[发明专利]引入空间衰减函数的兴趣点推荐算法

摘要

本发明公开了引入空间衰减函数的兴趣点推荐算法。现有兴趣点推荐算法没有考虑兴趣点相似度存在空间上的衰减现象。本发明的步骤：首先给出适合特定签到数据集的空间衰减函数类型，然后对空间衰减函数预设参数，并将含有预设参数的空间衰减函数作为权值参与兴趣点相似度的计算当中；在进行推荐算法推荐性能实验时，通过给定不同的空间衰减函数预设参数值来得到不同的召回率、精确度和F指标，根据这些指标选取适合本数据集的空间衰减函数预设参数值，此时，即可确定适合本数据集的空间衰减函数。本发明通过引入空间衰减函数可以提高兴趣点推荐算法的推荐性能。

主权项

引入空间衰减函数的兴趣点推荐算法，其特征在于：该方法的具体步骤如下：步骤1、收集签到网站中用户签到数据；表1 签到网站中用户签到数据集表1中：u代表用户的编号，1≤u≤m，m为收集的用户总数；v代表兴趣点的编号，1≤v≤n，n为兴趣点总数；r_uv代表用户u对兴趣点v的评分，A_v代表兴趣点v的纬度，O_v代表兴趣点v的经度；步骤2、建立包含兴趣点位置信息的“用户‑兴趣点”评分矩阵R(m×n)，评分矩阵含m个用户和n个兴趣点，兴趣点的位置信息用兴趣点的经纬度来表示，如表2所示；随机选取1/8的签到兴趣点作为测试集，剩余7/8的兴趣点作为训练集；表2 包含兴趣点位置信息的“用户‑兴趣点”评分矩阵步骤3、使用传统兴趣点相似度求解公式求解兴趣点i，j之间的相似度w(i,j)，1≤i≤n，1≤j≤n；传统兴趣点相似度求解公式有：余弦相似度求解公式、修正余弦相似度求解公式和皮尔逊相关系数相似度求解公式；相关参数设置：r_ui和r_uj分别表示用户u对兴趣点i和兴趣点j的评分，用户没有对兴趣点评分被设置为0，和分别表示m个用户对兴趣点i和兴趣点j的平均评分，表示用户u对兴趣点的平均评分，U(i)和U(j)分别表示对兴趣点i和兴趣点j评分的用户集合，U(i,j)表示同时对兴趣点i，j评分的用户集合；3.1余弦相似度求解公式；在余弦相似度求解公式中，通过兴趣点评分向量之间的夹角余弦来度量它们之间的相似度；兴趣点i，j的余弦相似度如下：$w(i,j)=\frac{\underset{u=1}{\overset{m}{\Σ}}{r}_{ui}{r}_{uj}}{\sqrt{\underset{u=1}{\overset{m}{\Σ}}{\left(r_{ui}\right)}^2}\sqrt{\underset{u=1}{\overset{m}{\Σ}}{\left(r_{uj}\right)}^2}}---\left(1\right)$3.2修正余弦相似度求解公式；它在余弦相似度基础上进行了改进，通过减去用户对兴趣点的平均评分解决了余弦相似度没有考虑用户评分等级差异的问题；兴趣点i，j的修正余弦相似度如下：$w(i,j)=\frac{{\mathrm{\Σ}}_{u\∈U(i,j)}(r_{ui}-\stackrel{\‾}{r_u})(r_{uj}-\stackrel{\‾}{r_u})}{\sqrt{{\mathrm{\Σ}}_{u\∈U\left(i\right)}{(r_{ui}-\stackrel{\‾}{r_u})}^2}\sqrt{{\mathrm{\Σ}}_{u\∈U\left(j\right)}{(r_{uj}-\stackrel{\‾}{r_u})}^2}}---\left(2\right)$3.3皮尔逊相关系数相似度求解公式；与修正余弦相似度一样，它也解决了用户评分等级差异的问题；兴趣点i，j的皮尔逊相关系数相似度如下：$w(i,j)=\frac{{\mathrm{\Σ}}_{u\∈U(i,j)}(r_{ui}-\stackrel{\‾}{r_i})(r_{uj}-\stackrel{\‾}{r_j})}{\sqrt{{\mathrm{\Σ}}_{u\∈U(i,j)}{(r_{ui}-\stackrel{\‾}{r_i})}^2}\sqrt{{\mathrm{\Σ}}_{u\∈U(i,j)}{(r_{uj}-\stackrel{\‾}{r_j})}^2}}---\left(3\right)$步骤4、三种兴趣点相似度求解公式分别代入兴趣点的预测评分公式形成三种传统兴趣点推荐算法，分别预测出用户u对测试集内各个兴趣点的预测评分；用户u对兴趣点i的预测评分公式如下：${\hat{r}}_{ui}=\stackrel{\‾}{r_i}+\frac{{\mathrm{\Σ}}_{j\∈S(i,K)\∩N\left(u\right)}w(i,j)(r_{uj}-\stackrel{\‾}{r_j})}{{\mathrm{\Σ}}_{j\∈S(i,K)\∩N\left(u\right)}\left|w(i,j)\right|}---\left(4\right)$式中，S(i,K)表示和兴趣点i最相似的K个兴趣点的集合，N(u)表示用户u访问兴趣点的集合；步骤5、每种传统兴趣点推荐算法都推荐出预测评分值最大的N个兴趣点；步骤6、通过召回率、精准度和F指标评价传统兴趣点推荐算法的推荐性能；R(u)表示用户u推荐的N个兴趣点的集合，T(u)表示用户u实际感兴趣的兴趣点集合，则召回率P₁、精准度P₂和F指标F，分别由下式求得：$P_1=\frac{\underset{u=1}{\overset{m}{\Σ}}|R\left(u\right)\∩T\left(u\right)|}{\underset{u=1}{\overset{m}{\Σ}}\left|T\left(u\right)\right|}---\left(5\right)$$P_2=\frac{\underset{u=1}{\overset{m}{\Σ}}|R\left(u\right)\∩T\left(u\right)|}{\underset{u=1}{\overset{m}{\Σ}}\left|R\left(u\right)\right|}---\left(6\right)$$F=\frac{2P_1{P}_2}{P_1+P_2}---\left(7\right)$召回率描述的是在用户实际感兴趣的兴趣点当中被推荐的比例，精准度描述的是推荐列表当中用户实际感兴趣的兴趣点所占的比例，但这2个指标经常出现相互矛盾的情况，往往1个指标增大的同时另1个指标随之减小，为了综合考虑召回率和精准度，还用到了综合评价指标F指标；步骤7、在推荐性能最好的传统兴趣点推荐算法基础上引入空间衰减函数，得到引入空间衰减函数的兴趣点推荐算法，具体如下：7.1找到推荐性能最好的传统兴趣点推荐算法；由推荐列表长度N的不同值，根据三种传统兴趣点推荐算法中召回率、精准度和F指标选取最好的传统兴趣点推荐算法；7.2引入空间衰减函数f(d(i,j))，其中d(i,j)是兴趣点i和兴趣点j之间的大圆距离，大圆距离指的是从球面的一点出发沿球面到达球面上另一点所经过的最短路径的长度；设置兴趣点i和兴趣点j的编号分别是c和d，1≤c≤n，1≤d≤n，分别用经纬度(A_c，O_c)和(A_d，O_d)表示兴趣点i和兴趣点j的坐标，则大圆距离的计算公式如下：$d(i,j)=2R*arcsin\left(\sqrt{{\sin }^2\left(\frac{A_c-A_d}{2}\right)+cos\left(A_c\right)cos\left(A_d\right){\sin }^2\left(\frac{O_c-O_d}{2}\right)}\right)---\left(8\right)$式中，R表示地球的平均半径，取值为6371.009km，d(i,j)的单位为km；空间衰减函数f(d(i,j))的定义需满足下列条件：兴趣点i和j之间的大圆距离越大，则f(d(i,j))越小，兴趣点i和j之间的相似度越小，从而降低用户对距离更远的兴趣点的签到行为对推荐结果的影响；首先给出适合签到网站中用户签到数据集的空间衰减函数类型，然后对空间衰减函数预设参数，并将含有预设参数的空间衰减函数作为权值代入步骤7.3的公式中；在进行推荐算法推荐性能实验时，通过给定不同的空间衰减函数预设参数值来得到不同的召回率、精确度和F指标，根据这些指标选取适合签到网站中用户签到数据集的空间衰减函数预设参数值，此时，即可确定适合签到网站中用户签到数据集的空间衰减函数；7.3引入空间衰减函数的兴趣点推荐算法如下：w′(i,j)＝w″(i,j)f(d(i,j))  (9)式中：w″(i,j)表示推荐性能最好的传统兴趣点推荐算法中运用的传统兴趣点相似度求解公式。