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

本发明专利技术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，本发明专利技术针对传统POI推荐方法中面临的数据稀疏性问题，首先通过引入附加信息的协同张量分解对用户偏好进行建模，然后通过加权HITS同时整合用户偏好与POI的流行度为POI进行打分。最后根据POI打分为用户提供排名靠前的若干POI作为推荐。本发明专利技术通过集成协同张量分解与加权HITS考虑用户偏好、时间及当地特色三个因素，克服数据稀疏性问题，为用户提供高质量的个性化POI推荐。

A time aware personalized POI recommendation method based on tensor decomposition and weighted HITS

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。其中全局推荐方法的明显缺陷是不能提供个性化的推荐服务，而能够提供个性化POI推荐的方法依赖用户位置历史的规模，当用户位置历史规模小时推荐效果往往不够理想。此外，高质量的POI推荐需要同时考虑以下三种因素：1)用户偏好：个性化POI推荐需要符合用户的偏好，例如音乐爱好者对音乐会感兴趣，购物狂会更加关注购物商场，根据用户偏好对不同的用户提供不同的推荐。2)时间：用户偏好会随着时间而变化，例如中午在中餐馆吃午餐，午夜在酒吧消遣。3)当地特色：用户的偏好或行为模式会随着地理区域的变化而变化，比如杭州的越剧爱好者到香港旅行，往往会去访问香港本地的特色场所(如购物中心和美食餐馆等)，而不是去看越剧，因此为用户推荐本地的特色场所非常有意义。
技术实现思路
本专利技术为克服上述的不足之处，目的在于提供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，本专利技术针对当前个性化POI推荐的数据稀疏性问题，同时考虑到用户偏好、时间及当地特色在POI推荐中扮演的重要角色，主要包括用户偏好建模和POI打分及推荐，在用户偏好建模阶段，首先构建一个用户偏好张量和三个附加矩阵，然后通过这三个矩阵的协同帮助补全该张量，从而提高用户偏好建模的准确性。在POI打分及推荐阶段，给定一个查询用户以及其所在的位置和时间，首先建立LBSN图，用户间的边权为用户相似性，然后将该LBSN图输入HITS算法，计算每个POI的分数，并取分数高的前若干POI作为推荐。本专利技术是通过以下技术方案达到上述目的：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，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。作为优选，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。作为优选，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。作为优选，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，·)||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，得到补全后的张量作为优选，所述的余弦相似性计算公式如下所示：其中，ui和uj表示任意两个用户，和分别为用户ui和uj的归一化的特征向量。作为优选，所述用户偏好张量中的一个时间段t优选跨度为1小时。作为优选，所述构建得到的LBSN图中，用户和POI作为节点，用户间的朋友关系表示成无向边，用户对POI的check-in关系表示成从用户到POI的有向边；用户间的边权为对应用户间的相似性，用户与POIvj间的边权为查询用户ui在时间段tk内对该POI的偏好值作为优选，所述步骤2.4)将LBSN图输入到加权HITS中，按照如下公式迭代计算得到针对查询用户查询区域内所有POI的分数：其中，POI的authority本文档来自技高网...

【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