一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法技术

本发明专利技术公开了一种基于anchor

【技术实现步骤摘要】
一种基于anchor
‑
LDA和卷积神经网络的兴趣点推荐方法


[0001]本专利技术属于神经网络和推荐系统的
，尤其涉及一种基于anchor
‑
LDA和卷积神经网络的兴趣点推荐方法。

技术介绍

[0002]近年来，随着现代的科技不断发展和进步，智能设备的普及应用，获取实时的位置信息越来越方便和容易。此外，Web上出现了许多与位置相关的兴趣点推荐相关的app，提供基于位置的服务给他们的用户，如Facebook、Instagram等。兴趣点推荐是基于位置的社交网络中最具有代表性的领域之一。协同过滤也是近年来推荐系统中比较受欢迎的技术，基本思想是通过分析用户的偏好找到与指定的用户偏好的其他形似用户，综合这些用户对兴趣点的评价信息，形成对指定用户的兴趣点预测。
[0003]兴趣点首先要考虑的信息就是位置信息。例如，大多数人首先会考虑访问离自己距离近的地点。矩阵分解是兴趣点推荐中比较常用的方法之一。尽管数据大多数是基于位置的社交网络，但是在这些数据中还是很难获得用户的偏好信息。矩阵分解被广泛的运用于解决数据稀疏的问题，因为它可以在稀疏的数据中加入隐式信息，考虑社会信息可以很容易的扩展矩阵分解。

技术实现思路

[0004]针对现有技术的不足，本专利技术所解决的技术问题在于提供一种基于anchor
‑
LDA和卷积神经网络的兴趣点推荐方法，将初始签到信息作为主要因素，时间复杂度较低，提出了一种神经网络模型，将协作信息和社交网络等信息嵌入到用户和兴趣点的向量中，集成这两个模型的输出，进而为用户进行兴趣点的推荐。
[0005]为了解决上述技术问题，本专利技术通过以下技术方案来实现：
[0006]本专利技术提供一种基于anchor
‑
LDA和卷积神经网络的兴趣点推荐方法，包括以下步骤：
[0007]步骤S1：在登陆的用户位置信息中，忽略用户的时间循环信息；
[0008]步骤S1.1：收集用户的签到信息，构造用户
‑
项目矩阵；
[0009]步骤S2：使用LDA模型寻找用户偏好主题；
[0010]步骤S3：设置初始签到地点和锚点，计算锚点和用户访问的访问地点的距离；
[0011]步骤S3.1：将用户和锚点的距离拟合到指数分布函数中；
[0012]步骤S3.2：通过LDA和概率分布的指数分布为每个用户进行兴趣点推荐；
[0013]步骤S4：由CNN的卷积层提取数据特征和获得时空依赖性；
[0014]步骤S5：使用批处理归一化层来改进训练和规范化数据值；
[0015]步骤S5.1：再次利用批处理标准化层和激活层；
[0016]步骤S6：将用户和兴趣点的显示和隐式关联关系集成到一起，进行兴趣点推荐。
[0017]可选的，在步骤S1中，用户在LBSN登陆他们访问的位置信息，其中包括用户ID、位
置ID、时间循环和各种信息；通过收集用户所有签到记录，构造一个用户项目矩阵，其中每一行对应唯一的用户，每一列对应一个地点。
[0018]进一步的，所述步骤S3中，用户访问兴趣点通过两个因素描述，一个是纯粹的兴趣，另一个是距离的远近；纯粹的兴趣可以从LDA中得到用户的兴趣主题，对于距离因素，每个用户都有自己的锚点，在地点集合中；当访问地点受距离影响时，遵循参数的指数分布。
[0019]可选的，所述步骤S4中，由CNN的卷积层提取数据特征和获得时空依赖性，在每个卷积核和输入数据之间执行点积的代数运算，第一卷积层负责提取低层次特征，而更深的卷积层检测更高层次特征，将每一层的输出标准化为下一层的输入，重新校准数据完成这个标准化过程，使标准偏差和平均值为零。
[0020]进一步的，所述步骤S5中，使用六个输入功能图，包括每个用户的访问时间的用户标识、月、日、小时、分钟和秒；使用批处理归一化层来改进训练和规范化数据值，其输出反馈给激活层，下一层有16个卷积核组来提取特征，然后和它们相应的32个卷积核；再次利用批处理标准化层和激活层，在下一层中，有64个具有相同尺寸的卷积核，批归一化层和ReLU功能保持输出值在正常范围内；应用两个完全连接的层来实现健壮性，利用回归层生成两个值，根据训练数据预测的经度和纬度推荐位置。
[0021]进一步的，所述步骤S6中，将用户和兴趣点的显和隐式关联关系集成到一起，输入到一个全连接的神经网络中进行兴趣点推荐；对于实验的数据集，将其分成十份，轮流将其中的9份作为训练数据，1份是测视数据进行实验。
[0022]由上，本专利技术的基于anchor
‑
LDA和卷积神经网络的兴趣点推荐方法具有如下有益效果：
[0023]本专利技术将用户与兴趣点的关系分为两种情况，一种是显示信息，另外一种是隐式信息。显示信息主要是用户选择兴趣点直接受物理距离的影响，首先会考虑物理距离距离自己比较近的地点。使用了基于锚定效应的LDA模型，LDA模型是一个文档主题生成模型，也成为三层贝叶斯概率模型，将锚定效应和LDA模型结合起来解决用户和兴趣点的显示关联关系。隐式信息主要是考虑用户和兴趣点的隐式关联关系，例如用户的性格、出行的目的、经费原因等各种潜在的因素。使用卷积神经网络来改善矩阵分解的方法，更好地挖掘用户与兴趣点的隐式关联关系。最后整合用户显示关联关系和隐式关联关系，提高推荐的准确性。
[0024]本专利技术在最后在一个真实的数据集上用许多最先进的基线方法和评估指标进行了广泛的实验。即在Gowalla数据集上对其中所包含的三个城市进行实验，实验结果证明了该专利技术的有效性。该专利技术改进了传统的矩阵分解的推荐算法，提高了推荐的准确性并且降低了时间复杂度，对兴趣点推荐的发展具有实际意义。
[0025]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
[0026]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例的附图作简单地介绍。
[0027]图1为本专利技术的基于anchor
‑
LDA和卷积神经网络的兴趣点推荐方法的流程图；
[0028]图2为访问地点和锚点之间的距离关系图；
[0029]图3为CNN模型图；
[0030]图4为Anchor
‑
LDA图；
[0031]图5为本专利技术的总体框架图。
具体实施方式
[0032]下面结合附图详细说明本专利技术的具体实施方式，其作为本说明书的一部分，通过实施例来说明本专利技术的原理，本专利技术的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。
[0033]为了测试对兴趣点的推荐的准确性，在Gowalla数据集上进行实验，Gowalla包含San F本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于anchor
‑
LDA和卷积神经网络的兴趣点推荐方法，其特征在于，包括以下步骤：步骤S1：在登陆的用户位置信息中，忽略用户的时间循环信息；步骤S1.1：收集用户的签到信息，构造用户
‑
项目矩阵；步骤S2：使用LDA模型寻找用户偏好主题；步骤S3：设置初始签到地点和锚点，计算锚点和用户访问的访问地点的距离；步骤S3.1：将用户和锚点的距离拟合到指数分布函数中；步骤S3.2：通过LDA和概率分布的指数分布为每个用户进行兴趣点推荐；步骤S4：由CNN的卷积层提取数据特征和获得时空依赖性；步骤S5：使用批处理归一化层来改进训练和规范化数据值；步骤S5.1：再次利用批处理标准化层和激活层；步骤S6：将用户和兴趣点的显示和隐式关联关系集成到一起，进行兴趣点推荐。2.如权利要求1所述的基于anchor
‑
LDA和卷积神经网络的兴趣点推荐方法，其特征在于，在步骤S1中，用户在LBSN登陆他们访问的位置信息，其中包括用户ID、位置ID、时间循环和各种信息；通过收集用户所有签到记录，构造一个用户项目矩阵，其中每一行对应唯一的用户，每一列对应一个地点。3.如权利要求1所述的基于anchor
‑
LDA和卷积神经网络的兴趣点推荐方法，其特征在于，所述步骤S3中，用户访问兴趣点通过两个因素描述，一个是纯粹的兴趣，另一个是距离的远近；纯粹的兴趣可以从LDA中得到用户的兴趣主题，对于距离因素，每个用户都有自己的锚点...

【专利技术属性】
技术研发人员：张永库，范洪玉，孟祥福，马荣国，许睿航，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：