一种个性化兴趣点推荐方法及系统技术方案

本发明专利技术公开了一种个性化兴趣点推荐方法及系统。本方法包括：1)根据用户及兴趣点的历史签到信息，获取用户集合、兴趣点集合和每个用户兴趣点集合；2)将每个兴趣点信息进行编码得到兴趣点向量；3)根据兴趣点签到时间信息，编码得到对应用户的时间特征向量；4)根据兴趣点签到天气信息，编码得到对应用户的天气特征向量；5)根据兴趣点签到信息，编码得到对应用户是空间特征向量；6)根据用户的上述向量，得到对应用户兴趣点矩阵；7)根据用户兴趣点矩阵训练LSTM‑Autoencoder模型，对签到序列进行修正，得到用户兴趣点访问偏好；8)根据目标用户的兴趣点访问偏好，给定时间信息、天气信息，向目标用户进行兴趣点推荐。

【技术实现步骤摘要】
一种个性化兴趣点推荐方法及系统
本专利技术涉及兴趣点(Point-of-Interest，POI)推荐技术，尤其涉及一种个性化兴趣点推荐方法及系统，属于推荐系统领域。
技术介绍
随着互联网的高速发展和移动智能设备的迅速普及，人们越来越关注自己的位置以及周边地理位置的信息，基于位置服务应用(Location-BasedServices，LBS)吸引了大量用户使用。基于位置服务应用通过移动智能设备能快速得到用户的地理位置信息，及时提供相应的位置服务，例如Google、百度、必应等搜索引擎利用用户的位置信息改善搜索结果的排序；QQ、微信、微博等社交软件利用用户的社交信息和位置信息来向用户推荐好友或附近的用户；美团、大众点评等网站使用用户的兴趣点签到数据、用户的地理位置信息等分析用户的习惯，给用户推荐餐厅、商场等兴趣点。兴趣点(Point-of-Interest，POI)，泛指一切可以抽象为点的地理对象，尤其是指一些与人们生活密切相关的地理实体，如商场、公园、酒店、游乐场、停车场、地标建筑等。人们可以使用移动智能设备随时随地分享自己所处的位置，也可以对自己喜欢的兴趣点进行打卡签到，还可以把自己在这些兴趣点的体验分享到网络上，由此产生了大量的交互信息以及时间、地点、评论等丰富的辅助信息，这些信息为针对用户个性化推荐兴趣点提供了可能。基于位置服务应用通过发掘用户的偏好，帮助用户探索从未去过的兴趣点，提供更好的用户体验，还可以帮助商家推荐潜在客户，产生商业价值。因此，个性化兴趣点推荐方法的研究具有重要的意义。目前，兴趣点推荐算法研究主要结合用户个人信息、用户社交关系、用户签到位置坐标、用户签到时间、评论信息等进行推荐。基于位置服务应用能获取用户访问兴趣点的时间记录，通过分析用户签到数据，挖掘用户签到行为的时序特征。从时间角度上，用户在工作日和节假日访问的地点会不同，在同一天中不同时间段访问的地点也会出现不同。用户的偏好不是一成不变的，而是会随着时间的变化而变化。从空间角度上，人们访问一个兴趣点后，通常会访问该兴趣点附近的地理位置，相邻的兴趣点比远距离的兴趣点具有更强的地理相关性。用户在一段时间里会有一个或多个活动中心，如公司、学校、家等，用户更倾向于访问活动中心附近的兴趣点。充分利用时间信息和空间信息可以提高兴趣点推荐的准确性，给用户带来更好的体验。但在现实生活中经常会出现地理位置信息缺失的情况，如用户访问的位置没有GPS信号，这时用户的地理位置信息可能会丢失，导致用户的兴趣点签到序列不完整。此外，还会出现地理位置信息异常的情况，如用户访问的位置GPS信号较弱，用户的地理位置信息可能会发生“漂移”，导致用户的签到位置与实际地理位置相差较远，或者在较短的时间里用户移动了很远的距离，这些错误的兴趣点签到项应该从用户的兴趣点签到序列中删除。综上，如果能识别用户在过去特定时间访问过的兴趣点，将缺失的兴趣点签到信息进行补全，删除错误的兴趣点签到信息，将有助于挖掘正确、完整的用户偏好，提升兴趣点推荐的性能。用户是否访问一个兴趣点不仅取决于自身的喜好，还取决于一些外部因素，如时间、天气。用户日常出行和节假日出行差别较大，用户日常访问兴趣点受到工作、学习等约束，一般倾向于访问距离较近的兴趣点，而在节假日，用户时间较充分，访问距离较远的兴趣点的可能性会提升。同样，用户的出行还会受到天气因素的影响，如晴天、雨天、雾霾等天气会影响用户是否出行、出行的目的地、出行距离等。因此，在对用户进行兴趣点推荐时，考虑外部因素的影响，在一定程度上能改善推荐的准确性。
技术实现思路
本专利技术目的是提供一种个性化用户兴趣点推荐方法，从目标用户的兴趣点访问记录出发，通过补全目标用户缺失的兴趣点访问信息，删除目标用户错误的兴趣点访问信息，挖掘目标用户的兴趣点访问偏好，并考虑外部因素的影响，实现个性化兴趣点推荐。为实现上述目的，本专利技术采用如下的技术方案：一种个性化用户兴趣点推荐方法，包括以下步骤：步骤1，根据用户及兴趣点的历史签到信息，获取用户集合、兴趣点集合和每个用户兴趣点集合；步骤2，将每个兴趣点信息通过嵌入模型编码得到兴趣点向量；步骤3，根据用户的兴趣点签到时间信息，编码得到对应用户的时间特征向量；步骤4，根据用户的兴趣点签到天气信息，编码得到对应用户的天气特征向量；步骤5，根据用户的兴趣点签到信息，计算得到对应用户的活动中心，进一步编码得到对应用户是空间特征向量；步骤6，根据用户的兴趣点签到序列，对序列中的每个兴趣点，分别获取步骤2中兴趣点向量，并融合步骤3中时间特征向量、步骤4中天气特征向量、步骤5中空间特征向量，得到对应用户兴趣点矩阵；步骤7，根据步骤6中所有用户兴趣点矩阵数据，训练LSTM-Autoencoder模型，该模型分为Encoder和Decoder两部分，其中Encoder部分用于编码用户兴趣点访问偏好，Decoder部分用于修正用户兴趣点签到序列；步骤8，使用步骤7中训练好的LSTM-Autoencoder模型，对每个用户兴趣点签到序列进行修正，得到修正后的用户签到序列；步骤9，将步骤8中修正后的用户签到序列，通过LSTM-Autoencoder模型得到所有用户兴趣点访问偏好；步骤10，根据目标用户的用户兴趣点访问偏好，给定时间信息、天气信息，计算在该情况下候选推荐兴趣点的推荐评分，按推荐评分从高到低的顺序向该目标用户进行兴趣点推荐。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：(1)本专利技术使用兴趣点信息对兴趣点进行编码，各兴趣点不再是简单二进制编码，融入兴趣点自身的信息进行编码，使得兴趣点之间不再独立，有利于挖掘用户偏好。(2)本专利技术通过编码用户时间特征，捕捉目标用户在工作日或节假日以及同一天中不同时间段兴趣点访问的时间偏好特征，有利于在指定时间情况下对目标用户进行兴趣点推荐。(3)本专利技术通过编码用户天气特征，捕捉目标用户在不同天气情况下兴趣点访问的天气偏好特征，有利于在指定天气情况下对目标用户进行兴趣点推荐。(4)本专利技术通过编码用户空间特征，捕捉目标用户兴趣点访问记录与活动中心的地理位置偏好特征，结合时间偏好特征和天气偏好特征，有利于完整地挖掘目标用户的兴趣点访问偏好。(5)本专利技术使用LSTM-Autoencoder模型，该模型Encoder部分用于编码用户的兴趣点访问偏好，以便计算候选推荐兴趣点的推荐得分；该模型Decoder部分用于修正用户签到序列，解决用户在地理位置信息缺失的情况下，用户的兴趣点签到序列不完整的问题，同时还解决了地理位置信息异常的情况下，用户的兴趣点签到序列错误的问题。(6)本专利技术融合了时间、天气、空间三种外部因素挖掘用户兴趣点访问偏好，可以在指定时间和天气的情况下，对目标用户进行个性化兴趣点推荐，帮助用户探索兴趣点，提供更好的用户体验。从商家的角度看，可以在指定时间和天气的情况下，得到各个用户访问目标商家兴趣点的可能性，向商家推荐潜在客户，产生商业价本文档来自技高网...

【技术保护点】
1.一种个性化兴趣点推荐方法，其步骤包括：/n1)根据用户及兴趣点的历史签到信息，获取用户集合、兴趣点集合和每个用户兴趣点集合；其中目标用户u的兴趣点集合为

【技术特征摘要】
1.一种个性化兴趣点推荐方法，其步骤包括：
1)根据用户及兴趣点的历史签到信息，获取用户集合、兴趣点集合和每个用户兴趣点集合；其中目标用户u的兴趣点集合为其中第i个元素表示用户u访问第i个兴趣点的兴趣点编号，签到时间集合其中第i个元素表示用户u访问第i个兴趣点的时间；兴趣点集合L′u中元素与签到时间集合T′u中元素一一对应，n为目标用户u访问的兴趣点总数；
2)根据兴趣点编号查询每个兴趣点信息并通过嵌入模型编码得到兴趣点向量；其中目标用户u的兴趣点向量其中第i个分量为用户u第i个兴趣点的兴趣点向量，xname为兴趣点名字向量，xtype为兴趣点类型向量；
3)根据用户的兴趣点签到时间信息，编码得到对应用户的时间特征向量；其中目标用户u的时间特征向量其中第i个分量为用户u访问第i个兴趣点的时间特征；包括访问第i个兴趣点的时间类别信息以及时间段信息；
4)根据用户的兴趣点签到天气信息，编码得到对应用户的天气特征向量；其中目标用户u的天气特征向量其中第i个分量为用户u第i个兴趣点的天气特征；
5)根据用户的兴趣点签到信息，计算得到对应用户的空间特征向量；其中目标用户u的空间特征向量目标用户u在该兴趣点i的空间特征
6)根据用户的兴趣点签到序列中每个兴趣点的兴趣点向量、时间特征向量、天气特征向量、空间特征向量，生成对应用户的兴趣点矩阵；
7)根据各用户的兴趣点矩阵数据训练LSTM-Autoencoder模型，其中LSTM-Autoencoder模型的Encoder部分用于编码用户兴趣点访问偏好，LSTM-Autoencoder模型的Decoder部分用于修正用户兴趣点签到序列；
8)使用训练好的LSTM-Autoencoder模型，对每个用户兴趣点签到序列进行修正，得到修正后的用户签到序列；
9)将目标用户u修正后的签到序列输入LSTM-Autoencoder模型得到该目标用户u的兴趣点访问偏好向量hu；
10)根据目标用户u兴趣点访问偏好向量hu，确定目标用户u在给定时间信息t、天气信息w时的候选推荐兴趣点。


2.如权利要求1所述的方法，其特征在于，步骤10)中，根据给定时间信息t、天气信息w，计算该目标用户u兴趣点签到序列中每个兴趣点的空间特征及推荐评分，其中第i个候选推荐兴趣点li的空间特征为si，然后拼接得到第i个候选推荐兴趣点的向量xi＝[liαtβwγsi]T，对应推荐评分Scoreu,i＝huTxi；然后根据推荐评分向该目标用户u推荐兴趣点。


3.如权利要求1所述的方法，其特征在于，得到目标用户u的空间特征向量Su的方法为：首先根据目标用户u访问的各兴趣点位置计算目标用户u的活动中心cu；然后计算每个兴趣点与活动中心的距离；其中第i个兴趣点的位置li与活动中心cu的距离为将兴趣点i的位置li和距离拼接得到目标用户u在该兴趣点i的空间特征然后根据根据兴趣点的空间得到目标用户u的空间特征向量


4.如权利要求1所述的方法，其特征在于，目标用户u的兴趣点矩阵Xu＝[LuTαTuTβWuTγSuT]T，其中α、β、γ分别为时间特征、天气特征、空间特征的权重因子。


5.如权利要求1所述的方法，其特征在于，所述天气特征包括天气情况wea、实时温度tem、湿度hum和空气质量a...

【专利技术属性】
技术研发人员：刘凯，李观波，向继，查达仁，王雷，
申请(专利权)人：中国科学院信息工程研究所，
类型：发明
国别省市：北京;11