[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

摘要

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。

主权项

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。