CN117216397A - 一种基于区域影响的深度矩阵分解的poi推荐方法 - Google Patents

Abstract

本发明提出一种基于区域影响的深度矩阵分解的POI推荐方法，属于智能推荐技术领域。包括：S1.获取POI数据，进行预处理，并构建用户兴趣点矩阵；S2.对用户兴趣点进行偏置分析；S3.对用户兴趣点矩阵进行正则化处理；S4.构建POI图获取POI功能嵌入表示，构建Region图获取区域嵌入表示；S5.获取区域影响指数和关联区域特征的用户兴趣点偏置矩阵；S6.构建深度矩阵分解模型，训练模型，预测用户对未知兴趣点的兴趣程度。本发明通过学习用户和POI之间的潜在特征向量，能够更好地捕捉用户的兴趣和POI的特征。通过对用户‑POI矩阵的分解和补全，能够准确地预测用户的POI访问偏好，并生成个性化的推荐结果。

Description

一种基于区域影响的深度矩阵分解的POI推荐方法

技术领域

本申请涉及POI推荐方法，尤其涉及一种基于区域影响的深度矩阵分解的POI推荐方法，属于智能推荐技术领域。

背景技术

随着城市化进程的加速，越来越多的人在城市中活动，其在不同位置的兴趣点访问行为产生了丰富的数据。兴趣点(Points of Interest，简称POI)成为了城市中不可或缺的一部分，POI推荐作为一个重要的研究方向，不仅关系到用户个性化体验，还具有城市规划和商业运营等多个应用场景。

然而，传统的POI推荐方法往往忽略了POI所在区域的特征和用户的空间偏好，导致推荐结果的准确性不高。为了解决这一问题，近年来，更多的研究者将城市区域信息与POI推荐算法相结合，通过将区域特征与用户访问的POI信息进行关联，提高推荐的准确性和个性化程度。区域特征能够反映不同区域的特点和用户的空间偏好。通过将区域特征与POI数据进行关联，可以建立起区域特征与POI之间的联系，为推荐算法提供更加全面的信息，从而提供更为个性化的POI推荐。

城市区域信息与POI(Point of Interest，兴趣点)推荐算法的结合是当前研究的热点，旨在克服传统推荐算法中存在的冷启动、精度、多样性等问题，为用户提供更个性化、多样化的位置推荐服务；但该领域在时空建模方面仍存在一些不足：对于时空信息的动态变化：用户的兴趣和位置偏好随时间和空间的变化而变化，需要推荐算法具备实时更新和适应能力；在时空轨迹模式识别中：如何识别不同的时空轨迹模式，包括周期性、突发性等，以更准确地推荐位置，也仍是一个待解决的问题；因此，将城市区域信息与POI推荐算法结合的研究，在挖掘空间、时间、用户行为等多方面信息仍需要展开更加深入的研究，以实现更精准、更智能的位置推荐服务。

发明内容

在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于此，为解决现有技术中存在的技术问题，本发明提供一种基于区域影响的深度矩阵分解的POI推荐方法。

方案一、一种基于区域影响的深度矩阵分解的POI推荐方法，包括以下步骤：

S1.获取POI数据，进行预处理，并构建用户兴趣点矩阵；

S2.对用户兴趣点进行偏置分析；

S3.对用户兴趣点矩阵进行正则化处理；

S4.构建POI图获取POI功能嵌入表示，构建Region图获取区域嵌入表示；

S5.获取区域影响指数和关联区域特征的用户兴趣点偏置矩阵；

S6.构建深度矩阵分解模型，训练模型，预测用户对未知兴趣点的兴趣程度。

优选的，获取POI数据，进行预处理，并构建用户兴趣点矩阵的方法是：

S11.对POI数据进行初始编码POI：poi₁，poi₂，...，poi_n，每个poi编码包含位置信息pos_i和功能类别信息category_j；

S12.根据每个poi的位置信息和功能类别信息将道路分布划分为多个相邻且不覆盖的区域Region：region₁，region₂，...，region_k，每个区域有多个POI分布；

S13.将用户访问数据与POI数据关联映射，转化为用户兴趣点矩阵，矩阵的行表示用户，列表示兴趣点，共有m行n列，表示m个用户和n个兴趣点之间的关系，每个元素R[i，j]表示用户user_i对兴趣点poi_j的兴趣程度，即用户对当前兴趣点的访问次数。

优选的，对用户兴趣点进行偏置分析的方法是：

对用户兴趣点进行偏置分析中，引入两个偏置项：用户偏置项和兴趣点偏置项，公式表示为：

用户偏置项：表示用户对兴趣点的整体倾向性，即用户对所有兴趣点的平均兴趣程度；

兴趣点偏置项：表示兴趣点受到用户喜欢的整体倾向性，即所有用户对该兴趣点的平均兴趣程度；

其中，b_u(i)表示用户i的偏置项，b_p(j)表示兴趣点j的偏置项，|I_u|表示用户i对兴趣点的数量，|U_j|表示兴趣点j被用户的数量，μ表示全局平均兴趣程度。

优选的，对用户兴趣点矩阵进行正则化处理的方法是：

使用L2正则化对用户兴趣点矩阵的元素进行约束，将正则化项λ(∑_i∑_jR²(i，j))到损失函数中，其中，λ是正则化参数，用于控制正则化的强度；通过L2正则化惩罚原始的用户兴趣点矩阵中的大值，得到最终的正则化后的用户兴趣点矩阵，公式表示为：

其中，R(i，j)表示正则化后的兴趣矩阵的元素，R(i，j)表示原始的兴趣矩阵的元素，μ表示全局平均兴趣程度，b_u(i)表示用户偏置项，b_p(j)表示兴趣点偏置项，λ是正则化参数。

优选的，构建POI图获取POI功能嵌入表示，构建Region图获取区域嵌入表示的方法是：

S41.构建POI图获取POI功能嵌入表示：从全局视图观察所有POI的功能类别信息和道路分布之间的关系，构建POI图G^P＝(V^P；E^P)，V^P表示每个功能类别的POI；E^P表示每个功能类别与POI之间的关联，即用户由A类POI访问B类POI，则V^P_A与V^P之间有边关系；经过RotateE网络进行训练，通过最大化正确三元组的得分优化嵌入，得到每类POI的功能嵌入表示结果POI^embedding；

S42.构建Region图获取区域嵌入表示：从全局视图观察区域的分布和距离之间的关系，构建POI图G^R＝(V^R；E^R)，V^R表示每个区域；E^R表示区域之间最短距离关系；区域之间最短距离关系为：region_a与region_a的最短可达需跨越的区域个数，如果region_a与region_a直接联通则距离为0，region_a与region_a需要至少穿越一个区域，则距离为1；经过RotateE网络进行训练，将G^R图中的区域节点映射为低维向量，得到每个区域的嵌入表示结果Region^embedding。

优选的，获取区域影响指数和关联区域特征的用户兴趣点偏置矩阵的方法是：

S51.获取区域影响指数：将每个兴趣点的所属类型的POI功能嵌入表示和所在区域的嵌入表示通过余弦相似度Sim(POI_i，Region_j)进行比较，得到区域对用户访问当前POI的区域影响指数：

其中，·表示向量的点积(内积)，////表示向量的欧氏范数；

S52.将用户兴趣点矩阵中的每个值与矩阵中i行j列的值对应Sim(POI_i，Region_j)相乘得到新的关联区域特征影响的指数的用户兴趣点偏置矩阵。

优选的，构建深度矩阵分解模型，训练模型，预测用户对未知兴趣点的兴趣程度的方法是：

S61.构建深度矩阵分解的循环神经网络模型，将关联区域特征的用户兴趣点矩阵分解为两个低维矩阵(S^U，S^P)的乘积，用户和兴趣点之间在区域特征影响下的的潜在关系；其中，一个低维矩阵表示用户的兴趣特征S^U，另一个低维矩阵表示兴趣点的特征S^P；

S62.经过深度矩阵分解模型的训练，并使用交叉熵损失函数进行调优化，最终通过学习两个低维矩阵，将关联区域特征的用户兴趣点矩阵进行补全，得到补全的关联区域特征的用户兴趣点矩阵S^F；

S63.输入用户和兴趣点至深度矩阵分解模型，输出预测用户对未知兴趣点的兴趣程度。

方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的一种基于区域影响的深度矩阵分解的POI推荐方法的步骤。

方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种基于区域影响的深度矩阵分解的POI推荐方法。

本发明的有益效果如下：本发明通过学习用户和POI之间的潜在特征向量，能够更好地捕捉用户的兴趣和POI的特征。通过对用户-POI矩阵的分解和补全，能够准确地预测用户的POI访问偏好，并生成个性化的推荐结果。基于区域影响的深度矩阵分解的POI推荐算法在提高推荐准确性和满足用户个性化需求方面具有显著优势。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为一种基于区域影响的深度矩阵分解的POI推荐方法流程示意图。

具体实施方式

为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例1、参照图1说明本实施方式，一种基于区域影响的深度矩阵分解的POI推荐方法，包括以下步骤：

S1.获取POI数据，进行预处理，并构建用户兴趣点矩阵；POI(兴趣点)数据包含的信息为位置信息、功能类别；

S11.对POI数据进行初始编码POI：poi₁，poi₂，...，poi_n，每个poi编码包含位置信息pos_i和功能类别信息category_j；

S12.根据每个poi的位置信息和功能类别信息将道路分布划分为多个相邻且不覆盖的区域Region：region₁，region₂，...，region_k，每个区域有多个POI分布；位置信息为兴趣点的经纬度信息；功能类别信息根据POI功能类别共划分为标号为1-20的20个不同类；

S13.构建用户兴趣点矩阵：将用户访问数据与POI数据关联映射，转化为用户兴趣点矩阵M，矩阵的行表示用户，列表示兴趣点，共有m行n列，表示m个用户和n个兴趣点之间的关系，每个元素R[i，j]表示用户user_i对兴趣点poi_j的兴趣程度，即用户对当前兴趣点的访问次数。

S2.对用户兴趣点进行偏置分析；得到用户兴趣矩阵M后，考虑用户和兴趣点的整体偏置情况，即用户和兴趣点本身对兴趣程度的倾向性。

对用户兴趣点进行偏置分析中，引入两个偏置项：用户偏置项和兴趣点偏置项，公式表示为：

用户偏置项：表示用户对兴趣点的整体倾向性，即用户对所有兴趣点的平均兴趣程度；

兴趣点偏置项：表示兴趣点受到用户喜欢的整体倾向性，即所有用户对该兴趣点的平均兴趣程度；

其中，b_u(i)表示用户i的偏置项，b_p(j)表示兴趣点j的偏置项，|I_u|表示用户i对兴趣点的数量，|U_j|表示兴趣点j被用户的数量，μ表示全局平均兴趣程度。

S3.对用户兴趣点矩阵进行正则化处理；

使用L2正则化对用户兴趣点矩阵的元素进行约束，使模型更加平滑和范化能力更强，将正则化项λ(∑_i∑_jR²(i，j))到损失函数中，其中，λ是正则化参数，用于控制正则化的强度；通过L2正则化惩罚原始的用户兴趣点矩阵中的大值，得到最终的正则化后的用户兴趣点矩阵，公式表示为：

其中，R(i，j)表示正则化后的兴趣矩阵的元素，R(i，j)表示原始的兴趣矩阵的元素，μ表示全局平均兴趣程度，b_u(i)表示用户偏置项，b_p(j)表示兴趣点偏置项，λ是正则化参数。

S4.构建POI图获取POI功能嵌入表示，构建Region图获取区域嵌入表示；

S41.构建POI图获取POI功能嵌入表示：从全局视图观察所有POI的功能类别信息和道路分布之间的关系，构建POI图G^P＝(V^P；E^P)，V^P表示每个功能类别的POI；E^P表示每个功能类别与POI之间的关联，即用户由A类POI访问B类POI，则V^P_A与V^P之间有边关系；经过RotateE网络进行训练，在学习POI类别嵌入时考虑了POI类别之间的关系，通过最大化正确三元组的得分优化嵌入，得到每类POI的功能嵌入表示结果POI^embedding；

S42.构建Region图获取区域嵌入表示：从全局视图观察区域的分布和距离之间的关系，构建POI图G^R＝(V^R；E^R)，V^R表示每个区域；E^R表示区域之间最短距离关系；区域之间最短距离关系为：region_a与region_a的最短可达需跨越的区域个数，如果region_a与region_a直接联通则距离为0，region_a与region_a需要至少穿越一个区域，则距离为1；经过RotateE网络进行训练，在学习区域嵌入时考虑了区域之间的距离关系，将G^R图中的区域节点映射为低维向量，得到每个区域的嵌入表示结果Region^embedding。

S5.获取区域影响指数和关联区域特征的用户兴趣点偏置矩阵；

S51.获取区域影响指数：将每个兴趣点的所属类型的POI功能嵌入表示和所在区域的嵌入表示通过余弦相似度Sim(POI_i，Region_j)进行比较，得到区域对用户访问当前POI的区域影响指数：

其中，·表示向量的点积(内积)，////表示向量的欧氏范数；

S52.将用户兴趣点矩阵中的每个值与矩阵中i行j列的值对应Sim(POI_i，Region_j)相乘得到新的关联区域特征影响的指数的用户兴趣点偏置矩阵；

S6.构建深度矩阵分解模型，训练模型，预测用户对未知兴趣点的兴趣程度；

S61.构建深度矩阵分解的循环神经网络模型，将关联区域特征的用户兴趣点矩阵分解为两个低维矩阵(S^U，S^P)的乘积，用户和兴趣点之间在区域特征影响下的潜在关系；其中，一个低维矩阵表示用户的兴趣特征S^U，另一个低维矩阵表示兴趣点的特征S^P；

S62.经过深度矩阵分解模型的训练，并使用交叉熵损失函数进行调优化，最终通过学习S^U，S^P两个低维矩阵，将关联区域特征的用户兴趣点矩阵进行补全，得到补全的关联区域特征的用户兴趣点矩阵S^F；

S63.输入用户和兴趣点至深度矩阵分解模型，输出预测用户对未知兴趣点的兴趣程度。

评估本发明推荐结果的准确性和效果，将未关联区域特征的深度矩阵分解算法与本发明通过推荐评价指标HR和NDCG逐一进行对比，验证本方法的有效性；其结果如表1所示，表1为评估推荐结果准确性对比表。

表1为评估推荐结果准确性对比表

表中，HR@10、NDCG@10、HR@20和NDCG@20分别为前10名和前20名的命中率和归一化折损累计增益；通过与各项验证指标进行对比，本发明所提出的方法，可以更准确的对POI进行推荐。

实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种基于区域影响的深度矩阵分解的POI推荐方法的步骤。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Ftash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

实施例3、计算机可读存储介质实施例。

本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的一种基于区域影响的深度矩阵分解的POI推荐方法的步骤。

所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (9)

1.一种基于区域影响的深度矩阵分解的POI推荐方法，其特征在于，包括以下步骤：

S1.获取POI数据，进行预处理，并构建用户兴趣点矩阵；

S2.对用户兴趣点进行偏置分析；

S3.对用户兴趣点矩阵进行正则化处理；

S4.构建POI图获取POI功能嵌入表示，构建Region图获取区域嵌入表示；

S5.获取区域影响指数和关联区域特征的用户兴趣点偏置矩阵；

S6.构建深度矩阵分解模型，训练模型，预测用户对未知兴趣点的兴趣程度。

2.根据权利要求1所述的一种基于区域影响的深度矩阵分解的POI推荐方法，其特征在于，获取POI数据，进行预处理，并构建用户兴趣点矩阵的方法是：

S11.对POI数据进行初始编码POI:poi₁,poi₂,…,poi_n，每个poi编码包含位置信息pos_i和功能类别信息category_j；

S12.根据每个poi的位置信息和功能类别信息将道路分布划分为多个相邻且不覆盖的区域Region：region₁,region₂,…,region_k，每个区域有多个POI分布；

S13.将用户访问数据与POI数据关联映射，转化为用户兴趣点矩阵，矩阵的行表示用户，列表示兴趣点，共有m行n列，表示m个用户和n个兴趣点之间的关系，每个元素R[i,j]表示用户user_i对兴趣点poi_j的兴趣程度，即用户对当前兴趣点的访问次数。

3.根据权利要求2所述的一种基于区域影响的深度矩阵分解的POI推荐方法，其特征在于，对用户兴趣点进行偏置分析的方法是：

对用户兴趣点进行偏置分析中，引入两个偏置项：用户偏置项和兴趣点偏置项，公式表示为：

用户偏置项：表示用户对兴趣点的整体倾向性，即用户对所有兴趣点的平均兴趣程度；

兴趣点偏置项：表示兴趣点受到用户喜欢的整体倾向性，即所有用户对该兴趣点的平均兴趣程度；

其中，b_u(i)表示用户i的偏置项，b_p(j)表示兴趣点j的偏置项，|I_u|表示用户i对兴趣点的数量，|U_j|表示兴趣点j被用户的数量，μ表示全局平均兴趣程度。

4.根据权利要求3所述的一种基于区域影响的深度矩阵分解的POI推荐方法，其特征在于，对用户兴趣点矩阵进行正则化处理的方法是：

使用L2正则化对用户兴趣点矩阵的元素进行约束，将正则化项λ(∑_i∑_jR²(i,j))到损失函数中，其中，λ是正则化参数，用于控制正则化的强度；通过L2正则化惩罚原始的用户兴趣点矩阵中的大值，得到最终的正则化后的用户兴趣点矩阵，公式表示为：

其中，R(i,j)表示正则化后的兴趣矩阵的元素，R(i,j)表示原始的兴趣矩阵的元素，μ表示全局平均兴趣程度，b_u(i)表示用户偏置项，b_p(j)表示兴趣点偏置项，λ是正则化参数。

5.根据权利要求4所述的一种基于区域影响的深度矩阵分解的POI推荐方法，其特征在于，构建POI图获取POI功能嵌入表示，构建Region图获取区域嵌入表示的方法是：

S41.构建POI图获取POI功能嵌入表示：从全局视图观察所有POI的功能类别信息和道路分布之间的关系，构建POI图G^P＝(V^P；E^P)，V^P表示每个功能类别的POI；E^P表示每个功能类别与POI之间的关联，即用户由A类POI访问B类POI，则V^P_A与V^P之间有边关系；经过RotateE网络进行训练，通过最大化正确三元组的得分优化嵌入，得到每类POI的功能嵌入表示结果POI^embedding；

S42.构建Region图获取区域嵌入表示：从全局视图观察区域的分布和距离之间的关系，构建POI图G^R＝(V^R；E^R)，V^R表示每个区域；E^R表示区域之间最短距离关系；区域之间最短距离关系为：region_a与region_a的最短可达需跨越的区域个数，如果region_a与region_a直接联通则距离为0，region_a与region_a需要至少穿越一个区域，则距离为1；经过RotateE网络进行训练，将G^R图中的区域节点映射为低维向量，得到每个区域的嵌入表示结果Region^embedding。

6.根据权利要求5所述的一种基于区域影响的深度矩阵分解的POI推荐方法，其特征在于，获取区域影响指数和关联区域特征的用户兴趣点偏置矩阵的方法是：

S51.获取区域影响指数：将每个兴趣点的所属类型的POI功能嵌入表示和所在区域的嵌入表示通过余弦相似度Sim(POI_i，Region_j)进行比较，得到区域对用户访问当前POI的区域影响指数：

其中，·表示向量的点积(内积)，∥∥表示向量的欧氏范数；

S52.将用户兴趣点矩阵中的每个值与矩阵中i行j列的值对应Sim(POI_i，Region_j)相乘得到新的关联区域特征影响的指数的用户兴趣点偏置矩阵。

7.根据权利要求6所述的一种基于区域影响的深度矩阵分解的POI推荐方法，其特征在于，构建深度矩阵分解模型，训练模型，预测用户对未知兴趣点的兴趣程度的方法是：

S61.构建深度矩阵分解的循环神经网络模型，将关联区域特征的用户兴趣点矩阵分解为两个低维矩阵(S^U,S^P)的乘积，用户和兴趣点之间在区域特征影响下的潜在关系；其中，一个低维矩阵表示用户的兴趣特征S^U，另一个低维矩阵表示兴趣点的特征S^P；

S62.经过深度矩阵分解模型的训练，并使用交叉熵损失函数进行调优化，最终通过学习两个低维矩阵，将关联区域特征的用户兴趣点矩阵进行补全，得到补全的关联区域特征的用户兴趣点矩阵S^F；

S63.输入用户和兴趣点至深度矩阵分解模型，输出预测用户对未知兴趣点的兴趣程度。

8.一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-7任一项所述的一种基于区域影响的深度矩阵分解的POI推荐方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的一种基于区域影响的深度矩阵分解的POI推荐方法。