[发明专利]一种将社交网络和图像内容融合的兴趣点推荐方法

摘要

本发明提出一种将社交网络和图像内容融合的兴趣点推荐方法，在已有社交推荐模型的基础上，提出了新的融合社交网络和图像内容的矩阵分解模型，能够充分利用用户评价信息中的图片信息，缓解数据的稀疏性，来提高兴趣点推荐的准确度。另外，本发明利用率兴趣点评价的文本信息，地理信息，以及兴趣点的标签分类信息，更好地解决了兴趣点推荐的冷启动和准确度问题，向用户推荐其最想去的兴趣点，提升用户的体验度。

主权项

1.一种将社交网络和图像内容融合的兴趣点推荐方法，其特征在于，包括以下步骤：步骤1，构造用户‑兴趣点评分矩阵Rij，通过融合距离和标签因素，构造出新的用户‑兴趣点评分矩阵；步骤2，实现VGG16卷积神经网络，修改最后的soft层，将图片处理为1000维度的向量，并根据兴趣点构造图像内容矩阵；步骤3，根据数据集中的社交信任关系，构建用户社交矩阵；步骤4，在用户‑兴趣点评分矩阵、图像内容矩阵、用户社交矩阵中，假设真实观测值与实际值之间的差值符合高斯分布，从而根据后验概率分布推导出SVPOI模型，并推导出最终的损失函数：其中,Rij表示用户i对于兴趣点j的评分信息，Cik表示用户i对于好友k的社交关系信息，Gjl表示兴趣点j对于图像l的图像内容信息，Ui表示用户i的隐含特征信息，Vj表示兴趣点j的隐含特征信息，Zk表示用户i的好友k的隐含社交关系信息，Pl表示兴趣点j的图像l的隐含图像内容信息，分别表示对应特征矩阵的二范式，αu、αv、αr分别表示系数；步骤5，根据步骤4中的函数对用户特征矩阵U_i求偏导，对物品特征矩阵V_j求偏导，对社交特征矩阵Z_k求偏导，对图像特征矩阵P_l求偏导，步骤6，利用梯度下降法求以上特征矩阵，求得特征矩阵Ui和Vj；步骤7，根据步骤6求得的特征矩阵，预测用户对兴趣点的评分，并根据评分高低形成推荐列表。