【技术实现步骤摘要】
一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置
本专利技术涉及深度学习
，具体涉及一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置。
技术介绍
随着Web2.0的快速发展，无线通信与位置采集技术促生很多基于位置的社交网络应用，在这些基于位置的社交网络服务应用中，用户可以与其他用户建立社交联系，探索周边的环境，以签到兴趣点(如餐馆、购物中心和景点等)的方式分享他们的生活经历与体验。LBSN除了为用户提供交互平台，其中包含的丰富数据(签到数据、社交关系、评论信息等)可以用来挖掘用户的兴趣偏好，并为用户推荐用户可能感兴趣的、未访问过的地理位置。基于位置的社交网络向用户推荐用户可能感兴趣的地理位置的推荐称为兴趣点推荐(Point-of-interest,POI)。兴趣点推荐一方面满足用户探索新的地理区域与发现新的兴趣点的个性化需求，同时减轻用户面临的信息过载问题；另一方面兴趣点推荐帮助LBSN服务提供商在实现智能化的位置服务中扮演重要角色，从而帮助LBSN服务提供商增加营业收入。因此，如何为用户提供准确的兴趣点推荐，...
【技术保护点】
1.一种基于时空序列和社会嵌入排名的兴趣点推荐方法，其特征在于，包括：/n步骤S1：使用基于水平卷积滤波器、垂直卷积滤波器和多层感知器模型的混合深度模型对用户签到时序信息进行建模，学习兴趣点时序特征的目标函数，得到用户签到时序模型；/n步骤S2：基于度量学习理论构建权重函数用于用户和用户之间社交关系程度的预测，对用户社交信息进行建模，得到用户社交信息模型；/n步骤S3：采用基于矩阵分解的统一框架对用户签到时序模型中的用户签到时序信息和用户社交信息模型中的用户社交信息进行融合，并基于学习兴趣点时序特征的目标函数和权重函数得到用于兴趣点推荐的损失函数；/n步骤S4：利用BPR标...
【技术特征摘要】
1.一种基于时空序列和社会嵌入排名的兴趣点推荐方法，其特征在于，包括：
步骤S1：使用基于水平卷积滤波器、垂直卷积滤波器和多层感知器模型的混合深度模型对用户签到时序信息进行建模，学习兴趣点时序特征的目标函数，得到用户签到时序模型；
步骤S2：基于度量学习理论构建权重函数用于用户和用户之间社交关系程度的预测，对用户社交信息进行建模，得到用户社交信息模型；
步骤S3：采用基于矩阵分解的统一框架对用户签到时序模型中的用户签到时序信息和用户社交信息模型中的用户社交信息进行融合，并基于学习兴趣点时序特征的目标函数和权重函数得到用于兴趣点推荐的损失函数；
步骤S4：利用BPR标准对用于兴趣点推荐的损失函数进行优化，拟合用户在兴趣点对上的偏序关系，并基于偏序关系生成兴趣点推荐列表。
2.如权利要求1所述的方法，其特征在于，混合深度模型包括嵌入层、卷积层、全连接层和多层感知机，步骤S1具体包括：
步骤S1.1：通过嵌入层对位置信息和用户信息进行嵌入；
步骤S1.2：通过卷积层，利用水平卷积滤波器、垂直卷积滤波器捕获局部特征，并对局部特征进行识别和处理；
步骤S1.3：通过全连接层对卷积层处理后的特征进行降维处理；
步骤S1.4：通过多层感知机学习用户和签到点潜在特征之间的关系，并以学习兴趣点时序特征的目标函数为目标，得到用户签到时序模型。
3.如权利要求2所述的方法，其特征在于，步骤S1.2具体包括：
步骤S1.2.1：水平卷积滤波器从矩阵E的左上角开始，以步长为1从上到下依次滑动进行卷积计算，并与矩阵E进行交互，其中，矩阵E是通过嵌入层的处理将位置集合转换成一个词向量组成的文档矩阵，用以存储用户签到位置信息，水平卷积核Fk的大小为h×w，其中h和w分别是过滤器的高度和宽度；
步骤S1.2.2：垂直卷积滤波器通过在矩阵E上从左到右滑动d次与矩阵E进行交互，交互的结果是由第i个卷积值计算，d和i为正整数。
4.如权利要求1所述的方法，其特征在于，步骤S2具体包括：
步骤S2.1：定义距离度量用以估...
【专利技术属性】
技术研发人员：李雪飞，徐洋洋，高榕，张玉洁，饶建勋，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42
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。