[发明专利]基于相关矩阵和词向量模型的兴趣点推荐方法

说明书

本发明公开了一种基于相关矩阵和词向量模型的兴趣点推荐方法。本发明通过参考自然语言处理中训练词向量模型进行用户和兴趣点的向量表示建模，该模型可从用户的签入序列中捕获兴趣点的地理影响。假设一个兴趣点受用户签到序列中其他兴趣点的影响。将每个兴趣点视为“单词”，将每个用户的顺序签到序列视为“句子”，并结合使用自言语言处理中的Skip‑gram词向量模型来训练兴趣点以及用户的潜在表示向量。本发明分别从用户和兴趣点的角度进行融合成一个更好的地理信息模型。为此，在该模型中使用了用户和兴趣点之间的地理距离和用户在相邻兴趣点上的签到频次。通过考虑到相邻兴趣点在模型推荐策略中的影响，解决了签到数据稀疏问题。

技术领域

本发明属于数据挖掘与推荐系统技术领域，具体涉及到一种基于相关矩阵和词向量模型的兴趣点推荐方法。

背景技术

随着智能手机和其他移动设备的普及，基于位置的社交网络(LBSN)变得非常流行。越来越多的手机用户记录自己的位置并上传到一些社交媒体应用软件上(如微信、Gowalla、Foursqare等)，这产生了海量的用户位置签到数据，这些数据蕴含了一些用户的一些偏好、行为特点以及活动规律。而兴趣点推荐，是通过分析用户的历史访问记录，推荐用户之后将要访问的兴趣点，从而可以个性化的为用户推荐基于位置的服务(如推荐游玩点、餐馆等)，提升用户的使用体验同时可以协助商户通过分析用户的偏好信息用来做针对性服务，提高商户的营销效果以及市场效益。因此，针对用户的签到数据进行分析和推荐受到了大量研究。

现有的兴趣点推荐方法主要有两类算法，包括基于记忆和基于模型的协同过滤推荐算法。基于记忆的算法在兴趣点推荐中使用用户的签到数据来预测用户的偏好。这些方法最重要的问题之一是当用户签到数据中的大量元素为空(即它们不提供任何信息)时数据稀疏。另一方面，一些基于模型的方法，例如矩阵分解，可以用来提高兴趣点推荐的准确性和可扩展性。但是，由于存在很多可用兴趣点，并且单个用户只能访问其中的几个兴趣点，因此基于协同过滤的方法经常会出现数据稀疏的情况。这导致的结果是，协同过滤的用户-兴趣点矩阵变得非常稀疏，导致在用户与兴趣点之间并没有显着关联的情况下，推荐效果下降。同时，随着深度学习以及自然语言处理技术的发展，相关的研究成果开始展现初对传统的推荐方法的独特优势，通过深度学习可以进行挖掘一些传统机器学习方法无法捕捉的隐性数据特征，从而可以进行更加全面的对研究对象进行建模，传统机器学习算法与深度学习算法进行结合已经成为了一个新的研究方向。

发明内容

本发明针对现有技术的不足，提出了一种基于相关矩阵和词向量模型的兴趣点推荐方法。

本发明通过参考自然语言处理中训练词向量模型进行用户和兴趣点的向量表示建模，该模型可从用户的签入序列中捕获兴趣点的地理影响。假设一个兴趣点受用户签到序列中其他兴趣点的影响。将每个兴趣点视为“单词”，将每个用户的顺序签到序列视为“句子”，并结合使用自言语言处理中的Skip-gram词向量模型来训练兴趣点以及用户的潜在表示向量。

本发明方法的具体步骤是：

步骤(1)输入用户签到数据和兴趣点经纬度数据，其中签到数据包括用户的ID、兴趣点ID以及签到的时间；兴趣点经纬度数据包括兴趣点ID、经度和纬度；

步骤(2)读取签到数据，统计用户对各个兴趣点的访问次数，构建用户-兴趣点访问频次矩阵F；

读取兴趣点经纬度数据，构建兴趣点-经纬度字典L，形式为{兴趣点ID:(经度，纬度)}；

计算各用户最常访问的兴趣点HAL_u＝argmax(f_u),其中f_u表示用户u访问各兴趣点的频次，以此构造用户最常访问兴趣点字典HAL，形式为{用户ID:兴趣点ID}；

步骤(3)设置距离阈值α和γ，其中α表示用户高活跃区域半径，γ表示兴趣点的邻居半径，初始化用户-兴趣点相关矩阵M，将矩阵各值赋为0；