[发明专利]一种将社交网络和图像内容融合的兴趣点推荐方法

说明书

本发明提出一种将社交网络和图像内容融合的兴趣点推荐方法，在已有社交推荐模型的基础上，提出了新的融合社交网络和图像内容的矩阵分解模型，能够充分利用用户评价信息中的图片信息，缓解数据的稀疏性，来提高兴趣点推荐的准确度。另外，本发明利用率兴趣点评价的文本信息，地理信息，以及兴趣点的标签分类信息，更好地解决了兴趣点推荐的冷启动和准确度问题，向用户推荐其最想去的兴趣点，提升用户的体验度。

技术领域

本发明涉及信息推荐领域，更具体地，涉及一种将社交网络和图像内容融合的兴趣点推荐方法。

背景技术

随着Web 2.0的快速发展，无线通信与位置采集技术促生了很多基于位置的社交网络(LBSNs)，例如。Yelp、Foursquare、FacebookPlaces等。用户能够以“签到”的形式发布他们的地理标签和物理位置，并对已访问的兴趣点(例如，商场、餐厅、博物馆、娱乐场所、酒店等)与朋友分享他们的体验与经验。在日常生活中，人们通常喜欢探索居住的城市与邻近的地方，根据自己的个人兴趣选择与自己偏好相关的兴趣点。由于兴趣点与用户偏好的数据中包含大量有价值的信息可以用于兴趣点推荐中。同时，在大量的兴趣点中如何有效地帮用户做出满意的决策是一个困难的问题，通常被认为“选择麻痹”。为了解决这个问题，兴趣点推荐任务将帮助用户过滤掉不感兴趣的位置并减少决策时间。在现实世界的Yelp数据中，用户可以在签到地点上传图片信息。图片信息不仅折射出用户的偏好，更对地理位置提供了更多的可解释性。例如，一个用户经常发布建筑类照片，说明他更喜欢去一些有地标的地点；然而另外一个用户可能经常发布关于食物的照片，说明她更喜欢去一些餐馆或是饭店，当然，可以根据用户发布的照片内容，进行食物类别的区分，不同用户可能喜欢不同的食物。

目前兴趣点推荐面临的主要问题在两个方面，一个是兴趣点推荐的数据稀疏性问题(data sparsity)，另外一个是冷启动问题(cold-start)。同时，面临多源的异构数据，如文本类数据，地理位置，用户历史喜好数据，点评数据，社交关系网络数据；如图片数据，用户上传的兴趣图片数据等。如何合理的将数据融入到现有的兴趣点推荐系统中，提高推荐效果，是非常重要的。

目前相关领域主要采用两种类型的技术，基于内容的方法(Content-basedMethods)，基于协同过滤的方法(Collaborative FilteringbasedMethods)。

基于内容的推荐方法是最早使用的推荐方法，根据用户过去喜欢的兴趣点，为用户推荐和他过去喜欢的兴趣点类似的兴趣点。而关键技术就是在这个兴趣点相似性的度量上。但是这种技术抽取内容特征比较复杂；无法挖掘出用户的潜在兴趣，由于是推荐与历史喜好相关的兴趣点，其他类型兴趣点不会进行挖掘；无法为新用户产生推荐，新用户没有兴趣点喜好数据，也就无法对他形成推荐。

基于协同过滤的方法包括基于用户的协同过滤方法，其核心思想是使用统计技术寻找与目标用户有相同喜好的邻居，然后根据邻居的喜好产生目标用户的兴趣点喜好；基于项目的协同过滤方法，其核心思想是根据用户对兴趣点的评价，发现兴趣点与兴趣点之间的相似度，然后根据用户的历史偏好信息将类似的兴趣点推荐给该用户；基于矩阵分解的协同过滤方法，该方法将用户对兴趣点的评分信息以矩阵形式表示，通过对矩阵的分解操作挖掘低维特征空间，并将用户与兴趣点在该低维空间上进行重表示，进而以用户物品向量间的内积来刻画用户兴趣点之间的关联性。然而评分矩阵存在数据高度稀疏与分布不均匀等特点,这些特点进一步导致了协同过滤方法推荐性能低、冷启动、长尾等问题。

此外，研究人员通过对基于矩阵分解的协同过滤方法，引入社交信息，来解决兴趣点推荐的冷启动问题，提出融合社交信息的兴趣点推荐方法，以及融合地理位置、时间效应等方法。但是，这些方法都是基于文本类型的数据信息，忽略了图像内容这样的隐含信息丰富的多媒体信息。没有将文本数据和图像数据同时融入到矩阵分解模型中。

发明内容