[发明专利]基于最大化接受者操作特征曲线下方面积的推荐方法

说明书

基于最大化接受者操作特征曲线下方面积的推荐方法，包括如下步骤：1)构建用户的兴趣地点对集合和签到矩阵；2)构建最大化接受者操作特征曲线下方面积的目标方程；3)对目标方程进行优化，再采用随机梯度下降的方法进行求解，迭代结束后，得到最终的用户隐矩阵和兴趣地点隐矩阵；4)计算集合中的所有兴趣点对的距离，根据该距离计算邻接矩阵N；5)计算地理上下文的排序矩阵；6)根据用户隐矩阵和兴趣地点隐矩阵得到预测的排序矩阵，将其与地理上下文排序矩阵分别进行加权后相加得到最后的推荐结果。本发明的方法可以很好的应对数据稀疏问题、计算量少，具有很好的扩展性、能达到最高水平的结果。

技术领域

本发明涉及地点推荐，特别是一种基于最大化接受者操作特征曲线下方面积的推荐方法。

背景技术

当用户去访问一个喜欢的地点时，基于地点的社交网络允许用户在当前地点签到并分享他们的在当前地点的经历。随着这种社交网络的流行和不同平台的兴起，例如BrightKite、Foursquare和Gowalla，用户的签到数据规模正以前所未有的速度增长。例如2016年一年，Foursquare有超过5千万的活跃用户创造了超过80亿的签到数据。

大量的签到数据可以让很多推荐系统的研究能够更好地提高用户体验，例如位置推荐、好友推荐以及活动推荐。在这些应用当中，兴趣地点推荐在过去几年中获得了大量的研究关注，很多算法被开发出来。

兴趣地点推荐的目标是通过对用户签到历史和其他因素的学习，从而推荐给用户可能感兴趣但没有访问过的地点列表。有很多因素导致兴趣地点推荐很困难，其中最重要的因素是签到数据特别稀疏，即被每一个用户访问过的兴趣地点只占了所有地点的极其少的一部分。例如在实验中的一个数据集，一个用户平均只访问了15.9个兴趣地点，而在那个城市当中一共有46617个兴趣地点。这让兴趣地点推荐比其他推荐任务遭受更严重的数据稀疏问题。举例来说，用来电影推荐的Netflix的数据库的数据密度为1.2％，这远远比兴趣推荐的签到数据的密度高。同时，签到数据是一种隐反馈数据，即签到数据只提供了正样本和没有标签的样本，这些没有标签的样本可能是负样本也可能是没有被发现的正样本。

现存的很多研究，他们的目标方程的主要部分是关于签到矩阵和模型推荐的差的弗罗贝尼乌斯范数。然而，弗罗贝尼乌斯范数并不是设计来处理稀疏问题的，而且当不设计特别复杂的模型时，很难在稀疏数据集上得到比较好的结果。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种利用地理上下文信息和用户的签到频率，基于最大化接受者操作特征曲线下方面积的推荐方法。

本发明采用如下技术方案：

基于最大化接受者操作特征曲线下方面积的推荐方法，其特征在于：包括如下步骤：

1)通过用户签到数据构建用户的兴趣地点对集合和签到矩阵，该集合中包括该用户所有访问过和未访问的兴趣地点对；

2)根据集合构建最大化接受者操作特征曲线下方面积的目标方程；

3)对目标方程进行优化，再采用随机梯度下降的方法进行求解，迭代结束后，得到最终的用户隐矩阵和兴趣地点隐矩阵；

4)计算集合中的所有兴趣点对的距离，根据该距离计算邻接矩阵N；

5)对于每个用户的每个兴趣地点，根据步骤3)得到的用户隐矩阵P和兴趣地点隐矩阵Q，并结合邻接矩阵和签到矩阵计算地理上下文的排序矩阵；

6)根据用户隐矩阵和兴趣地点隐矩阵得到预测的排序矩阵，将其与地理上下文排序矩阵分别进行加权后相加得到最后的推荐结果。

优选的，预先定义：U代表用户集合，L来代表兴趣地点的集合；对于一个目标用户u，定义表示访问过的兴趣地点，表示未访问过的兴趣地点，所有的用户-兴趣地点的交互集合为在步骤2)中根据下式得到所述的目标方程