The present invention relates to a continuous interest point recommendation method based on check-in time interval pattern, which belongs to the field of recommendation system. According to the check-in data of each user, the user's personalized preference, geographic distance preference and check-in time interval preference are combined to form the user's comprehensive preference for the next interest point to visit, and the third-order tensor model is used to carry out the continuous check-in behavior. Modeling; Constructing a probabilistic model to learn the comprehensive preference degree of users for interest points by considering the check-in time interval preference as a potential variable; Designing an expectation maximization algorithm to optimize the parameters of the probabilistic model in the parameter learning stage, and finally realizing the task of recommending the next interest points to users; Supplementing the missing information in tensors and matrices. It is implemented by tensor/matrix decomposition algorithm. Compared with the existing technology, the method of the invention effectively solves the sparse problem of the user's interest point check-in matrix, and provides an accurate and efficient continuous interest point recommendation service for users.
【技术实现步骤摘要】
基于签到时间间隔模式的连续兴趣点推荐方法
本专利技术涉及一种连续兴趣点推荐方法,具体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。
技术介绍
近年来,基于位置的社交网络(Location-basedSocialNetworks,LBSNs),如Foursquare、Gowalla、GeoLife等,得到了快速的发展,使得用户可以在线分享他们的签到体验。兴趣点推荐变得更加重要和实用,其不仅可以帮助用户发现喜爱的兴趣点,而且有利于企业获得更多的目标客户。目前,已经有很多研究机构开展了对兴趣点推荐任务的研究。然而,由于每个用户的签到数据是高度稀疏的,实现准确的兴趣点推荐任务是具有挑战性的。当前的研究工作将所有签到数据作为一个整体来考虑,用户签到行为的序列性信息通常被忽视。用户签到行为的序列性对于兴趣点推荐是至关重要的,因为人们的移动方式往往呈现出序列性的模式,在构建兴趣点推荐模型的时候应该根据用户的当前位置进行推荐。因此,很多研究人员开展了对连续兴趣点推荐任务的研究。本专利技术的连续兴趣点推荐旨在预测用户接下来要访问的兴趣点,当前的研究工作通过融合位置社交网络中的各种情景信息,特别是时间效应,来建模用户对兴趣点的偏好。目前,存在很多工作研究了时间效应对连续兴趣点推荐产生的影响。一种方法是简单地探索人类移动模式的时间周期性,其依据的是人们往往在同一时间段周期性访问某些类型的兴趣点,例如早晨上班去办公室,晚上下班回家。另一种方法是考虑连续签到的时间属性,并利用个性化马尔科夫链分解模型和个性化排序度量嵌入算法来实现连续兴趣点推荐。特别地,最近的研 ...
【技术保护点】
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:
【技术特征摘要】
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Mfreq,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,…,lm,J=l1,l2,…,lm,共m个兴趣点;U=u1,u2,…,un,共n个用户;张量χ中的非零元素值为某个用户uk在整个时间段T内从当前兴趣点li转移到下一个兴趣点lj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Mspan,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,…,lm,J=l1,l2,…,lm,共m个兴趣点;U=u1,u2,…,un,共n个用户;张量Z中的非零元素值为某个用户uk在整个时间段T内从当前兴趣点li转移到下一个兴趣点lj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...
【专利技术属性】
技术研发人员:礼欣,江明明,石雨,
申请(专利权)人:北京理工大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。