[发明专利]基于签到时间间隔模式的连续兴趣点推荐方法

摘要

本发明涉及一种基于签到时间间隔模式的连续兴趣点推荐方法，属于推荐系统领域；根据每个用户的签到数据，综合个性化偏好、地理距离偏好和签到时间间隔偏好来联合建模形成用户对接下来要访问的兴趣点的综合偏好，采用三阶张量模型来对连续签到行为进行建模；并构建一个概率模型，通过将签到时间间隔偏好视为潜在变量，来学习用户对兴趣点的综合偏好程度；在参数学习阶段，设计了期望最大化算法来优化概率模型的参数，最终实现了为用户推荐接下来要访问的兴趣点的任务；张量及矩阵中信息缺失的补充，采用张量/矩阵分解算法实现。对比现有技术，本发明方法有效解决了用户‑兴趣点签到矩阵的稀疏性问题，为用户提供准确高效的连续兴趣点推荐服务。

主权项

1.一种基于签到时间间隔模式的连续兴趣点推荐方法，其特征在于：包括以下步骤：步骤一、计算用户转移频率矩阵根据每个用户在不同时间点所处的地点，计算出每个用户从兴趣点li转移到兴趣点lj的频率，得到每个用户的转移频率矩阵Mfreq：其中，转移频率freqij的值按下述方式设置：在时间段T内存在从兴趣点li转移到兴趣点lj的情况，其值为频率；在时间段T内不存在从兴趣点li转移到兴趣点lj的情况，其值为0；其中，i，j＝1,2，…，m，共m个兴趣点；步骤二、整合多个用户的地点转移数据为频率张量χ根据每个用户的频率矩阵M_freq，将所有用户的频率矩阵组合起来，整合成转移频率张量χ，其由I，J，U三个维度构成，U表示用户维度；I表示当前兴趣点维度；J表示下一个兴趣点维度；I＝l₁,l₂,…,l_m，J＝l₁,l₂,…,l_m，共m个兴趣点；U＝u₁,u₂,…,u_n，共n个用户；张量χ中的非零元素值为某个用户u_k在整个时间段T内从当前兴趣点l_i转移到下一个兴趣点l_j的转移频率，k＝1,2,…,n；步骤三、计算用户签到时间间隔矩阵根据每个用户在不同时间点所处的地点，计算出每个用户位于所有的兴趣点的签到时间间隔，得到该用户从兴趣点li转移到兴趣点lj的签到时间间隔，所有兴趣点的签到时间间隔组合起来构成矩阵Mspan：其中，时间间隔Sij的值描述如下：在时间段T内存在从兴趣点li转移到兴趣点lj的情况，其值为平均时间间隔；在时间段T内不存在从兴趣点li转移到兴趣点lj的情况，其值为0；其中i，j＝1,2，…，m，共m个兴趣点；步骤四、整合多个用户的签到时间间隔数据形成张量Z根据每个用户的签到时间间隔矩阵M_span，将所有用户的签到时间间隔矩阵组合起来，整合成签到时间间隔张量Z，其由I，J，U三个维度构成，I＝l₁,l₂,…,l_m，J＝l₁,l₂,…,l_m，共m个兴趣点；U＝u₁,u₂,…,u_n，共n个用户；张量Z中的非零元素值为某个用户u_k在整个时间段T内从当前兴趣点l_i转移到下一个兴趣点l_j的签到时间间隔，k＝1,2,…,n；步骤五、对用户个性化偏好进行建模1)获取缺失的用户个性化偏好：对转移频率张量χ使用成对交互张量分解PITF算法进行分解，得到的分解向量，包括：表示用户‑下一个兴趣点关系矩阵中用户的潜在因素向量；表示用户‑下一个兴趣点关系矩阵中下一个兴趣点的潜在因素向量；表示当前兴趣点‑下一个兴趣点关系矩阵中当前兴趣点的潜在因素向量；表示当前兴趣点‑下一个兴趣点关系矩阵中下一个兴趣点的潜在因素向量；表示用户‑当前兴趣点关系矩阵中用户的潜在因素向量；表示用户‑当前兴趣点关系矩阵中当前兴趣点的潜在因素向量；u表示当前用户；i表示当前兴趣点；j表示下一个兴趣点；将分解得到的向量按照PITF算法进行重组，从而得到包括缺失数据在内的所有用户在各个地点的个性化转移频率估计值2)获取缺失的地理距离偏好：地理距离偏好sp(di,j)表示用户在访问当前兴趣点i之后，接下来去访问相距di,j千米的兴趣点j的地理距离偏好，表示如下：其中，ρ为参数；d_i,j表示从当前兴趣点i到下一兴趣点j的地理距离；为d_i,j的倒数；3)获取缺失的时间间隔偏好：对时间间隔张量Z使用PITF算法进行分解，得到的分解向量，包括：用户‑下一个兴趣点关系矩阵中用户的潜在因素向量；用户‑下一个兴趣点关系矩阵中下一个兴趣点的潜在因素向量；当前兴趣点‑下一个兴趣点关系矩阵中当前兴趣点的潜在因素向量；当前兴趣点‑下一个兴趣点关系矩阵中下一个兴趣点的潜在因素向量；用户‑当前兴趣点关系矩阵中用户的潜在因素向量；用户‑当前兴趣点关系矩阵中当前兴趣点的潜在因素向量；将分解得到的向量按照PITF算法进行重组，从而得到包括缺失数据在内的所有用户的时间间隔估计值步骤六、基于以上步骤所得结果，按以下线性组合的方式，获得一个考虑综合信息的连续兴趣点推荐模型其中，表示个性化偏好；表示地理距离偏好；表示时间间隔偏好；ε为高斯噪声变量，表示用户在移动过程中的非偏好性随机影响；参数w和ρ的最优值将在步骤七确定；步骤七、利用期望最大化算法迭代求解最优参数w和ρ；步骤八、通过将步骤七中求解的最优参数w和ρ代入步骤六公式计算用户对每一个兴趣点的转移概率值，即得到步骤九、根据步骤八中计算得到的对兴趣点进行排序，并将排在前N位的兴趣点推荐给用户。