一种基于层次结构的兴趣点推荐方法
【技术领域】
[0001] 本发明涉及数据聚类技术领域，特别涉及一种基于层次结构的兴趣点推荐方法。
【背景技术】
[0002] 随着基于位置服务应用的流行，基于位置的社交网络得到了蓬勃发展，例如Yelp (美国的一家点评网站）、F〇UrsqUare(美国的一家基于用户地理位置信息的手机服务网 站）、街旁等，吸引了大量的用户去签到以及分享他们的经历。比如，直到2014年1月份， Foursquare已经吸引了4500万的用户签到超过50亿。而这海量的历史签到数据包含了大量 的用户和兴趣点的信息。
[0003] 毋庸置疑的是，人们总是选择那些近的又感兴趣的地点。因此，兴趣点的位置对推 荐系统是很有帮助的。此外，不少研究人员发现一个空间现象:人们的个人访问位置总是聚 集在一起的，往往是遍布在其住宅周边。实际上，这种现象有利于兴趣点推荐。对空间聚类 现象进行建模的目的就是能够区分不感兴趣的地点与没被发现但却有兴趣的潜在的地点。
[0004] 在个人兴趣点推荐的问题上，其关键的任务就是得到用户偏好并将前k个最高得 分的潜在兴趣点推荐给用户。现有技术中的推荐方法通常是基于WMF法(WMF，即Weighted Matrix Factorization，加权矩阵分解）或者GeoMF法，其中，GeoMF法是人们在考虑到地理 位置信息对兴趣点推荐效果的影响后，利用地理位置信息对WMF法进行优化得到的。
[0005] 然而，目前无论是WMF法还是GeoMF法，其对兴趣点分类和对用户偏好估计方面都 较为粗略，从而使得用户难以获得更加准确细致的兴趣点推荐结果，严重影响了用户实际 体验。
[0006] 综上所述可以看出，如何进一步提高兴趣点推荐结果的精准程度和细致程度是目 前有待解决的问题。
【发明内容】
[0007] 有鉴于此，本发明的目的在于提供一种基于层次结构的兴趣点推荐方法，进一步 提高了兴趣点推荐结果的精准程度和细致程度。其具体方案如下：
[0008] -种基于层次结构的兴趣点推荐方法，包括：
[0009] 在WMF法的基础上，通过融合地理位置信息，构建用于计算用户对兴趣点的位置偏 好的原始目标函数;其中，所述原始目标函数中包含兴趣点特征矩阵、用户特征矩阵、用户 活动区域矩阵以及兴趣点影响区域矩阵；
[0010] 基于兴趣点与兴趣点隐性分类之间的关系，对所述兴趣点特征矩阵进行分层处 理，得到q层的兴趣点隐性层次结构，其中，q为正整数；
[0011] 基于用户与用户隐性分类之间的关系，对所述用户特征矩阵进行分层处理，得到p 层的用户隐性层次结构，其中，P为正整数；
[0012] 基于活动区域与活动区域隐性分类之间的关系，对所述用户活动区域矩阵进行分 层处理，得到h层的用户活动区域隐性层次结构，其中，h为正整数；
[0013] 利用所述q层的兴趣点隐性层次结构、所述p层的用户隐性层次结构以及所述h层 的用户活动区域隐性层次结构，对所述原始目标函数进行优化，得到相应的主目标函数；
[0014] 利用所述主目标函数，确定用户对未曾到访兴趣点的偏好程度，并将偏好程度大 于预设值的兴趣点推荐给相应的用户。
[0015] 优选的，所述原始目标函数为：
[0016]
[0017] 并且满足如下条件:X 2〇;
[0018] 其中，Q为用于表示两矩阵对应位置的元素相乘的符号，U表示所述用户特征矩 阵，V表示所述兴趣点特征矩阵，X表示所述用户活动区域矩阵，Y表示所述兴趣点影响区域 矩阵，R表示预估偏好矩阵，W表示权重矩阵，γ和λ为预设参数。
[0019] 优选的，所述q层的兴趣点隐性层次结构为:V ? WV2…Vq;
[0020] 所述P层的用户隐性层次结构为:u ?1]山2…UP;
[0021] 所述h层的用户活动区域隐性层次结构为
[0022] 优选的，所述主目标函数为：
[ρηοο?
[0024] 并且满足如下条件:Xt2 0，te {1，2, . . .，h}。
[0025] 优选的，所述用户特征矩阵U中的任一层隐性结构U所对应的隐性因子m的更新方 式为：
[0026]
[0027] 其中，W1为NXN对角矩阵，= 心为出的评分列向量。
[0028] 优选的，所述兴趣点特征矩阵V中的任一层隐性结构％所对应的隐性因子的更新 方式为：
[0029]
[0030] 其中，W^MXM对角矩阵，< =%，rj为％的评分列向量。
[0031] 优选的，所述用户活动区域矩阵X中的任一层隐性结构Xk所对应的隐性因子Xk的更 新方式为：
[0032] xk^H(xk~aVL(xk))；
[0033] 其中，a为预设的学习参数，H( ·)为用于确保元素非负性的函数，具体为：
[0034]
[0035]并且，VL(xk)为的 L(xk)梯度，
[0036] 其中，
，
[0037] 优选的，所述用户特征矩阵U中的任一层隐性结构Ui的更新规则为：
[0038]
[0039]
[0040] 优选的，所述兴趣点特征矩阵V中的任一层隐性结构Vj的更新规则为：
[0041]
[0042]
[0043]优选的，所述用户活动区域矩阵X中的任一层隐性结构Xk的更新规则为：
[0044]
[0045]
[0046] 本发明中，兴趣点推荐方法包括:在WMF法的基础上，通过融合地理位置信息，构建 用于计算用户对兴趣点的位置偏好的原始目标函数;其中，原始目标函数中包含兴趣点特 征矩阵、用户特征矩阵、用户活动区域矩阵以及兴趣点影响区域矩阵;基于兴趣点与兴趣点 隐性分类之间的关系，对兴趣点特征矩阵进行分层处理，得到q层的兴趣点隐性层次结构； 基于用户与用户隐性分类之间的关系，对用户特征矩阵进行分层处理，得到P层的用户隐性 层次结构;基于活动区域与活动区域隐性分类之间的关系，对用户活动区域矩阵进行分层 处理，得到h层的用户活动区域隐性层次结构;利用q层的兴趣点隐性层次结构、p层的用户 隐性层次结构以及h层的用户活动区域隐性层次结构，对原始目标函数进行优化，得到相应 的主目标函数;利用主目标函数，确定用户对未曾到访兴趣点的偏好程度，并将偏好程度大 于预设值的兴趣点推荐给相应的用户。可见，本发明通过对兴趣点特征矩阵、用户特征矩阵 和用户活动区域矩阵进行层次化处理，得到关于兴趣点、用户以及用户活动区域方面的更 多细分层次结构特征，进而利用兴趣点隐性层次结构、用户隐性层次结构和用户活动区域 隐性层次结构，对原始目标函数进行优化，然后利用优化得到的主目标函数来得到更加细 致精准的兴趣点推荐结果，也即，本发明实现了进一步提高兴趣点推荐结果的精准程度和 细致程度的目的。
【附图说明】
[0047] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 提供的附图获得其他的附图。
[0048] 图1为本发明实施例公开的一种基于层次结构的兴趣点推荐方法流程图。
【具体实施方式】
[0049]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0050] 本发明实施例公开了一种基于层次结构的兴趣点推荐方法，参见图1所示，该方法 包括：
[0051] 步骤S11:在WMF法的基础上，通过融合地理位置信息，构建用于计算用户对兴趣点 的位置偏好的原始目标函数;其中，原始目标函数中包含兴趣点特征矩阵、用户特征矩阵、 用户活动区域矩阵以及兴趣点影响区域矩阵；
[0052] 步骤S12:基于兴趣点与兴趣点隐性分类之间的关系，对兴趣点特征矩阵进行分层 处理，得到q层的兴趣点隐性层次结构，其中，q为正整数；
[0053]步骤S13:基于用户与用户隐性分类之间的关系，对用户特征矩阵进行分层处理， 得到P层的用户隐性层次结构，其中，P为正整数；
[0054] 步骤S14:基于活动区域与活动区域隐性分类之间的关系，对用户活动区域矩阵进 行分层处理，得到h层的用户活动区域隐性层次结构，其中，h为正整数；
[0055] 步骤S15:利用q层的兴趣点隐性层次结构、p层的用户隐性层次结构以及h层的用 户活动区域隐性层次结构，对原始目标函数进行优化，得到相应的主目标函数；
[0056] 步骤S16:利用主目标函数，确定用户对未曾到访兴趣点的偏好程度，并将偏好程 度大于预设值的兴趣点推荐给相应的用户。
[0057]本发明实施例中，兴趣点推荐方法包括:在WMF法的基础上，通过融合地理位置信 息，构建用于计算用户对兴趣点的位置偏好的原始目标函数;其中，原始目标函数中包含兴 趣点特征矩阵、用户特征矩阵、用户活动区域矩阵以及兴趣点影响区域矩阵;基于兴趣点与 兴趣点隐性分类之间的关系，对兴趣点特征矩阵进行分层处理，得到q层的兴趣点隐性层次 结构;基于用户与用户隐性分类之间的关系，对用户特征矩阵进行分层处理，得到P层的用 户隐性层次结构;基于活动区域与活动区域隐性分类之间的关系，对用户活动区域矩阵进 行分层处理，得到h层的用户活动区域隐性层次结构；利用q层的兴趣点隐性层次结构、p层 的用户隐性层次结构以及h层的用户活动区域隐性层次结构，对原始目标函数进行优化，得 到相应的主目标函数;利用主目标函数，确定用户对未曾到访兴趣点的偏好程度，并将偏好 程度大于预设值的兴趣点推荐给相应的用户。
[0058]可见，本发明实施例通过对兴趣点特征矩阵、用户特征矩阵和用户活动区域矩阵 进行层次化处理，得到关于兴趣点、用户以及用