[发明专利]多因素影响的兴趣点推荐方法

说明书

本发明是公开了一种一种多因素影响的兴趣点推荐方法，首先从用户签到相似度，好友相似度，类别偏好相似度三个角度综合考虑计算用户间相似度；其次将得到的三个相似度结合到一起求出用户相似度矩阵，并规范拉普拉斯矩阵；然后将特征向量组成新的特征空间进行聚类运算，最后融合四种因素的总评分来推荐用户兴趣点。本发明旨在解决推荐过程中计算量大、推荐效率低的问题，在应对不同用户时，计算用户对不同用户的偏好值，提高推荐效果。

技术领域

本发明涉及兴趣推荐技术领域，具体是一种多因素影响的兴趣点推荐方法。

背景技术

随着互联网发展，各类信息越来越多，如何进行有效的信息获取及展示成为用户和平台共同关注的问题，而有效的推荐可帮我们进行信息过滤，成为解决这项问题的重要手段。

近年来，基于位置的服务平台的出现及广泛使用，催生了一种新的异质信息网络，基于位置的社交网络LBSN，它与传统社交网络的主要区别在于用户通过LBSN分享的内容现在都与真实地理位置有某种联系,并且可以向用户提供众多与位置相关的服务。

协同过滤算法是一种典型的基于用户社会关系的推荐方法，具有简单，可解释的优点，通常使用用户兴趣点交互信息，如用户对兴趣点的评分或签到信息，获得用户对兴趣点的偏好。然而LBSN中拥有的兴趣点、用户信息较少，用户-兴趣点签到矩阵又是极其稀疏的，所以传统协同过滤推荐算法的推荐效率和准确率较低。

传统推荐系统需要遍历所有用户的位置数据，带来了巨大的计算负担，从而导致这些推荐系统效率低下。并且大多数推荐方法仅考虑LBSN中少数几种语义信息，很多语义信息没有被利用。

从上述分析可以看出传统协同过滤推荐算法虽然简单可解释，但推荐效率和准确率较低，内容推荐算法虽然解决了冷启动问题，但是语义信息利用率低。

发明内容

本发明的目的是提出一种多因素影响的兴趣点推荐方法，结合聚类方法、协同过滤算法和内容推荐系统的优点，无需计算无关兴趣点的相关数据，提高了推荐效率，计算用户对不同用户的偏好值，提高推荐效果。

本发明目的可以通过采用如下技术方案达到：

基于多因素影响的兴趣点推荐方法，包括以下步骤：

融合异质信息网络LBSN中的用户签到类别，好友关系，用户签到频率建立用户间相似度矩阵。使用谱聚类方法，最小化不同簇之间用户的相似度，同时最大化簇内所有用户之间的相似度，对用户进行聚类，聚类个数通过本征间隙法得到，由同一类用户访问过的兴趣点得到用户的待推荐集合。

从用户签到相似度，好友相似度，类别偏好相似度三个角度综合考虑计算用户间相似度。用户之间的共同签到次数可以反映用户对兴趣点的偏好程度，使用余弦相似度计算用户的签到相似度，使用杰卡德相似系数计算用户好友相似度。用户与其好友通常有共同的签到兴趣点，可以用两用户所拥有的共同好友个数来计算其相似度。首先根据用户的社交关系数据，构造用户-用户关系矩阵F。其中每个元素F_u,u＇表示两个用户之间是否存在社交关系。为了防止好友数量过少带来的不良影响，引入签到好友机制。

用户对不同类别兴趣点的偏好，可以反映用户间的相似程度。本文使用词频-逆向文件频率技术计算用户兴趣偏好相似度,这种方法可以评估一个单词在文档中的重要性，使用皮尔森相关系数计算用户兴趣点类别偏好相似度，其更关注样本特征数值的大小，更适合兴趣点类别偏好相似度的计算。

最后将社交因素、兴趣点地理位置因素、用户访问顺序因素和兴趣点种类因素四种因素融合在统一框架中，针对不同用户的待推荐集合中兴趣点，不同数据集考虑不同的影响因素，得到兴趣点的总吸引力评分，向用户推荐评分较高的兴趣点。