多因素影响的兴趣点推荐方法技术

本发明专利技术是公开了一种一种多因素影响的兴趣点推荐方法，首先从用户签到相似度，好友相似度，类别偏好相似度三个角度综合考虑计算用户间相似度；其次将得到的三个相似度结合到一起求出用户相似度矩阵，并规范拉普拉斯矩阵；然后将特征向量组成新的特征空间进行聚类运算，最后融合四种因素的总评分来推荐用户兴趣点。本发明专利技术旨在解决推荐过程中计算量大、推荐效率低的问题，在应对不同用户时，计算用户对不同用户的偏好值，提高推荐效果。提高推荐效果。提高推荐效果。

【技术实现步骤摘要】
多因素影响的兴趣点推荐方法


[0001]本专利技术涉及兴趣推荐
，具体是一种多因素影响的兴趣点推荐方法。

技术介绍

[0002]随着互联网发展，各类信息越来越多，如何进行有效的信息获取及展示成为用户和平台共同关注的问题，而有效的推荐可帮我们进行信息过滤，成为解决这项问题的重要手段。
[0003]近年来，基于位置的服务平台的出现及广泛使用，催生了一种新的异质信息网络，基于位置的社交网络LBSN，它与传统社交网络的主要区别在于用户通过LBSN分享的内容现在都与真实地理位置有某种联系,并且可以向用户提供众多与位置相关的服务。
[0004]协同过滤算法是一种典型的基于用户社会关系的推荐方法，具有简单，可解释的优点，通常使用用户兴趣点交互信息，如用户对兴趣点的评分或签到信息，获得用户对兴趣点的偏好。然而LBSN中拥有的兴趣点、用户信息较少，用户
‑
兴趣点签到矩阵又是极其稀疏的，所以传统协同过滤推荐算法的推荐效率和准确率较低。
[0005]传统推荐系统需要遍历所有用户的位置数据，带来了巨大的计算负担，从而导致本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多因素影响的兴趣点推荐方法，包括以下步骤：(1)输入待处理的数据集，使用余弦相似度计算用户u和用户u＇之间的签到相似度CheckSim(u,u＇)，使用杰卡德相似系数计算用户好友相似度，首先根据用户的社交关系数据，构造用户
‑
用户关系矩阵F，其中每个元素F
u,u＇
表示两个用户之间是否存在社交关系。为了防止好友数量过少带来的不良影响，引入签到好友的概念。(2)根据好友相似度计算用户之间的社交相似度FriSim(u,u＇)，文使用词频
‑
逆向文件频率技术表示用户对类别偏好程度，使用皮尔森相关系数，其更关注样本特征数值的大小，而不是相似的特征维度，更适合兴趣点类别偏好相似度的计算，得到用户间兴趣偏好相似度CatSim(u,u＇),j将得到的三种相似度结合计算用户相似度矩阵W。(3)计算相似度矩阵对应的拉普拉斯矩阵，并将得到的拉普拉斯矩阵规范化L
Sysm
，然后计算得到拉普拉斯矩阵对应的特征值，进行从大到小的排序，得到排序序列。(4)计算本证间隙序列，并寻找本证间隙序列中的第一个极大值，前k个最小特征值对应的特征向量组成新的特征空间，并将每一行当作一个新的具有k个特征的用户并应用K
‑
means聚类算法得到用户分组结果。(5)针对不同用户的待推荐集合中兴趣点，将兴趣点类别影响力评分、兴趣点地理位置影响力评分、兴趣点访问顺序评分、用户社交关系影响力评分四种因素融合在统一框架中，不同数据集考虑不同的影响因素，得到兴趣点的总吸引力评分，向用户推荐评分较高的兴趣点。2.根据权利要求所述的一种多因素影响的兴趣点推荐方法，其特征在于，步骤(1)中用户u和用户u＇之间的签到相似度Chec...

【专利技术属性】
技术研发人员：弋琨，万静，张兴宾，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：