[发明专利]基于用户个性化生活模式的POI推荐方法

说明书

一种基于用户个性化生活模式的POI推荐方法，包括：首先对用户签到数据进行预处理，通过挖掘分析用户签到数据建模用户个性化生活模式，根据用户个性化生活模式对全部POI进行过滤，并加入符合用户个性化生活模式的但用户未曾访问过的POI得到POI候选集，然后根据用户个性化生活模式对POI候选集进行重新排序，最终得到用户最感兴趣的Top‑k个POI。本发明根据用户个性化生活模式对POI集合进行过滤，有利于缓解LBSNs中数据稀疏性的问题。本发明充分挖掘用户签到序列中的用户个性化生活模式，能够提高POI推荐的准确性，同时利用用户个性化偏好模式中用户对POI类型的偏好和用户个性化行为模式进行推荐，能帮助用户发现新的POI，有利于提高POI推荐的多样性。

技术领域

本发明涉及推荐系统中的POI推荐方法，POI推荐不仅可以向用户推荐下一次最有可能去的Top-k个POI，方便用户生活，还可以用于向广告商提供广告投放建议，为企业带来潜在的商业价值，同时还可以向城市交通规划提供建议等。

背景技术

随着信息技术和智能设备的快速发展，基于位置的社交网络(Location-basedSocial Networking Services，LBSNs)如Foursquare，Facebook，Gowalla，Yelp等越来越受人们的欢迎。在LBSNs上，用户可以登录打卡他们的位置并分享与他们的位置相关的内容，由于LBSNs用户数量的迅速增加，近年来从这些平台收集的用户签到数据量迅速增加，由此催生了一个新的推荐系统子领域，即兴趣点推荐(Point-of-interest Recommendation)。POI推荐是LBSNs的重要应用，一方面，可以给用户推荐可能感兴趣的兴趣点，帮助用户解决其“选择困难症”，另一方面，帮助企业寻找目标客户，给企业带来了潜在的商业价值，同时还可以向城市交通规划提供建议等。

近年来已经有非常多的POI推荐算法来根据用户偏好推荐POI，包括传统的机器学习方法和深度学习方法。这些方法大多根据用户历史签到数据学习用户偏好，结合地理影响、社会影响等来进一步完善模型，提高推荐性能。由于基于协同过滤的方法在其他领域的推荐系统中取得了成功，基于协同过滤的方法也被用于POI推荐，但是这些方法只能模拟用户的静态偏好。在实际场景中，POI本身的受欢迎程度会随着时间的变化而变化，同时用户会在特定的时间采取特定的行动，比如午餐时间去餐馆，晚上休息时间去酒吧。另一方面，用户签到行为之间存在相互影响，导致特定的POI签到顺序，如很多用户会选择晚饭后去公园，但是在公园散步后，有的用户会去商场购物，有的用户会去健身房，这也反映了不同用户的个性化偏好，所以需要更多地关注于对用户的动态偏好建模。除此之外，还有一些方法利用用户的社交关系进行POI推荐，如果两个用户是朋友关系，则这两个用户往往会有相似的POI偏好，可以向用户的朋友推荐该用户感兴趣的POI，但是这种方法受限于用户之间的信任程度，有的朋友之间也可能不会有相似的POI偏好。

目前，现有的POI推荐方法存在以下主要问题：1)现有的方法受到数据稀疏性问题的影响，与整个城市的POI数量相比，用户所去过的POI数量非常少，POI推荐的准确率不高。2)大多数现有的POI推荐方法没有充分挖掘用户签到数据，因此用户行为的规律性难以发现和利用。3)许多方法仅能推荐用户曾经去过的POI，而无法推荐符合用户个性化生活模式但用户没有去过的POI，即无法帮助用户发现新的POI。

发明内容

本发明要克服上述POI推荐方法的不足之处，提出一种基于用户个性化生活模式的POI推荐方法。