[发明专利]一种基于共现图的兴趣点推荐方法及系统

说明书

本发明公开了一种基于共现图的兴趣点推荐方法及系统，推荐方法包含了数据收集与处理，共现图构建，相似度计算，位置因素建模，以及用户推荐五个过程。基于共现图的兴趣点推荐方法，其特征在于利用用户的签到数据构建兴趣点之间的共现图，之后基于共现图计算节点之间的两种相似性，进而根据图中节点间的相似性对用户进行兴趣点推荐。本发明使用基于兴趣点之间的相似性这一新的角度进行推荐，推荐方法充分挖掘了已有数据中的信息，解决了兴趣点推荐过程中的稀疏性，以及大规模社交网络中推荐方法的可伸缩性问题。

技术领域

本发明属于数据挖掘和推荐技术领域，更具体地，涉及一种位置社交网络中的基于共现图的兴趣点推荐方法及系统。

背景技术

兴趣点(Point of interest，POI)推荐起源于基于位置的移动互联网的发展，POI推荐是基于已有数据向用户推荐其可能感兴趣的位置。POI推荐服务对于基于位置的社交网络(Location-based Social Network，LBSN)中的用户以及商家都有莫大的益处，精准的推荐方法可以极大的节省用户的时间，提升用户的体验度；同时商家能够通过推荐系统发现潜在的顾客。以上原因促使POI推荐问题成为工业界与学术界中重要的研究问题。

POI推荐不同于传统推荐，其特殊的挑战在于：(1)隐式的反馈数据，数据中只有用户的签到信息，而没有喜好信息；(2)位置影响较大，用户更倾向于访问较近的位置；(3)数据稀疏性问题，POI推荐中的数据稀疏性主要体现在：用户签到的POI数量稀少，对于签到活动的描述信息简短，同时缺乏POI本身的描述信息；(4)冷启动问题，难以对新的用户和新的POI进行精准的推荐；(5)时间特性，用户在不同时间段访问的位置类型差异性很大。时间敏感的POI推荐算法也是目前学术研究的热点；(6)网络动态性，LBSN网络中，用户的签到信息每时每刻都在源源不断的产生。增量式可扩展的POI推荐算法将更适用于生产实践。以上的特殊性造成传统的推荐方法不能够直接运用到POI推荐问题中。

目前的解决方案主要是将POI推荐中的特有因素融入到普通推荐中去。已有的融入模型有两种：融合模型和联合模型。融合模型对不同的因素进行分别建模，并融合分别得到的推荐结果；联合模型将多个因素统一到同一模型中建模，并给出唯一的推荐结果。POI推荐场景中特殊的因素包括了位置，时间，POI的类别等因素。已有的模型大多从用户的角度出发对用户的喜好和行为习惯直接建模，例如：基于用户的协同过滤方法，以及使用概率图模型对用户访问POI的决策过程进行建模。然而稀疏的签到信息会削弱从用户的角度出发对用户兴趣进行建模的效果。同时因为用户的数量远远大于POI的数量，所以已有的研究模型具有较差的可伸缩性，难以适应大规模LBSN网络中的实时位置推荐。

发明内容

针对现有技术的以上缺陷及改进需求，本发明的目的在于提供了一种基于共现图的兴趣点推荐方法及系统，由此解决现有技术中POI推荐中的数据存在的稀疏性问题，以及大规模社交网络中POI推荐的可伸缩性较差的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于共现图的兴趣点推荐方法，包括：

S1、计算预先构建的共现图中任意两个节点间的相似性，所述相似性表示所述任意两个节点之间的相近程度，其中，所述共现图表示在基于位置的社交网络LBSN中所有用户已访问的兴趣点之间的共现关系，所述共现图中的节点表示所有用户已访问的兴趣点，所述共现图中的边的权重表示同时访问过该边对应的兴趣点对的用户数量；

S2、根据用户u访问的历史位置集合L_u，由得到用户u访问位置l所处区域的概率，其中，l_ui∈L_u，n表示集合L_u的大小，σ表示最大化似然函数的带宽，l属于LBSN中所有用户已访问的兴趣点，但不属于L_u中的兴趣点；