本发明涉及兴趣点推荐,特别涉及一种基于图嵌入的上下文忠诚度融合的兴趣点推荐方法及系统。
背景技术:
1、随着gps定位技术的迅速发展和社交媒体用户数量的爆发性增长,越来越多的用户在社交网络上分享他们的位置信息,如餐厅、电影院、商场等,还会进行位置签到,记录下经纬度、时间、评价、签到类型等详细信息,形成了大规模的基于位置的社交网络,即lbsns(location-based social networks)。这种社交网络的崛起为兴趣点推荐领域带来了巨大的机遇,用户可以更好地探索附近的兴趣点,发现更符合他们喜好的地点。国际上,像yelp、gowalla、foursquare等知名社交媒体软件在这个领域积累了丰富的数据和用户基础,而国内的平台如美团、大众点评也在类似的背景下崭露头角。
2、虽然lbsns为兴趣点推荐系统提供了海量的地理位置数据,却也带来了挑战,尤其是上下文信息的捕捉问题。兴趣点推荐不仅受到地理位置的影响,还受到时间、天气、社交关系等多维度的上下文信息影响。这些上下文信息对于准确的兴趣点推荐至关重要,但其高度动态性和多样性增加了推荐系统的复杂性。上下文信息在兴趣点推荐系统中的重要性体现在个性化推荐、提高准确性、时效性推荐以及提升用户体验等方面。丰富的上下文信息有助于系统更好地理解用户需求和行为,从而提供更符合实际情况和用户喜好的推荐建议。
3、为了解决这些问题,早期的研究通常分别考虑这些因素,并将它们对应的结果结合在一起进行的推荐。但是合并所有可用的上下文因素并不总是有益的。除了额外的数据处理负载外,使用所有上下文信息不一定会导致推荐精度的提高,此外,不同上下文因素及其组合对线性和非线性算法性能的影响也没有深入研究。图嵌入的最新进展为利用和整合这些影响因素提供了机会,通过将 lbsns建模为图,将网络的每个节点嵌入到低维潜空间,同时保留关键的拓扑信息。而lbsns本身具有异构性,包含用户、兴趣点、类别和时隙等多种类型的关系和对象。因此,将本质的元组关系简化为成对关系并不能充分捕获签到信息,而且可能会将签到记录中各个域中所有对象的联合交互降级为几个成对对象的交互,这将不可避免地导致结构信息的丢失。
4、现有基于图嵌入技术的兴趣点推荐模型都是针对签到和好友关系等确定的显式建立同构图或二分关系图。但是lbsns中多种上下文信息带来的交互是十分复杂的,除了从数据集中可以直观收集到的签到和好友关系等确定的显式交互。lbsns 中对象之间同样存在一些无法直接获取的隐式关联,这些隐式关联反映了用户行为模式的潜在规律,从地理和语义等角度反映了兴趣点之间的相关性。例如,同种类型信息之间存在相关性,教室与图书馆的关联程度相较于与健身房的关联程度更高,所以教室与图书馆在低维表示空间的距离应该更近一些。兴趣点推荐任务中利用这些隐式关联可以提高兴趣点推荐的有效性。
5、因此,本发明提出了一种新颖的基于图嵌入的上下文信息忠诚度融合的兴趣点推荐方法,综合考虑显式交互和隐式关联学习用户移动特征,以提高个性化兴趣点推荐的精确度。
技术实现思路
1、本发明提供一种基于图嵌入的上下文忠诚度融合的兴趣点推荐方法及系统,综合考虑显式交互和隐式关联学习用户移动特征,以提高个性化兴趣点推荐的精确度。
2、第一方面,提供一种基于图嵌入的上下文忠诚度融合的兴趣点推荐方法,包括以下步骤:
3、获取lbsns的用户签到数据及用户社交关系数据,并基于图嵌入方法将所述lbsns建模为原始图;
4、根据所述用户签到数据及所述用户社交关系数据,基于相似用户对相似兴趣点的不同访问模式、同一用户对相似兴趣点的不同访问模式及相似用户对同一兴趣点的不同访问模式,构建不同影响因子对应的忠诚度模型;
5、基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至所述原始图中,得到对应的各忠诚度图;
6、基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型;
7、基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型,并根据所述目标兴趣点推荐模型对待推荐用户进行兴趣点推荐。
8、根据第一方面,在第一方面的第一种可能的实现方式中,所述不同影响因子对应的忠诚度模型包括:地理信息忠诚度模型、时间信息忠诚度模型及社交关系信息忠诚度模型;
9、所述地理信息忠诚度模型为:
10、;
11、式中,为兴趣点集合中的元素;为用户u的忠诚点集合中的元素;为用户u每个活动区域的自适应带宽;为每个用户中心的加权平均值;为每个用户中心的权重由对应活动范围的总频率确定的归一化公式;
12、所述时间信息忠诚度模型为:
13、;
14、式中,为兴趣点的前k个相似兴趣点的序列;为用户u的签到序列;为用户u对所有兴趣点的前k个相似兴趣点的交集最大值;
15、所述社交关系信息忠诚度模型为如下:
16、
17、式中,为叠加上忠诚度的直接朋友相似度;直接朋友相似度;为用户u的直接朋友集合;为用户u的间接朋友集合;为直接朋友边的权重;为间接朋友边的权重。
18、根据第一方面,在第一方面的第二种可能的实现方式中,各忠诚度图包括:地理忠诚度图、时间忠诚度图及社交忠诚度图;
19、所述原始图为;
20、所述地理忠诚度图为:;
21、所述时间忠诚度图为:;
22、所述社交忠诚度图为:。
23、式中,u为用户集合;l为兴趣点集合;边为社交关系;边为用户对兴趣点的访问;为地理信息中的忠诚点集合;分别为图中的用户时间序列相似度边及兴趣点时间序列相似度边;分别为图中的直接朋友边及间接朋友边。
24、根据第一方面,在第一方面的第三种可能的实现方式中,所述基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型步骤,具体包括以下步骤:
25、各忠诚度图包括:地理忠诚度图、时间忠诚度图及社交忠诚度图;
26、基于高斯核模型计算得到所述地理忠诚度图在地理影响因子下对应的地理信息兴趣点推荐模型;
27、基于个性化页面排序方法计算得到所述时间忠诚度图在时间影响因子下对应的时间信息兴趣点推荐模型;
28、基于个性化页面排序方法计算得到所述社交忠诚度图在时间影响因子下对应的社交信息兴趣点推荐模型。根据第一方面的第三种可能的实现方式,在第一方面的第四种可能的实现方式中,所述地理信息兴趣点推荐模型为:
29、;
30、式中,为已访问兴趣点和所有兴趣点的距离;为忠诚点和所有兴趣点之间的距离;为忠诚点对推荐模型的影响程度参数;为每个用户中心和兴趣点之间的签到距离成本;
31、所述社交信息兴趣点推荐模型为:
32、
33、式中,为在社交信息层面与用户u相连的用户节点;为用户对兴趣点的访问频率;为社交关系信息忠诚度模型;
34、所述时间信息兴趣点推荐模型为:
35、;
36、式中,为平衡相似度的参数;为用户对兴趣点的访问频率;为用户u对兴趣点的访问频率;为在时间信息层面与用户u相连的用户节点;为在时间信息层面与兴趣点相连的兴趣点节点;为用户节点之间的相似度;为兴趣点节点之间的相似度。
37、根据第一方面,在第一方面的第五种可能的实现方式中,基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型步骤,具体包括以下步骤:
38、兴趣点推荐模型包括:地理信息兴趣点推荐模型、时间信息兴趣点推荐模型及社交信息兴趣点推荐模型;
39、基于多项式融合方法融合所述地理信息推荐模型s1、所述社交信息推荐模型s2及所述时间信息推荐模型s3,得到目标兴趣点推荐模型如下:
40、;
41、式中,λ1、λ2、λ3、λ12、λ13、λ23、λ123为多项式回归的系数,且均∈(0,1)。
42、第二方面,提供了一种基于图嵌入的上下文忠诚度融合的兴趣点推荐系统,包括:
43、聚类模块,数据预处理模块,用于获取lbsns的用户签到数据及用户社交关系数据,并基于图嵌入方法将所述lbsns建模为原始图;
44、忠诚度模型构建模块,与所述数据预处理模块通信连接,用于根据所述用户签到数据及所述用户社交关系数据,基于相似用户对相似兴趣点的不同访问模式、同一用户对相似兴趣点的不同访问模式及相似用户对同一兴趣点的不同访问模式,构建不同影响因子对应的忠诚度模型;
45、嵌入图模块,与所述忠诚度模型构建模块及所述数据预处理模块通信连接,用于基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至所述原始图中,得到对应的各忠诚度图;
46、推荐模块,与所述嵌入图模块通信连接,用于基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型;以及,
47、融合模块,与所述推荐模块通信连接,用于基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型,并根据所述目标兴趣点推荐模型对待推荐用户进行兴趣点推荐。
48、与现有技术相比,本发明的优点如下:通过将基于位置的社交网络lbsns建模为图,来捕捉多类型对象之间的复杂关系,再基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至图中,得到对应的各忠诚度图;再基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型;再基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型,并根据所述目标兴趣点推荐模型对待推荐用户进行兴趣点推荐。因此引入图嵌入技术,将用户对兴趣点的忠诚度作为出发点,以构建不同影响因子对应的忠诚度模型的形式分别嵌入图中,不仅包含显式交互,还引入了隐式关联,使能更全面地理解用户和兴趣点之间的相互作用,可提高兴趣点推荐的准确性和个性化程度。