[发明专利]一种POI推荐方法及推荐系统

说明书

本发明公开一种POI推荐方法及推荐系统，涉及推荐技术领域，该方法包括：根据从LBSN门户网站收集的用户和POI数据构建的用户‑POI关系网络，利用网络嵌入方法学习得到用户和POI的嵌入向量；根据用户和POI的嵌入向量，构建包括多个关于用户和POI的关联因子的动态因子图模型，并根据所述多个关于用户和POI的关联因子建立在时空社交网络上的联合分布，通过学习得到所述联合分布中的参数值；计算得到使联合分布概率最大的节点值，然后计算每个节点的边缘概率，并按边缘概率和倾向性的乘积大小进行POI推荐；解决了因数据质量不可靠和时空模式难以确定导致的推荐准确性低的问题，显著提高推荐性能。

技术领域

本发明涉及推荐技术领域，特别是涉及一种基于时空关联因素的POI推荐方法及推荐系统。

背景技术

移动互联网技术的出现与普及彻底改变了人们的日常生活，并产生了诸多新型生活服务模式，例如基于位置的社交网络(LBSN)服务。LBSN产生的海量数据包含了用户行为和偏好的信息，可以支持基于位置的个性化服务，如兴趣点推荐。

现有技术针对数据稀疏性和冷启动等问题进行改进，取得了理想的效果，但仍然面临两个主要问题：1)数据质量不可靠，难以准确获得数据之间的关联；2)用户兴趣受多因素的影响，随时间与空间变化，难以确定其时空特征，例如人们在中午倾向于去餐厅而不是酒吧，但是深夜则更喜欢去酒吧而不是办公室。这两个问题极大地影响了推荐的准确性。

发明内容

为了解决上述问题，本发明提供一种基于时空关联因素的POI推荐方法及推荐系统，解决了因数据质量不可靠和难以确定时空特征导致的推荐准确性低的问题。

为此，本发明采用的技术方案是：

提供一种POI推荐方法，该方法包括以下步骤：

根据从LBSN门户网站收集的用户和POI数据构建的用户-POI关系网络，利用网络嵌入方法学习得到用户和POI的嵌入向量；

根据用户和POI的嵌入向量，构建包括多种关于用户和POI的关联因子的动态因子图模型，并根据所述多个关于用户和POI的关联因子建立在时空社交网络上的联合分布，通过学习得到所述联合分布中的参数值；

计算得到使联合分布概率最大的因子图节点值，然后计算每个节点的边缘概率，并按边缘概率与倾向性乘积的大小将POI推荐给用户。

进一步的，所述从LBSN门户网站收集的用户和POI数据包括：用户基本信息、POI基本信息、用户之间的好友关系、用户签到记录和用户评论，所述用户签到记录和用户评论包括文本内容、时间和地点，所述用户基本信息包括用户ID和用户名，所述POI基本信息包括POIID、POI名称和经纬度。

进一步的，所述利用网络嵌入方法学习得到用户和POI的嵌入向量包括步骤：

将所述用户-POI关系网络划分为POI的区域划分关系、用户的好友关系和用户对POI的访问记录三个子网络；

利用所述POI的区域划分关系、用户的好友关系和用户对POI的访问记录三个子网络学习得到用户和POI的嵌入向量。

进一步的，所述学习得到用户和POI的嵌入向量的方法包括：

进行以下更新操作，直到目标函数收敛：

利用负采样方法，从ε_vv中采样一条边以及R条负边，从ε_vu中采样一条边以及R条负边，更新POI的嵌入向量；所述更新POI的嵌入向量的公式为：