[发明专利]将文本和地理信息融合在局部协同排列的兴趣点推荐方法

摘要

本发明公开一种将文本和地理信息融合在局部协同排列的兴趣点推荐方法，包括以下步骤：S1.输入训练集，随机生成锚点；S2.根据隐特征向量、空间特征和主题特征计算出用户POI与锚点的相似度；S3.每个锚点代表一个子矩阵，根据上一步得到相似度，找到与锚点之间相似度大于预设阈值的（用户‑兴趣点）对作为子矩阵中的成员，为每个子矩阵随机初始化用户特征向量和POI特征向量；S4.采集用户、位置点；S5.计算梯度，更新用户特征向量和POI特征向量；S6.判断是否满足终止迭代条件，满足跳转到步骤S7；不满足终止迭代条件，跳转到步骤S4；S7.根据用户特征向量和POI特征向量，估计用户对POI的喜好值；S8.对喜好值进行排序，为用户生成推荐列表。

主权项

一种将文本和地理信息融合在局部协同排列的兴趣点推荐方法，其特征在于，包括以下步骤：S1.输入训练集Ds，随机生成锚点，每个锚点由结构为(用户‑兴趣点POI)的数据组成的对(pair)；S2.根据隐特征向量、空间特征和主题特征计算出(用户‑兴趣点POI)对与锚点的相似度；S3.基于锚点选出一个子矩阵，具体是根据上一步得到相似度，找到与锚点之间相似度大于预设阈值的结构(用户‑兴趣点POI)作为子矩阵中的成员，为每个子矩阵随机初始化用户特征向量和POI特征向量；S4.从训练集Ds中采样用户u，用户u去过的兴趣点vi和用户u没有去过的兴趣点vj；S5.计算梯度，更新用户特征向量和POI特征向量；S6.判断是否满足终止迭代条件，如果满足，跳转到步骤S7；如果不满足终止迭代条件，则跳转到步骤S4；S7.根据每个子矩阵中的用户特征向量和POI特征向量，估计用户对POI的喜好值；S8.对喜好值进行排序，为用户生成推荐列表。