基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法技术

本发明专利技术公开了基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，涉及互联网技术领域，针对用户兴趣在时间上呈周期变化的特性，把用户在兴趣点上的签到行为按固定的时间段进行划分，在每一时间段，挖掘真正流行的兴趣点和双隐式信任机制(对相似类别专家的隐式信任和对潜在朋友的隐式信任)对周期兴趣点推荐的影响。在Foursquare数据集和Gowalla数据集上验证TpCsSce‑PPR模型的性能，实验结果显示TpCsSce‑PPR模型在MAE和RMSE评价指标上优于所选择的基准推荐方法。

【技术实现步骤摘要】
基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法
本专利技术涉及互联网
，特别是涉及基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法。
技术介绍
随着移动互联网爆炸式增长、电子商务的迅猛发展以及智能手机的快速普及，在线社会网络下的推荐技术得到了迅速发展。在基于位置的在线社会网络下，兴趣点推荐具有时间序列模式和时间循环模式。Zhao等人针对用户在不同的时间段会喜欢不同的下一个兴趣点，提出了一种基于时空潜在排序方法的下一个兴趣点推荐技术，以细粒度的方式显式建模用户、兴趣点和时间之间的交互。Feng等人采用使用针对推荐的排序度量嵌入方法(PRME)对用户的个性化签到序列进行建模，对下一个新的兴趣点进行推荐，此模型整合了签到的序列信息、个人偏好和地理影响，以提高推荐性能。Lian等人提出使用个性化马尔科夫链来表示用户的短期爱好和长期爱好来预测下一个兴趣点。Zhang等人提出一种位置和时间感知的社会化协同检索模型，此模型同时对与用户有关的位置、时间和社会信息进行建模，进行下一个兴趣点推荐，并有效使用协同检索模型的加权估计排序成对损失实现更好的Top-N排序推荐。兴趣点的流行度反映了兴趣点所提供的服务和产品的质量。把兴趣点的流行度作为影响兴趣点推荐的一个因素是可取的。Ying等人提出了一种称为UPOI-Mine的城市兴趣点推荐方法，在基于位置的社会网络下，同时根据社会因素、个人偏好和兴趣点流行度，进行城市内兴趣点推荐。Lim等人提出了一种基于兴趣点流行度和用户兴趣爱好的PERSTOUR模型，为用户推荐个性化的旅游兴趣点序列。此模型考虑用户旅行限制，例如时间限制以及需要在特定兴趣点的开始和结束等问题。Nicholas等人提出了一种在上下文情境下，使用社区行为和相似度进行本地搜索的兴趣点推荐模型Hapori，此模型考虑四种类型的上下文特征：时序、空间、天气和兴趣点流行度特征，这四种不同类型的情境特征对用户的兴趣点推荐有着不同的影响。Zhang等人通过使用地理相关性、社会相关性和用户与兴趣点之间的类别相关性知识提出一种新的兴趣点推荐方法GeoSoCa。GeoSoCa使用用户对兴趣点类别的偏好，对相应类别中的兴趣点流行度进行加权，并且将被加权的流行度建模为幂律分布。从上述研究工作可以看出，用户的签到行为呈明显的周期性变化趋势。除了受自身偏好影响外，还会明显地受到兴趣点自身的流行度、社会关系和全局权威专家的影响。然而，项目流行度大都不能真正地反映项目自身流行度，如火车站是经常被访问的兴趣点，流行度偏高，但并不是用户在某个时刻想真正访问的兴趣点。来自社会关系的影响，事实上，用户在某个时间段签到的偏好不相同，那么所信任的朋友在每个时间段也不相同。比如，在就餐时，他会信任在餐馆推荐方面比较有经验的朋友，在运动时，他会信任热爱运动的朋友。另外，已有研究中，关于权威专家的定义也不精准。现有技术中的推荐方法导致兴趣点推荐的结果让人不是很满意。
技术实现思路
本专利技术实施例提供了基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，可以解决现有技术中存在的问题。本专利技术提供了基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，其特征在于，包括以下步骤：步骤1，采集用户签到行为数据并进行预处理；步骤2，按照等时段划分用户签到行为数据集合，得到多个子集；步骤3，依据TpCsSce-PPR模型对用户的签到行为数据子集进行深层语义特征分析，包括以下子步骤：子步骤3.1，根据签到行为数据子集计算兴趣点的真流行度；子步骤3.2，根据签到行为数据子集建立相似类别专家；子步骤3.3，根据签到行为数据子集计算基于相似兴趣的相似度；子步骤3.4，根据所述真流行度、相似类别专家、基于相似兴趣的相似度建立TpCsSce-PPR模型；步骤4，使用随机梯度下降方法优化TpCsSce-PPR模型，并进行参数更新，根据更新后的用户集合和兴趣点集合，计算可观察签到矩阵。相对于现有技术，本专利技术的优点在于：1、本专利技术中的周期兴趣点推荐模型TpCsSce-PPR融合兴趣点真流行度、基于用户兴趣类别专家和用户信任的双隐式信任机制，基于矩阵分解技术，时间因子也被引入周期兴趣点推荐模型中，把兴趣点真流行度、用户兴趣类别专家和用户信任的朋友的双隐式信任机制当作矩阵分解的正则化项。2、引入了某一时间段下，相似类别专家和用户信任的朋友的判定方法。当一个用户在某一时间段准备访问属于一个特定类别的兴趣点时，来自相似类别专家和此用户信任的朋友的建议是非常有参考价值的。时间滑动窗口的划分长度将会影响周期兴趣点推荐模型的结果，因此，时间滑动窗口的划分长度被反复训练以找到一个更为合适的划分值。3、提出了一种项目真流行度的概念。已有的研究所提出的项目流行度的概念太过模糊，只考虑被频繁访问的项目。事实上，被频繁访问的项目不一定是真正流行的项目，访问次数很少的项目也不一定是不流行的项目。因此，提出了一种项目真流行度的判定方法。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法的流程图；图2为潜在因子K的维度影响分析图；图3为Foursquare数据集上参数α和γ对推荐性能的影响图；图4为Gowalla数据集上参数α和γ对推荐性能的影响图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。在介绍本专利技术的详细技术方案之前，首先提出以下几个定义：定义1：周期兴趣点推荐。周期兴趣点推荐是指在某一时间段t∈T，把用户u最想访问的兴趣点推荐给u，并且，所推荐的兴趣点不在内。定义2：签到矩阵。兴趣点签到矩阵是一个|U|×|T|×|P|的立方体，其中，|U|是用户数、|T|是时间槽数目、|P|是兴趣点数目。兴趣点评分rutp表示用户u在时间段t期间是否访问了兴趣点p。U和P分别是基于位置的社会网络中的用户集合和兴趣点集合。需要注意的是，兴趣点签到矩阵中的大多数条目都是零，因为用户只访问了基于位置的社会网络中非常少的兴趣点。定义3：社交关系矩阵。给定用户之间的社会关系，构造一个社会关系矩阵S|U|×|U|，其中，如果两个不同的用户ui和uj存在社会关系，uj∈Fi，否则，定义4：类别偏置矩阵。已有用户和兴趣点的历史签到数据和兴趣点的类别，类别偏置矩阵B|U|×|C|被构建，矩阵中的每一个元素Bu,c表示用户u访问属于类别c∈C的兴趣点的频率。C是兴趣点类别的全集，常常在基于位置的社会网络下被定义。需要强调的是一个兴趣点可以属于多个类别。定义5：相似类别专家。用户ui的相似类别专家是与用户ui在时间槽t有共同签到类别的专家用户集合，来自这些类别专家的建议是可信的和权威的。存储着时间t内，与用户ui有着相似签到类别的用户集合。本文档来自技高网...

【技术保护点】
1.基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，其特征在于，包括以下步骤：步骤1，采集用户签到行为数据并进行预处理；步骤2，按照等时段划分用户签到行为数据集合，得到多个子集；步骤3，依据TpCsSce‑PPR模型对用户的签到行为数据子集进行深层语义特征分析，包括以下子步骤：子步骤3.1，根据签到行为数据子集计算兴趣点的真流行度；子步骤3.2，根据签到行为数据子集建立相似类别专家；子步骤3.3，根据签到行为数据子集计算基于相似兴趣的相似度；子步骤3.4，根据所述真流行度、相似类别专家、基于相似兴趣的相似度建立TpCsSce‑PPR模型；步骤4，使用随机梯度下降方法优化TpCsSce‑PPR模型，并进行参数更新，根据更新后的用户集合和兴趣点集合，计算可观察签到矩阵，根据该可观察签到矩阵确定推荐给用户的兴趣点。

【技术特征摘要】
1.基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，其特征在于，包括以下步骤：步骤1，采集用户签到行为数据并进行预处理；步骤2，按照等时段划分用户签到行为数据集合，得到多个子集；步骤3，依据TpCsSce-PPR模型对用户的签到行为数据子集进行深层语义特征分析，包括以下子步骤：子步骤3.1，根据签到行为数据子集计算兴趣点的真流行度；子步骤3.2，根据签到行为数据子集建立相似类别专家；子步骤3.3，根据签到行为数据子集计算基于相似兴趣的相似度；子步骤3.4，根据所述真流行度、相似类别专家、基于相似兴趣的相似度建立TpCsSce-PPR模型；步骤4，使用随机梯度下降方法优化TpCsSce-PPR模型，并进行参数更新，根据更新后的用户集合和兴趣点集合，计算可观察签到矩阵，根据该可观察签到矩阵确定推荐给用户的兴趣点。2.如权利要求1所述的基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，其特征在于，子步骤3.1具体包括：PF表示兴趣点Pi被用户签到的频率，表示此兴趣点被用户签到的总数与所有兴趣点被签到总数的比值，IPF表示反兴趣点频率，以总用户U的数目除以包含该签到兴趣点用户Ui的数目，再将得到的商取对数得到：兴趣点的新颖度定义如下：其中，|Ui|表示签到此兴趣点的用户总数，tNew表示目标用户需要兴趣点推荐的当前时间，tStart表示用户兴趣点的建立时间，|tNew-tStart|表示兴趣点从开始建立到用户签到的时间段，综合公式(1)和公式(2)，得到兴趣点在t时刻的真流行度，表示如下：POITrue＝POIThe-first-true×POINovelty(3)。3.如权利要求1所述的基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，其特征在于，子步骤3.1具体包括：在时间段t内，对于用户签到的每一个类别，计算所有用户的兴趣类别权重u.wch，然后选择具有前K个值的用户作为用户ui的相似类别专家，对于获得的相似类别专家，计算用户ui和相似类别专家在时间段t的相似度，计算公式如下：其中，表示用户ui已访问的兴趣点，表示相似类别专家uq已签到的兴趣点，|P|表示兴趣点总数量。4.如权利要求1所述的基于兴趣点真流行度与隐...

【专利技术属性】
技术研发人员：崔琳，汪材印，张志伟，潘正高，吴孝银，刘永清，
申请(专利权)人：宿州学院，
类型：发明
国别省市：安徽,34