[发明专利]一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法

说明书

本发明公开了一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法，包括：(1)将用户浏览兴趣点的签到数据存储在每个用户自己的用户端；(2)用户在自己的用户端训练模型。通过上述方式，本发明基于社交网络的去中心化矩阵分解的兴趣点推荐方法通过将用户对兴趣点的签到数据保存在自己的用户端，并且在用户端进行矩阵分解模型的训练，解决了集中式矩阵分解模型存储和计算资源浪费的问题，不存在用户个人隐私泄露的风险，从而实现了保护隐私、提高安全系数的功能，在基于社交网络的去中心化矩阵分解的兴趣点推荐方法的普及上有着广泛的市场前景。

技术领域

本发明涉及互联网领域，特别是涉及一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法。

背景技术

近年来，随着移动互联网技术的迅猛发展，定位系统和移动社交网络不断发展起来，人们可以更加容易地浏览各个城市的酒店、电影院、超市等兴趣点(简称为POI)，由此，大量的位置信息呈现在人们面前，这些信息记录了人们的历史活动情况，比如：大众网、美团网上对餐厅、KTV等的评价信息，携程网、去哪网和同程旅游网上对酒店的评价信息等。大量的位置信息满足了人们在大数据时代对信息的需求，但是，也由此带来了信息过载和信息使用效率下降的问题。个性化兴趣点推荐作为解决这些问题的一种有效方法受到了广泛的关注。

目前，个性化兴趣点推荐方法已经日益完善，其中，协同过滤技术可谓是主流方法，而矩阵分解技术(MF)通常比基于用户或项目的协同过滤方法更为有效，它能使我们能够发现隐藏在用户和兴趣点之间的交互潜在特征，在许多推荐应用中都得到了良好的运用。

传统的POI推荐算法中的矩阵分解方法都是先构建一个推荐系统平台，将所有用户对所有兴趣点的签到信息收集到这样的服务器中，然后利用这些数据来构建一个矩阵分解模型，我们称这种方法为集中式矩阵分解模型。这种模型存在几个弊端，由于所有的用户的兴趣点签到信息需要收集存储在一个集中式的服务器中，而且必须在集中式服务器上进行模型的训练，所以，浪费了存储资源和计算资源。更重要的是，所有用户的签到信息都被集中式服务端获取了，用户的偏好信息也会通过集中式服务端泄露给恶意攻击者，这就造成了用户个人隐私泄露的问题。通过这些个人兴趣点签到数据，攻击者能分析出用户的个人偏好，行为模式，生活习惯等个人隐私，存在极大的安全隐患。

发明内容

本发明主要解决的技术问题是提供一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法，通过将用户对兴趣点的签到数据保存在自己的用户端，比如：手机或者pad上，而不是向集中式服务端上传，并且在用户端进行矩阵分解模型的训练，这样就解决了集中式矩阵分解模型存储和计算资源浪费的问题，更重要的是，每个用户的签到数据都保存在每个用户端，并且在各自用户端进行模型的训练，先利用移动社交网中每个用户的社交关系图，分析用户之间的亲密度，通过与最亲密的朋友之间进行交互非原始签到数据进行协同完成模型的训练，所以不存在用户个人隐私泄露的风险，从而实现了保护隐私、提高安全系数的功能，在基于社交网络的去中心化矩阵分解的兴趣点推荐方法的普及上有着广泛的市场前景。

为解决上述技术问题，本发明提供一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法，包括以下步骤：

(1)将用户浏览兴趣点的签到数据存储在每个用户自己的用户端：

定义表示用户集合，表示兴趣点集合，共有M个用户和N个兴趣点，(u_i，p_j)表示第i个用户对第j个兴趣点的签到信息或者评价信息，其中用R_M×N表示用户POI签到矩阵，并且用r_ij∈R_M×N表示用户u_i对兴趣点p_j的签到信息或者评价信息；

(2)用户在自己的用户端训练模型