recom_list←Top_N(Mrecom)。
4.根据权利要求3所述的基于双向矩阵的深度置信网络兴趣点推荐算法,其特征在于包括下列步骤:
所述的Top-N为N=5,10或20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210826928.XA CN115357781B (zh) | 2022-07-13 | 2022-07-13 | 基于双向矩阵的深度置信网络兴趣点推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210826928.XA CN115357781B (zh) | 2022-07-13 | 2022-07-13 | 基于双向矩阵的深度置信网络兴趣点推荐算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115357781A CN115357781A (zh) | 2022-11-18 |
CN115357781B true CN115357781B (zh) | 2024-02-23 |
Family
ID=84032326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210826928.XA Active CN115357781B (zh) | 2022-07-13 | 2022-07-13 | 基于双向矩阵的深度置信网络兴趣点推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115357781B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694652A (zh) * | 2009-09-30 | 2010-04-14 | 西安交通大学 | 一种基于极速神经网络的网络资源个性化推荐方法 |
CN105550950A (zh) * | 2015-11-20 | 2016-05-04 | 广东工业大学 | 一种基于位置服务的旅游推荐方法 |
CN105808680A (zh) * | 2016-03-02 | 2016-07-27 | 西安电子科技大学 | 基于张量分解进行上下文相关的位置推荐方法 |
CN108563660A (zh) * | 2017-12-29 | 2018-09-21 | 温州大学 | 服务推荐方法、系统及服务器 |
CN109716346A (zh) * | 2016-07-18 | 2019-05-03 | 河谷生物组学有限责任公司 | 分布式机器学习系统、装置和方法 |
CN110110214A (zh) * | 2018-01-25 | 2019-08-09 | 重庆邮电大学 | 基于双向加权值及用户行为的动态推荐及加噪方法 |
CN112784163A (zh) * | 2021-01-29 | 2021-05-11 | 东北财经大学 | 基于RS24的个性化POIs推荐方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160034814A1 (en) * | 2014-08-01 | 2016-02-04 | University Of Southern California | Noise-boosted back propagation and deep learning neural networks |
US11328169B2 (en) * | 2017-09-26 | 2022-05-10 | Nvidia Corporation | Switchable propagation neural network |
WO2019212570A1 (en) * | 2018-05-04 | 2019-11-07 | Visa International Service Association | Transition regularized matrix factorization for sequential recommendation |
-
2022
- 2022-07-13 CN CN202210826928.XA patent/CN115357781B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694652A (zh) * | 2009-09-30 | 2010-04-14 | 西安交通大学 | 一种基于极速神经网络的网络资源个性化推荐方法 |
CN105550950A (zh) * | 2015-11-20 | 2016-05-04 | 广东工业大学 | 一种基于位置服务的旅游推荐方法 |
CN105808680A (zh) * | 2016-03-02 | 2016-07-27 | 西安电子科技大学 | 基于张量分解进行上下文相关的位置推荐方法 |
CN109716346A (zh) * | 2016-07-18 | 2019-05-03 | 河谷生物组学有限责任公司 | 分布式机器学习系统、装置和方法 |
CN108563660A (zh) * | 2017-12-29 | 2018-09-21 | 温州大学 | 服务推荐方法、系统及服务器 |
CN110110214A (zh) * | 2018-01-25 | 2019-08-09 | 重庆邮电大学 | 基于双向加权值及用户行为的动态推荐及加噪方法 |
CN112784163A (zh) * | 2021-01-29 | 2021-05-11 | 东北财经大学 | 基于RS24的个性化POIs推荐方法 |
Non-Patent Citations (4)
Title |
---|
Location regularization-based POI recommendation in location-based social networks;Lei Guo等;《Information》;1-15 * |
Point of Interest recommendation method based on Bidirectional Matrix and Deep belief network;Huawei Yi等;《Wiley Online Library》;第18卷(第6期);1-9 * |
基于深度学习技术的兴趣点推荐方法研究;李康林;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-1350 * |
基于社交环境和时空数据的个性化位置推荐研究;栗恒;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-6355 * |
Also Published As
Publication number | Publication date |
---|---|
CN115357781A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A posterior-neighborhood-regularized latent factor model for highly accurate web service QoS prediction | |
CN109062962B (zh) | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 | |
Gui et al. | Embedding learning with events in heterogeneous information networks | |
CN111259263B (zh) | 一种物品推荐方法、装置、计算机设备及存储介质 | |
Hao et al. | Real-time event embedding for POI recommendation | |
Jiang et al. | Fema: flexible evolutionary multi-faceted analysis for dynamic behavioral pattern discovery | |
Pujahari et al. | Modeling side information in preference relation based restricted boltzmann machine for recommender systems | |
CN106776928B (zh) | 基于内存计算框架、融合社交及时空数据的位置推荐方法 | |
Lu et al. | GLR: A graph-based latent representation model for successive POI recommendation | |
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 | |
Rahimi et al. | Behavior-based location recommendation on location-based social networks | |
Xu et al. | Effective community division based on improved spectral clustering | |
Wang et al. | POI recommendation method using LSTM-attention in LBSN considering privacy protection | |
Khan et al. | Gray method for multiple attribute decision making with incomplete weight information under the pythagorean fuzzy setting | |
Ma et al. | Exploring multiple spatio-temporal information for point-of-interest recommendation | |
Li et al. | An attention-based spatiotemporal GGNN for next POI recommendation | |
Lang et al. | POI recommendation based on a multiple bipartite graph network model | |
Liu et al. | VGMF: visual contents and geographical influence enhanced point‐of‐interest recommendation in location‐based social network | |
Chuang et al. | TPR: Text-aware preference ranking for recommender systems | |
Sang et al. | LSVP: A visual based deep neural direction learning model for point-of-interest recommendation on sparse check-in data | |
Ke et al. | Group-based recurrent neural network for human mobility prediction | |
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 | |
CN115357781B (zh) | 基于双向矩阵的深度置信网络兴趣点推荐算法 | |
Yang et al. | Meta path-aware recommendation method based on non-negative matrix factorization in LBSN | |
Gao et al. | Personalized recommendation method of POI based on deep neural network |
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 |