[发明专利]面向位置社交网络基于地理位置正则化的兴趣点推荐方法

权利要求书

1.一种面向位置社交网络基于地理位置正则化的兴趣点推荐方法，其特征是，包括以下步骤：

步骤1：根据用户是否访问了兴趣点，建立二元偏好矩阵；

根据用户访问兴趣点的签到信息，建立用户与兴趣点的签到频次矩阵F；利用签到频次矩阵F中用户访问兴趣点的频次，计算用户对兴趣点的权重值，其中，用户对兴趣点的权重值的表达式为：

其中，αF_u,i>0是一个关于F_u,i的单调递增函数，为用户访问频次的函数，F_u,i表示用户u访问兴趣点i的频次；W_u,i为用户u对兴趣点i的权重值；

将所有负例的权重看作是1，将正例的权重看作是用户访问频次的函数，用户对该兴趣点的访问频次越高，作为正例的权重就越大；

步骤2：基于兴趣点之间的地理位置坐标，计算兴趣点之间的相似程度；选取多个与目标兴趣点相似度高的兴趣点，生成目标兴趣点的相邻兴趣点集合，建立兴趣点的邻域关系矩阵，并对邻域关系矩阵中各距离度量进行归一化处理，得到距离度量的归一化值；

步骤3：计算邻域关系矩阵中各距离度量的归一化值与目标兴趣点的相邻兴趣点集合内各相邻兴趣点的特征向量的加权和，得到受相邻兴趣点影响后，目标兴趣点的特征向量；

步骤4：基于权重概率矩阵分解模型，根据目标兴趣点的相邻兴趣点的特征向量和用户对兴趣点的权重值，生成目标函数；

其中，W_u,i为用户u对兴趣点i的权重值，P_u,i∈{0,1}表示用户u是否已经访问了兴趣点i；V_i为兴趣点i的潜在特征向量，U_u为目标用户u的潜在特征向量；为目标兴趣点的特征向量，L(i)表示兴趣点i的相邻兴趣点集合，λ_U，λ_V和λ_T是正则化参数；

步骤5：对目标函数进行优化处理，得到最终的用户和兴趣点的潜在特征矩阵；

步骤6：根据最终的用户和兴趣点的潜在特征矩阵生成预测的评分矩阵；

步骤7：对用户进行个性化推荐。

2.根据权利要求1所述的面向位置社交网络基于地理位置正则化的兴趣点推荐方法，其特征是，所述步骤2中，兴趣点之间的相似程度的计算公式为：

其中，sim(i,j)表示兴趣点i和j之间的相似程度，x_i和x_j分别表示兴趣点i和j的地理坐标；σ为常数。

3.根据权利要求1所述的面向位置社交网络基于地理位置正则化的兴趣点推荐方法，其特征是，所述目标兴趣点的特征向量的表达式为：

其中，是距离度量的归一化值；L(i)表示兴趣点i的相邻兴趣点集合，sim(i,j)表示兴趣点i和j之间的相似程度；V_j表示兴趣点i的相邻兴趣点j的特征向量。

4.根据权利要求1所述的面向位置社交网络基于地理位置正则化的兴趣点推荐方法，其特征是，所述步骤4中，基于权重概率矩阵分解模型，根据目标兴趣点的相邻兴趣点的特征向量和用户对兴趣点的权重值，生成目标函数的具体过程为：

步骤4-1：基于兴趣点之间地理位置关系，建立与当前兴趣点的相邻兴趣点集合，采用集合中的兴趣点的特征向量计算当前兴趣点的潜在特征向量，基于用户对兴趣点的权重值，得到当前兴趣点基于相似度的先验分布；

步骤4-2：由于兴趣点的潜在特征向量服从均值为0的正态分布，再将上述兴趣点基于相似度的先验分布融合在一起，得到带有约束的兴趣点潜在特征向量的先验分布；

步骤4-3：根据权重概率矩阵分解模型，得到用户和兴趣点的潜在特征矩阵的后验分布，通过使用户和兴趣点的潜在特征矩阵的后验分布的对数形式最大化并且超参数保持固定，得到最终的目标函数。

5.根据权利要求1所述的面向位置社交网络基于地理位置正则化的兴趣点推荐方法，其特征是，所述步骤5中，对目标函数进行优化处理，得到最终的用户和兴趣点的潜在特征矩阵的具体方法为：

分别固定用户或兴趣点的潜在特征向量，使目标函数转换为二次方程最优化问题，运用最小二乘法进行优化处理，分别求出对用户和兴趣点的潜在特征向量的梯度，在给定用户和兴趣点初始的潜在特征矩阵后，通过迭代训练模型，不断更新用户和兴趣点的潜在特征矩阵，得到最终满足条件的潜在特征矩阵。