[发明专利]一种基于个体行为和群体兴趣的兴趣地点推荐方法及装置

摘要

本发明涉及一种基于个体行为和群体兴趣的兴趣地点推荐方法及装置，属于地点推荐领域。该方法首先通过分析用户的个体行为，确定用户未来将会去到哪一类别的地点，然后通过对用户进行特征提取来对用户进行群体的划分，接着对用户所在群体中属于第一步中确定的地点类别的地点进行排序，从而为用户推荐具体地点。本发明综合考虑用户的个体行为，用户所在群体的兴趣以及用户签到地点之间的距离关系，利用地点类别作为连接个体行为和群体兴趣的桥梁，从而挖掘用户兴趣并进行推荐，其意义在于，本发明与现有技术相比，不仅能够提高推荐的质量，并且也大幅度减少了推荐算法的时间复杂度，提高了推荐效率。

主权项

1.一种基于个体行为的地点类别预测方法，其特征在于：包括以下步骤：步骤一、获取用户的历史签到数据，并将用户的签到地点按时间进行排序；步骤二、通过使用地点分类信息将用户签到的具体地点转换为地点的类别序号；步骤三、对用户的历史数据进行预处理，形成<用户序号，目前所在地点类别，下次出现地点类别>这样的三元组形式的输入数据；步骤四、结合输入数据，利用张量分解的方法对用户地点转移张量进行分解再还原，从而还原出张量中缺失的值；根据用户地点转移张量以及用户目前所在地点类别寻找出下次出现地点类别中的最大值对应的地点类别输出即可；所述利用张量分解的方法对用户地点转移张量进行分解再还原，从而还原出张量中缺失的值通过以下过程得到：(1)使用符合均值为0，协方差矩阵为λΘI的正态分布来初始化参数集合Θ{U,P,NU,NP}，其中，I为单位矩阵，λΘ为与模型相关的正则化参数，U为所有用户的特征向量形成的矩阵，大小为|U|*F，|U|为用户的总数量，F为用户的特征向量的维度；P为用户目前所在的地点类别的特征向量形成的矩阵，大小为|P|*F；NU为用户下一次将要去的地点类别的特征向量形成的矩阵，但由于其将来要进行乘积运算的对象是用户特征矩阵U，所以其右上角使用U来进行表示，其大小为|NU|*F；NP与NU的意义相同，只不过其将来要进行乘积运算的对象是用户上一次去的地点类别的特征矩阵P，所以其右上角使用P来进行表示；(2)结合上一步中初始化的参数集合Θ，使用PITF张量分解公式：来还原用户的地点类别转移张量，其中u_u,f为用户u的特征向量的第f维的值；p_p,f为用户目前所在地点类别p的特征向量的第f维的值；和均表示用户将要去地点类别n的特征向量的第f维的值，但因其相乘的对象不同，一个相乘对象是用户u的特征值，另一个为用户目前所在地点类别p的特征值，所以右上角的标示也不同，分别为U和P；通过对这四个特征向量的每一个维度进行相乘求和，就可以最终得出用户u从地点类别p转移到类别n的可能性的值s_u,p,n；(3)对于用户u，从输入的<用户序号，目前所在地点类别，下次出现地点类别>这样的所有关于用户u的三元组中随机挑选一个三元组<u,p,n_i>；记u所在的小组为G，利用公式计算该小组内所有用户在地点类别为p时转移到地点类别n_i的可能性的平均值，记作其中|G|表示小组G中的用户数；然后根据公式来计算最终用户u从地点类别p转移到地点类别n_i的可能性的值其中，ρ是一个权衡因子，取值范围为[0,1]，用来权衡用户所在群体的兴趣对用户个人兴趣的影响；然后再从所有的地点类别中随机挑选出类别n_j，且满足<u,p,n_j>并没有出现在输入的三元组数据当中，即用户从未从地点类别p去过地点类别n_j，并计算出(4)根据上一步中计算得到的和带入如下公式：其中函数σ(x)为logistic函数‖Θ‖²表示参数集合的二范式；最后使用梯度下降的优化算法，对Θ集合中每个参数中的对应的u,p,n_i,n_j的特征向量的每个维度的值进行一次更新计算，从而完成参数集合Θ的一次迭代；(5)重复步骤2‑4，使得迭代次数满足：三元组数量×factor，其中factor为大于1的整数，factor越大，迭代的次数越多，这样尽可能使得每个输入的三元组能够被利用到；(6)迭代结束后，得到最终的参数集合Θ{U,P,N^U,N^P}，最后利用公式就可以还原出所有用户的地点类别转移张量。