基于双向矩阵的深度置信网络兴趣点推荐算法制造技术

基于双向矩阵的深度置信网络兴趣点推荐算法，属于计算机算法技术领域，从用户和位置两个角度出发，通过对原始数据集进行映射，构建具有双向关系的两个不同的矩阵，即以用户为主体的用户

【技术实现步骤摘要】
基于双向矩阵的深度置信网络兴趣点推荐算法


[0001]本专利技术属于计算机算法
，特别涉及基于双向矩阵的深度置信网络兴趣点推荐算法。

技术介绍

[0002]兴趣点推荐一直面临着严重的数据稀疏性问题，大多数现有的兴趣点推荐算法在解决该问题时，没有考虑到原始数据集中用户对位置的偏好和位置对用户的吸引力之间的双向关系。
[0003]随着移动网络的迅猛发展，基于位置的社交网络(Location Based Social Networks,LBSNs)应运而生。人们在社交平台上发布感兴趣的内容，并分享其访问的兴趣点(Point
‑
Of
‑
Interest,POI)的位置和时间等信息。当下比较典型的社交平台(比如Gowalla,Foursquare,Yelp等)聚拢了大量的用户，收集了海量用户的签入记录，这些记录包含了用户ID、位置的经纬度和签入时间等大量信息。兴趣点推荐算法对这些信息进行处理分析，预测出符合用户偏好的兴趣点，并推荐给目标用户
[1]。这种推荐方式不仅让消费者从海量数据中快速找到自己本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于双向矩阵的深度置信网络兴趣点推荐算法，其特征在于包括下列步骤：从用户和位置两个角度出发，通过对原始数据集进行映射，构建具有双向关系的两个不同的矩阵；其次，训练深度置信网络，确定网络的最优参数；然后，使用训练好的深度置信网络对具有双向关系的两个矩阵分别进行预测，并提出基于局部
‑
全局的权重寻优方法去确定最优权重，对深度置信网络输出的两个结果矩阵进行加权融合，得到用户对位置的评分预测矩阵，进而完成对目标用户的Top
‑
N推荐。2.根据权利要求1所述的基于双向矩阵的深度置信网络兴趣点推荐算法，其特征在于包括下列步骤：构建具有双向关系的两个不同的矩阵：以用户为主体的用户
‑
位置签入矩阵和以位置为主体的位置
‑
用户吸引度矩阵用U＝{u1,u2,...,u
q
}表示用户集合，其中u
i
表示第i个用户，P＝{p1,p2,...,p
s
}表示位置集合，其中p
j
表示第j个位置，从而给出用户
‑
位置签入矩阵和位置
‑
用户吸引度矩阵的具体定义如下；定义1.用户
‑
位置签入矩阵具体如公式(6)所示；定义2.位置
‑
用户吸引度矩阵即的转置矩阵，具体如公式(7)所示；3.根据权利要求1所述的基于双向矩阵的深度置信网络兴趣点推荐算法，其特征在于包括下列步骤：训练深度置信网络，确定网络的最优参数：单个RBM的结构中，v是可见层，用于观测数据，h是隐藏层；v
m
表示第m个可见单元的状态，h
n
表示第n个隐藏单元的状态；设置w表示两层之间的连接权重，向量a和向量b分别表示可见层v和隐藏层h的偏置向量，所属集合分别为A＝{a1,a2,a3,...,a
m
}，B＝{b1,b2,b3,...,b
n
}；一个RBM的可见层和隐藏层单元联合构成的能量函数如下：其中，θ＝{w
ij
,a
i
,b
j
}表示RBM模型的参数，w
ij
表示第i个可见单元与第j个隐藏单元之间的连接权重，a
i
表示第i个可见单元的偏置向量，b
j
表示第j个隐藏单元的偏置向量；
一个RBM的可见层和隐藏层的联合分布为：其中，是归一化因子；在给定可见层单元的状态时，即输入数据时，第j个隐藏单元被激活的概率如下：其中，是sigmoid激活函数，给定隐藏层单元的状态时，第i个可见单元被激活的概率是：根据公式(4)，隐藏层重建输入数据，更新隐藏层单元的状态，该状态代表重建后的特征；用CD对比散度算法对RBM参数的对数似然梯度简化计算的优势，权重的更新为：ΔW
ij
＝ε(<v
i
h
j
>
data
‑
<v
i
h
j
>
recon
)
ꢀꢀꢀꢀꢀꢀ
(5)；其中，ε是学习率，data和recon分别代表隐藏层重建前后的数据；预训练结束后，使用BP算法进行网络的反向调参；辅助层以最后一层RBM的隐藏层的输出特征向量作为输入，通过最小化估计输出值和标签数据之间的误差对网络进行有监督的参数微调，使用BP算法将误差逐层传递到最底层，从而得到整个网络的最优参数。4.根据权利要求1所述的基于双向矩阵的深度置信网络兴趣点推荐算法，其特征在于包括下列步骤：所述的推荐：算法包括训练深度置信网络、使用深度置信网络进行预测和进行Top
‑
N推荐三个阶段；算法使用具备两层RBM的深度置信网络，将具有双向关系的两个矩阵和作为网络训练阶段...

【专利技术属性】
技术研发人员：伊华伟，徐文倩，宋杰，
申请(专利权)人：辽宁工业大学，
类型：发明
国别省市：