The invention relates to a method of time aware personalized POI recommendation and tensor decomposition based on weighted HITS, the invention is directed to a data sparsity problem facing the traditional POI recommendation method, first through the collaborative tensor into additional information decomposition model of user preferences, and then through the weighted HITS combines user preference and the popularity of POI POI mark. Finally, according to POI scoring, to provide users with a number of pre ranking POI as a recommendation. The invention overcomes the problem of data sparseness by providing three factors, namely, integrating collaborative tensor decomposition and weighted HITS, taking into account user preferences, time and local features, and providing high-quality personalized POI recommendation for users.
【技术实现步骤摘要】
一种基于张量分解及加权HITS的时间感知个性化POI推荐方法
本专利技术涉及POI推荐领域,尤其涉及一种基于张量分解及加权HITS的时间感知个性化POI推荐方法。
技术介绍
随着装备GPS智能设备的快速发展,产生了基于位置的社交网络服务(Location-basedSocialNetworkingServices,LBSNs),如Foursquare、FacebookPlaces、GooglePlaces等。在LBSNs上,用户可以登录(check-in)商店、餐厅等POI(PointofInterest)并分享。由于LBSNs用户众多并能覆盖广大的区域,在其基础上出现了POI推荐服务,不仅可以帮助用户认识新的POI和探索不熟悉的区域,而且可以方便广告主向目标用户推送移动广告。传统的个性化POI推荐方法主要有两类:第一类是基于协同过滤(collaborativefiltering,CF)方法。协同过滤又可以分为基于记忆协同过滤(memory-basedCF)方法和基于模型协同过滤方法(model-basedCF),其中基于记忆协同过滤方法包括基于用户(user-basedCF)与基于项目(item-basedCF)协同过滤方法。然而,一个用户能够访问的POI是有限的,而城市中有数量庞大的POI,对于传统的基于协同过滤的推荐方法,用户-POI矩阵过于稀疏。第二类是基于链路分析(linkanalysis)方法。链路分析算法(如:PageRank和HITS)广泛用于网页排序,可以通过分析图的结构提取高质量节点。基于链路分析的POI推荐算法包括全局推荐与个性化推荐 ...
【技术保护点】
一种基于张量分解及加权HITS的时间感知个性化POI推荐方法,其特征在于,包括如下步骤:1)基于协同张量分解的用户偏好建模:1.1)输入用户check‑in历史数据及POI类别数据,根据用户在任意一个时间段内对一类POI的访问频数,构建三维用户偏好张量
【技术特征摘要】
1.一种基于张量分解及加权HITS的时间感知个性化POI推荐方法,其特征在于,包括如下步骤:1)基于协同张量分解的用户偏好建模:1.1)输入用户check-in历史数据及POI类别数据,根据用户在任意一个时间段内对一类POI的访问频数,构建三维用户偏好张量并对其进行归一化;1.2)输入用户check-in历史数据、POI类别数据及用户信息数据,根据用户的个人信息及对不同类POI的访问历史,构建用户-特征矩阵X,并对其进行归一化;1.3)输入用户check-in历史数据及POI类别数据,根据不同时间段内各中类别POI被访问的频数,构建时间段-POI类别矩阵Y,并对其进行归一化;1.4)输入POI类别数据,将POI类别两两组合构成搜索引擎的关键字,将返回的结果数作为相应POI类别间的相关性构建类别-类别矩阵Z,并对其进行归一化;1.5)输入三维用户偏好张量用户-特征矩阵X、时间段-POI类别矩阵Y和类别-类别矩阵Z,通过矩阵X、Y、Z的协同张量分解帮助补全三维用户偏好张量2)基于加权HITS的POI打分及推荐:2.1)输入用户-特征矩阵X,根据余弦相似性计算公式计算用户间的相似性,作为LBSN图中用户间边的权值;2.2)将查询用户当前时间τ映射为用户偏好张量中的一个时间段t;2.3)输入查询区域当地所有用户的check-in历史数据、当地用户间的相似性及当前时间查询用户的偏好,为查询用户构建LBSN图;2.4)将构建得到的LBSN图输入加权HITS中,计算查询区域当地所有POI分数;2.5)根据查询用户当前位置l确定产生候选项的区域r;2.6)根据区域r内POI分数,选取分数最大的前若干项作为提供给该查询用户的POI推荐。2.根据权利要求1所述的一种基于张量分解及加权HITS的时间感知个性化POI推荐方法,其特征在于:所述对三维用户偏好张量进行归一化的方法为将三维用户偏好张量中的每一项除以内所有项中的最大值。3.根据权利要求1所述的一种基于张量分解及加权HITS的时间感知个性化POI推荐方法,其特征在于:所述的用户特征包括用户性别特征Fg和位置历史特征Fl,将每个用户的特征Fg和Fl串联成一个向量形式,形成用户-特征矩阵;进行归一化操作时,将每个特征项的值映射到[0-1]区间,映射公式如下所示:其中x表示原值,x′表示归一化后的值,min和max分别表示Fg或Fl特征值的最小值和最大值。4.根据权利要求1所述的一种基于张量分解及加权HITS的时间感知个性化POI推荐方法,其特征在于:所述步骤1.5)利用tucker分解模型在X、Y和Z的协同帮助下对进行补全:(i)张量被分解为一个核张量和三个矩阵的相乘形式,即其中核张量矩阵X被分解为两个矩阵的相乘形式,即X=U×V,其中矩阵Y被分解为两个矩阵的相乘形式,即Y=T×CT,其中(ii)得到协同张量分解的目标函数,如下式所示:其中,||·||为Frobenius范数;控制张量分解误差;||X-UV||2控制矩阵X的分解误差,||Y-TCT||2控制矩阵Y的分解误差;||S||2+||U||2+||C||2+||T||2+||V||2为防止模型过拟合的正则项;λ1,λ2,λ3和λ4为控制分解过程中各部分重要程度的参数;tr(CTLYC)由如下公式推导得到:∑ij||C(i,j)-(j,·)||2Zij=∑k∑ij||C(i,k)-C(j,k)||2Zij=tr(CT(D-Z)C)=tr(CTLYC)其中,tr(·)表示矩阵的迹,D(Dii=∑iZij)为对角矩阵,LZ=D-Z为拉普拉斯矩阵;(iii)采用梯度下降算法优化目标函数,得到补全后的张量5.根据权利要求1所述的一种基于张量分解及加权HITS的时间感知个性化POI推荐方法,其特征在于:所...
【专利技术属性】
技术研发人员:王敬昌,吴勇,陈岭,应鸳凯,郑羽,
申请(专利权)人:浙江鸿程计算机系统有限公司,
类型:发明
国别省市:浙江,33
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。