一种基于区域影响的深度矩阵分解的制造技术

本发明专利技术提出一种基于区域影响的深度矩阵分解的

【技术实现步骤摘要】
一种基于区域影响的深度矩阵分解的POI推荐方法


[0001]本申请涉及
POI
推荐方法，尤其涉及一种基于区域影响的深度矩阵分解的
POI
推荐方法，属于智能推荐

。

技术介绍

[0002]随着城市化进程的加速，越来越多的人在城市中活动，其在不同位置的兴趣点访问行为产生了丰富的数据
。
兴趣点
(Points of Interest
，简称
POI)
成为了城市中不可或缺的一部分，
POI
推荐作为一个重要的研究方向，不仅关系到用户个性化体验，还具有城市规划和商业运营等多个应用场景
。
[0003]然而，传统的
POI
推荐方法往往忽略了
POI
所在区域的特征和用户的空间偏好，导致推荐结果的准确性不高
。
为了解决这一问题，近年来，更多的研究者将城市区域信息与
POI
推荐算法相结合，通过将区域特征与用户访问的
POI
信息进行关联，提高推荐的准确性和个性化程度
。
区域特征能够反映不同区域的特点和用户的空间偏好
。
通过将区域特征与
POI
数据进行关联，可以建立起区域特征与
POI
之间的联系，为推荐算法提供更加全面的信息，从而提供更为个性化的
POI
推荐
。
[0004]城市区域信息与
POI(Point of Interest
，兴趣点
)
推荐算法的结合是当前研究的热点，旨在克服传统推荐算法中存在的冷启动
、
精度
、
多样性等问题，为用户提供更个性化
、
多样化的位置推荐服务；但该领域在时空建模方面仍存在一些不足：对于时空信息的动态变化：用户的兴趣和位置偏好随时间和空间的变化而变化，需要推荐算法具备实时更新和适应能力；在时空轨迹模式识别中：如何识别不同的时空轨迹模式，包括周期性
、
突发性等，以更准确地推荐位置，也仍是一个待解决的问题；因此，将城市区域信息与
POI
推荐算法结合的研究，在挖掘空间
、
时间
、
用户行为等多方面信息仍需要展开更加深入的研究，以实现更精准
、
更智能的位置推荐服务
。

技术实现思路

[0005]在下文中给出了关于本专利技术的简要概述，以便提供关于本专利技术的某些方面的基本理解
。
应当理解，这个概述并不是关于本专利技术的穷举性概述
。
它并不是意图确定本专利技术的关键或重要部分，也不是意图限定本专利技术的范围
。
其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序
。
[0006]鉴于此，为解决现有技术中存在的技术问题，本专利技术提供一种基于区域影响的深度矩阵分解的
POI
推荐方法
。
[0007]方案一
、
一种基于区域影响的深度矩阵分解的
POI
推荐方法，包括以下步骤：
[0008]S1.
获取
POI
数据，进行预处理，并构建用户兴趣点矩阵；
[0009]S2.
对用户兴趣点进行偏置分析；
[0010]S3.
对用户兴趣点矩阵进行正则化处理；
[0011]S4.
构建
POI
图获取
POI
功能嵌入表示，构建
Region
图获取区域嵌入表示；
[0012]S5.
获取区域影响指数和关联区域特征的用户兴趣点偏置矩阵；
[0013]S6.
构建深度矩阵分解模型，训练模型，预测用户对未知兴趣点的兴趣程度
。
[0014]优选的，获取
POI
数据，进行预处理，并构建用户兴趣点矩阵的方法是：
[0015]S11.
对
POI
数据进行初始编码
POI
：
poi1，
poi2，
...
，
poi
n
，每个
poi
编码包含位置信息
pos
i
和功能类别信息
category
j
；
[0016]S12.
根据每个
poi
的位置信息和功能类别信息将道路分布划分为多个相邻且不覆盖的区域
Region
：
region1，
region2，
...
，
region
k
，每个区域有多个
POI
分布；
[0017]S13.
将用户访问数据与
POI
数据关联映射，转化为用户兴趣点矩阵，矩阵的行表示用户，列表示兴趣点，共有
m
行
n
列，表示
m
个用户和
n
个兴趣点之间的关系，每个元素
R[i
，
j]表示用户
user
i
对兴趣点
poi
j
的兴趣程度，即用户对当前兴趣点的访问次数
。
[0018]优选的，对用户兴趣点进行偏置分析的方法是：
[0019]对用户兴趣点进行偏置分析中，引入两个偏置项：用户偏置项和兴趣点偏置项，公式表示为：
[0020]用户偏置项：表示用户对兴趣点的整体倾向性，即用户对所有兴趣点的平均兴趣程度；
[0021]兴趣点偏置项：表示兴趣点受到用户喜欢的整体倾向性，即所有用户对该兴趣点的平均兴趣程度；
[0022]其中，
b
u
(i)
表示用户
i
的偏置项，
b
p
(j)
表示兴趣点
j
的偏置项，
|I
u
|
表示用户
i
对兴趣点的数量，
|U
j
|
表示兴趣点
j
被用户的数量，
μ
表示全局平均兴趣程度
。
[0023]优选的，对用户兴趣点矩阵进行正则化处理的方法是：
[0024]使用
L2
正则化对用户兴趣点矩阵的元素进行约束，将正则化项
λ
(∑
i
∑
j
R2(i
，
j))
到损失函数中，其中，
λ
是正则化参数，用于控制正则化的强度；通过
L2
正则化惩罚原始的用户兴趣点矩阵中的大值，得到最终的正则化后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于区域影响的深度矩阵分解的
POI
推荐方法，其特征在于，包括以下步骤：
S1.
获取
POI
数据，进行预处理，并构建用户兴趣点矩阵；
S2.
对用户兴趣点进行偏置分析；
S3.
对用户兴趣点矩阵进行正则化处理；
S4.
构建
POI
图获取
POI
功能嵌入表示，构建
Region
图获取区域嵌入表示；
S5.
获取区域影响指数和关联区域特征的用户兴趣点偏置矩阵；
S6.
构建深度矩阵分解模型，训练模型，预测用户对未知兴趣点的兴趣程度
。2.
根据权利要求1所述的一种基于区域影响的深度矩阵分解的
POI
推荐方法，其特征在于，获取
POI
数据，进行预处理，并构建用户兴趣点矩阵的方法是：
S11.
对
POI
数据进行初始编码
POI:poi1,poi2,
…
,poi
n
，每个
poi
编码包含位置信息
pos
i
和功能类别信息
category
j
；
S12.
根据每个
poi
的位置信息和功能类别信息将道路分布划分为多个相邻且不覆盖的区域
Region
：
region1,region2,
…
,region
k
，每个区域有多个
POI
分布；
S13.
将用户访问数据与
POI
数据关联映射，转化为用户兴趣点矩阵，矩阵的行表示用户，列表示兴趣点，共有
m
行
n
列，表示
m
个用户和
n
个兴趣点之间的关系，每个元素
R[i,j]
表示用户
user
i
对兴趣点
poi
j
的兴趣程度，即用户对当前兴趣点的访问次数
。3.
根据权利要求2所述的一种基于区域影响的深度矩阵分解的
POI
推荐方法，其特征在于，对用户兴趣点进行偏置分析的方法是：对用户兴趣点进行偏置分析中，引入两个偏置项：用户偏置项和兴趣点偏置项，公式表示为：用户偏置项：表示用户对兴趣点的整体倾向性，即用户对所有兴趣点的平均兴趣程度；兴趣点偏置项：表示兴趣点受到用户喜欢的整体倾向性，即所有用户对该兴趣点的平均兴趣程度；其中，
b
u
(i)
表示用户
i
的偏置项，
b
p
(j)
表示兴趣点
j
的偏置项，
|I
u
|
表示用户
i
对兴趣点的数量，
|U
j
|
表示兴趣点
j
被用户的数量，
μ
表示全局平均兴趣程度
。4.
根据权利要求3所述的一种基于区域影响的深度矩阵分解的
POI
推荐方法，其特征在于，对用户兴趣点矩阵进行正则化处理的方法是：使用
L2
正则化对用户兴趣点矩阵的元素进行约束，将正则化项
λ
(∑
i
∑
j
R2(i,j))
到损失函数中，其中，
λ
是正则化参数，用于控制正则化的强度；通过
L2
正则化惩罚原始的用户兴趣点矩阵中的大值，得到最终的正则化后的用户兴趣点矩阵，公式表示为：其中，
R(i,j)
表示正则化后的兴趣矩阵的元素，
R(i,j)
表示原始的兴趣矩阵的元素，
μ
表示全局平均兴趣程度，
b
u
(i)
表示用户偏置项，
b
p
(j)
表示兴趣点偏置项，
λ
是正则化参数
。5.
根据权利要求4所述的一种基于区域影响的深度矩阵分解的
POI
推荐方法，其特征在于，构建
POI
图获取
POI
功能嵌入表示，构建
Region
图获取区域嵌入表示的方法是：
S41....

【专利技术属性】
技术研发人员：刘春雨，张宏莉，关皓天，张嘉宇，田泽庶，王星，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：