[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

说明书

本发明公开了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，先建立用户与兴趣点的签到频次矩阵，计算用户对兴趣点的偏好置信度；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；建立兴趣点邻域关系矩阵，以相邻兴趣点的特征向量来表示目标兴趣点的特征向量；基于权重概率矩阵分解模型生成目标函数；生成最终的用户和兴趣点的潜在特征矩阵；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；对用户进行个性化推荐。本发明从位置的角度出发探索兴趣点之间的地理关系，将地理关系以正则项的方式融入到权重概率矩阵分解模型中，优化推荐目标，提高准确率和召回率，获得更好的推荐效果，更加符合位置社交网络特点。

技术领域

本发明涉及社交兴趣推荐领域，具体涉及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。

背景技术

近年来，为了帮助用户发现更多有吸引力的位置，满足他们对兴趣点的个性化需求，兴趣点(Point-of-Interest,POI)推荐作为一种重要的信息过滤技术受到了研究者们的广泛关注。与传统推荐问题相比，POI推荐主要存在以下两方面的挑战：1)在位置社交网络(LBSN)中，用户的偏好是由用户的隐式签到数据表示的，我们只能知道用户在过去访问过哪些位置，但对于没有访问过的地点，我们不知道用户是因为不喜欢还是因为没有发现，这些混合在一起的负样本和缺失样本很难用一般的方法直接进行区分；2)POI具有地理位置信息，地理位置是表征用户行为习惯的重要因素。在实际应用中，在地理位置上相邻的兴趣点更可能被具有相似兴趣的用户所访问。用户通过访问不同的地点来表现自己不同的兴趣爱好。

针对上述面临的挑战，研究者们开始考虑如何利用POI的地理位置因素，通过扩展传统的推荐算法来提高LBSN中的兴趣点推荐性能。例如，Zhang等人利用核密度估计为每个用户使用个性化的距离分布来模拟地理影响；Lian等人为了处理用户的隐式反馈信息，提出了基于加权矩阵分解模型GeoMF，然后利用增强的潜在因子对用户的聚类现象进行建模。受签到地点总是分散在几个中心这一观察的启发，Zhao等人提出了基于遗传算法的高斯混合模型(GA-GMM)来捕获地理影响；Ye等人通过幂律分布模拟地理影响，揭示用户签到活动中的空间聚类现象。

但是，目前这些研究大都从用户的角度来分析地理位置对推荐算法的影响，从POI之间的位置关系角度来探索地理位置在推荐过程中的重要作用还没有得到充分地研究。然而从直观上来看，位置关系特征应该独立于用户的特征，能够体现POI推荐任务的不同方面，有利于进行更加精准的个性化推荐。例如，Liu等人从位置角度出发利用地理影响进行建模，所提出的IRenMF算法提高了推荐性能，但他们的工作没有考虑两地之间的明确关系。尽管在已有工作中，兴趣点之间的地理关系已经被证实为提高兴趣点推荐效果的有效因素，但是先前的工作主要从用户角度而不是位置角度对地理关系进行建模。然而在实际应用中，在地理位置上相邻的兴趣点更容易于被相似的用户访问，兴趣点之间的地理位置关系是用户选择的重要因素。因此，如何从位置的角度出发探索兴趣点之间的地理关系，将地理关系以正则项的方式融入到兴趣点推荐方法中，仍是待解决的技术问题。

发明内容

为了克服上述现有技术的不足，本发明提供了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，从位置的角度出发探索兴趣点之间的地理关系，将地理关系以正则项的方式融入到权重概率矩阵分解模型WPMF中，优化推荐的目标，提高准确率和召回率，获得更好的推荐效果，更加符合位置社交网络的特点。

本发明所采用的技术方案是：

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，包括以下步骤：

步骤1：建立用户与兴趣点的签到频次矩阵，计算用户对兴趣点的偏好置信度；

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；

步骤3：对兴趣点之间的相似程度进行归一化处理，得到兴趣点邻域关系矩阵，并以相邻兴趣点的特征向量来表示目标兴趣点的特征向量；