[发明专利]一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法

说明书

本发明公开了一种基于anchor‑LDA和卷积神经网络的兴趣点推荐方法，首先采用anchor‑LDA学习用户和兴趣点的显示关联关系，关联关系主要受距离的影响。其次采用卷积神经网络学习用户和兴趣点的隐式关联关系。最后将用户和兴趣点的显示和隐式关系集成，进行兴趣点推荐，提高推荐的准确性。本发明在一个公开真实的数据集上进行实验，实验结果表明提出的模型显著优于当前主流模型，改进了传统的矩阵分解的推荐算法，提高了推荐的准确性并且降低了时间复杂度，对兴趣点推荐的发展具有实际意义。

技术领域

本发明属于神经网络和推荐系统的技术领域，尤其涉及一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法。

背景技术

近年来，随着现代的科技不断发展和进步，智能设备的普及应用，获取实时的位置信息越来越方便和容易。此外，Web上出现了许多与位置相关的兴趣点推荐相关的app，提供基于位置的服务给他们的用户，如Facebook、Instagram等。兴趣点推荐是基于位置的社交网络中最具有代表性的领域之一。协同过滤也是近年来推荐系统中比较受欢迎的技术，基本思想是通过分析用户的偏好找到与指定的用户偏好的其他形似用户，综合这些用户对兴趣点的评价信息，形成对指定用户的兴趣点预测。

兴趣点首先要考虑的信息就是位置信息。例如，大多数人首先会考虑访问离自己距离近的地点。矩阵分解是兴趣点推荐中比较常用的方法之一。尽管数据大多数是基于位置的社交网络，但是在这些数据中还是很难获得用户的偏好信息。矩阵分解被广泛的运用于解决数据稀疏的问题，因为它可以在稀疏的数据中加入隐式信息，考虑社会信息可以很容易的扩展矩阵分解。

发明内容

针对现有技术的不足，本发明所解决的技术问题在于提供一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法，将初始签到信息作为主要因素，时间复杂度较低，提出了一种神经网络模型，将协作信息和社交网络等信息嵌入到用户和兴趣点的向量中，集成这两个模型的输出，进而为用户进行兴趣点的推荐。

为了解决上述技术问题，本发明通过以下技术方案来实现：

本发明提供一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法，包括以下步骤：

步骤S1：在登陆的用户位置信息中，忽略用户的时间循环信息；

步骤S1.1：收集用户的签到信息，构造用户-项目矩阵；

步骤S2：使用LDA模型寻找用户偏好主题；

步骤S3：设置初始签到地点和锚点，计算锚点和用户访问的访问地点的距离；

步骤S3.1：将用户和锚点的距离拟合到指数分布函数中；

步骤S3.2：通过LDA和概率分布的指数分布为每个用户进行兴趣点推荐；

步骤S4：由CNN的卷积层提取数据特征和获得时空依赖性；

步骤S5：使用批处理归一化层来改进训练和规范化数据值；

步骤S5.1：再次利用批处理标准化层和激活层；

步骤S6：将用户和兴趣点的显示和隐式关联关系集成到一起，进行兴趣点推荐。

可选的，在步骤S1中，用户在LBSN登陆他们访问的位置信息，其中包括用户ID、位置ID、时间循环和各种信息；通过收集用户所有签到记录，构造一个用户项目矩阵，其中每一行对应唯一的用户，每一列对应一个地点。

进一步的，所述步骤S3中，用户访问兴趣点通过两个因素描述，一个是纯粹的兴趣，另一个是距离的远近；纯粹的兴趣可以从LDA中得到用户的兴趣主题，对于距离因素，每个用户都有自己的锚点，在地点集合中；当访问地点受距离影响时，遵循参数的指数分布。