[发明专利]一种时间感知的POI推荐方法

说明书

本发明公开了一种时间感知的POI推荐方法。该方法是一种利用不同时间特征下用户的访问特征提高POI的推荐准确度的方法。首先，提出基于不同时间尺度构建关系矩阵的思路，利用时间信息的特征，在不同时间段内构建的用户与POI的关系矩阵，能够更好的表示用户与POI的表示；其次，对用户‑POI‑时间三维张量矩阵执行张量分解得到不同时间特征下的用户与POI的表示，对不同时间特征下的向量进行线性组合，这样用户和POI的表示中包含了不同时间维度的信息，有利于提高推荐的准确性。该POI推荐的方法采用RESCAL的张量分解技术，形成了一个直接，多维，信息利用率高的POI推荐模型，提高了POI推荐任务的效果。

技术领域

本发明涉及POI推荐领域，具体涉及一种时间感知的POI推荐方法。

背景技术

基于位置的社交网络(LBSN)越来越受欢迎。在LBSN中，用户通过共享他们的位置和以及与位置信息相关的内容来记录自己的生活，并且发现更多感兴趣的地点。兴趣点(Point of Interest，POI)推荐是LBSN中的重要应用，其根据用户历史签到记录来学习用户的特征，从而向用户推荐可能感兴趣的新POI。POI推荐可以缓解目前普遍存在的信息过载问题，帮助用户从海量的地点中找到他们可能感兴趣的未访问过的POI。

POI推荐系统大多数是基于内存或者基于模型的协同过滤(CF)技术，并通过线性组合地理影响、社会影响和偏好相似性来进一步完善模型，提高性能。地理信息也已经在POI推荐中被广泛应用，利用地理影响进行POI推荐的方法大致分为两类，一种是利用地理邻近度来改善用户偏好，另一种是应用地理潜在因子或主题模型来推导区域或POI的潜在特征。除了地理信息之外，POI推荐的模型中还会利用分类信息或流行度信息等来提高推荐的准确度，但是相对于如何更好的利用时间信息达到更好的推荐效果还未能实现。

针对在POI推荐中时间信息利用不足的缺陷，本发明提出了一种时间感知的POI推荐模型，将时间信息结合到POI推荐中去，提高时间信息的利用程度，以进一步提高POI推荐的准确度。

发明内容

针对已有模型中的缺陷，本发明提供了一种时间感知的POI推荐方法。该方法考虑了如何利用不同时间特征的信息，提高了POI推荐的准确度。

本发明的技术方案如下：一种时间感知的POI推荐方法，其特征在于将时间信息结合到推荐模型中，包括以下步骤：

步骤1：对原始数据进行预处理获得符号化表示，并且按照需求比例划分训练集、验证集和测试集；

步骤2：构建基于时间特征的POI推荐模型，将训练样本与验证样本批量随机地输入基于时间特征的POI推荐模型中，开始迭代模型训练过程，得到训练集与验证集上的评价指标，当验证集上的指标不再上升或者迭代达到一定次数后停止，保存验证集上的最优模型；

其中，构建基于时间特征的POI推荐模型包括：划分时间段、基于时间特征构建关系矩阵、学习用户与POI的表示、计算用户对POI的感兴趣程度；

步骤3：加载保存的在验证集上评价指标最优的基于时间特征的POI推荐模型，将测试样本批量送入模型中，输出与保存推荐的结果。

进一步地，所述步骤1中的原始数据集包含相关的用户信息、地点信息以及与其对应的用户访问记录信息。

优选地，所述步骤2中划分时间段具体为：根据每周以及每日两个不同的时间特征构建用户与POI的关系矩阵，每周划分为工作日与周末，每日按照小时划分为5个时间段，总共有10种不同的时间段。

优选地，所述步骤2中基于时间特征构建关系矩阵具体为：根据不同时间段下用户访问POI的记录信息，每个时间段分别构建用户和POI的交互矩阵；通过将多个时间段的关系矩阵排列形成一个由用户、POI以及时间段构成的三维张量；分别为每周T1以及每日T2这两个不同时间的尺度建立两个独立的张量。