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，本发明实施例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。
[0059] 本发明实施例公开了一种具体的基于层次结构的兴趣点推荐方法，相对于上一实 施例，本实施例对技术方案作了进一步的说明和优化。具体的：
[0060] h 一走倫仿ll由的鹿始日标雨救旦彼为.
[0061]
[0062] 并且满足如下条件:X 2 0;
[0063] 其中，Θ为用于表示两矩阵对应位置的元素相乘的符号;U表示用户特征矩阵;V表 示兴趣点特征矩阵;X表示用户活动区域矩阵，也即是用于记录用户在每一空间子区域出现 的概率的矩阵;Y表示兴趣点影响区域矩阵，也即是用于记录兴趣点对每一空间子区域影响 程度的矩阵;R表示预估偏好矩阵，也即是用于记录用户对兴趣点的偏好程度的矩阵;W表示 权重矩阵，该权重矩阵是基于当前用户对兴趣点的访问频次来进行构建得到的，例如，可以 基于访问频次越多、兴趣点的权重系数越高的原则，对权重矩阵进行确定；γ和λ为预设参 数。
[0064] 在上述兴趣点影响区域矩阵Υ中，一个属于类别hc的兴趣点巧对空间子区域gl的影 响度为
，其中K( ·)是标准的正态分布，〇。是类别h。的标准误差，d(l，j) 表示兴趣点与3?Ι日」堞之间的欧氏距离。
[0065]另外，上一实施例中的q层的兴趣点隐性层次结构具体为:V? ViVdq，其中，关于 兴趣点的任一隐性层次结构与一类兴趣点相对应;P层的用户隐性层次结构为:l^UiUr·· UP，其中，关于用户的任一隐性层次结构与一类用户相对应;h层的用户活动区域隐性层次 结构为:χ * XiX2…Xh，其中，关于用户活动区域的任一隐性层次结构与一类用户活动区域相 对应。利用上述三个隐性层次结构，可对原目标函数进行优化，以得到更加细分的主目标函 数。其中，主目标函数具体为：
[0066]
[0067] 并且满足如下条件:Xt2 0，te {1，2, ·h}。
[0068] 需要说明的是，可以通过固定其他变量的方式，来对上述主目标函数的某一变量 进行求解，由此可以得到每一隐性层次结构所对应的解，并可进一步从中精细地筛选出用 户对未曾到访兴趣点的偏好程度，然后将偏好程度大于预设值的兴趣点推荐给更加细分的 用户，提高了兴趣点推荐结果的精准程度和细致程度。
[0069] 本实施例中，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：
[0070] ui = (ΥτΨΥ+ γ I) _1VTff1 (ri-Yxi)；
[0071] 其中，f为NXN对角矩阵，
m为m的评分列向量。
[0072]另外，兴趣点特征矩阵V中的任一层隐性结构V」所对应的隐性因子的更新方式 为：
[0073] vj=(UTffjU+y D^VffHrj-Xyj)；
[0074] 其中，Wj为MXM对角矩阵，胃,.=为Vj的评分列向量。
[0075] 其次，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：
[0076] xk^H(xk~a VL(xk));
[0077] 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： 7 v ?.ν, .V > 0
[0078] = 4 * V ； [Ο, λ-<()
[0079] 并且，VL(xk)为的 L(xk)梯度，VL(xk) =YTWk(Yxk-(rk_Vuk) )+λ;
[0080] 其中
[0081] 考虑到关于兴趣点、用户和用户活动区域的隐性层次结构并非是一成不变的，所 以需要根据实际情况，对各种隐性层次结构进行更新。其中，用户特征矩阵U中的任一层隐 性结构Ui的更新规则具体为：
[0082]
[0083]
[0084] 另外，兴細(点特征钽陈V中的仵一层隐件结构V说审新挪_具体为：
[0087] 进一步的，用户活动区域矩阵X中的任一层隐性结构Xk的更新规则具体为：
[0085]
[0086]
[0088]
[0089] 其中，
:
[0090] 本实施例中，提供了一种具体的基于层次结构的兴趣点推荐方法，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。
[0091] 最后，还需要说明的是，在本文中，术语"包括"、"包含"或者其任何其他变体意在 涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些 要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设 备所固有的要素。在没有更多限制的情况下，由语句"包括一个……"限定的要素，并不排除 在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0092] 以上对本发明所提供的一种基于层次结构的兴趣点推荐方法进行了详细介绍，本 文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于 帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思 想，在【具体实施方式】及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对 本发明的限制。
【主权项】
1. 一种基于层次结构的兴趣点推荐方法，其特征在于，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，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W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； 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； 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； 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W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； 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。2. 根据权利要求1所述的基于层次结构的兴趣点推荐方法，其特征在于，所述原始目标 函数为：并且满足如下条件:X>0; 其中，O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，丫和A为预设参数。3. 根据权利要求2所述的基于层次结构的兴趣点推荐方法，其特征在于， 所述q层的兴趣点隐性层次结构为:V - ViV2…Vq; 所述P层的用户隐性层次结构为:U - U册…恥 所述h层的用户活动区域隐性层次结构为:X - Xi拉…Xh。4. 根据权利要求3所述的基于层次结构的兴趣点推荐方法，其特征在于，所述主目标函 数为：并且满足如下条件:乂*>0，1￡{1，2，...，]1}。5. 根据权利要求4所述的基于层次结构的兴趣点推荐方法，其特征在于，所述用户特征 矩阵U中的任一层隐性结构化所对应的隐性因子Ui的更新方式为： Ui=(vTwiv+Yl^ivTwi(n-Yxi); 其中，W哨NXN对角矩阵，W；,,二Wy，ri为Ui的评分列向量。6. 根据权利要求5所述的基于层次结构的兴趣点推荐方法，其特征在于，所述兴趣点特 征矩阵V中的任一层隐性结构V非片对应的隐性因子V北勺更新方式为： Vj =化了胖也+丫 I 厂iljTwi(r广Xyj); 其中，Wj为MXM对角矩阵，W/,二w,'y'，rj为Vj的评分列向量。7. 根据权利要求6所述的基于层次结构的兴趣点推荐方法，其特征在于，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： 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： ,-V. A- > O 打(4 二-、 ; 、J I化-VI:O 并且，为的L(Xk)梯度，Vl(V)=YrW*(Yx,(-(iv-Vug)+i;; 其中，王(XJ = |w 气 V- Vu;' -化 j|;'+a ||x<_ I。8. 根据权利要求7所述的基于层次结构的兴趣点推荐方法，其特征在于，所述用户特征 矩阵U中的任一层隐性结构化的更新规则为： 其中9. 根据权利要求8所述的基于层次结构的兴趣点推荐方法，其特征在于，所述兴趣点特 征矩阵V中的任一层隐性结构V北勺更新规则为： 其中，10. 根据权利要求9所述的基于层次结构的兴趣点推荐方法，其特征在于，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： 其中
【专利摘要】本申请公开了一种基于层次结构的兴趣点推荐方法，该方法包括：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；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；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；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；利用兴趣点隐性层次结构、用户隐性层次结构以及用户活动区域隐性层次结构，对原始目标函数进行优化，并利用优化得到的主目标函数，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。本申请提高了兴趣点推荐结果的精准程度和细致程度。
【IPC分类】G06F17/30
【公开号】CN105653637
【申请号】
【发明人】赵朋朋, 李春华, 周子婷, 崔志明
【申请人】苏州大学
【公开日】2016年6月8日
【申请日】2015年12月28日