[发明专利]一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法

说明书

本发明公开了一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法，包括如下步骤：获取所有用户的历史签到信息，基于所有用户的历史签到信息计算签到矩阵；基于签到矩阵计算用户‑兴趣点矩阵和兴趣点‑用户矩阵；基于用户‑兴趣点矩阵计算预估矩阵M₀；基于预估矩阵M₀计算预估矩阵M₁；基于兴趣点‑用户矩阵计算预估矩阵M₂；基于签到矩阵计算预估矩阵M_n；基于公式M_pre＝M₀+M₁+M₂^T+M_n计算用户‑兴趣点偏好值矩阵M_pre；基于偏好值矩阵M_pre生成推荐信息。本发明公开的技术方案可以根据用户签到稀疏矩阵为用户适合准确地推荐兴趣点。

技术领域

本发明涉及兴趣点推荐方法，尤其涉及一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法。

背景技术

移动互联网技术的快速进步，基于位置的社交网络(Location-Based SocialNetworks，LBSN)得到了快速发展，例如国外的Foursquare、Gowalla、Yelp、Facebook。与传统社交网络相比，用户可以通过签到的方式与朋友分享他去过的地点，签到记录了用户的兴趣地点(如电影院、游乐场，餐厅，景点等)信息。而城市的发展带动兴趣点数量剧增，根据用户的喜好为用户准确的推荐兴趣地点有利于提高用户在城市的生活体验，并更了解自己所在城市的风貌及文化。在海量地点中挖掘用户感兴趣的地点是具有极大的挑战。

兴趣点推荐能够为用户推荐感兴趣的地点，减少用户决策时间成本，促进用户更好的了解城市。经典的协同过滤算法(Collaborative filtering,CF)由于简单易用，在学术界和工业界已被广泛使用。若将协同过滤算法应用于兴趣点推荐中，则会存在以下问题：

1、相似度计算问题，由于目前户签到数据的稀疏性，因此通过协同过滤算法得到的用户-兴趣点签到矩阵是一个高纬度的稀疏矩阵，计算用户间的相似性并不是很准确，导致推荐结果效果差。

2、冷启动问题，对于全新的用户，缺少用户向量，不能匹配相似用户，无法进行推荐。

3、局限性问题，依靠相似用户信息进行兴趣点推荐，不能计算用户对各个地点的偏好值，对于相似用户未去过的地点，不能进行推荐。

4、推荐排序问题，对于推荐列表，依靠相似用户签到信息对推荐列表进行排序，并不是很准确，如对于多个签到次数相同地点，不能合理排序，导致推荐结果差异大。

发明内容

针对现有技术存在的上述不足，本发明要解决的技术问题是：如何提供一种能够为每个用户准确推荐兴趣点的方法，可以基于用户签到稀疏矩阵为每个用户适合准确地推荐兴趣点。

为解决上述技术问题，本发明采用了如下的技术方案：

一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法，包括如下步骤：

S101、获取所有用户的历史签到信息，基于所有用户的历史签到信息计算用户签到矩阵；

S102、基于用户签到矩阵计算用户-兴趣点矩阵和兴趣点-用户矩阵；

S103、基于用户-兴趣点矩阵计算预估矩阵M₀；

S104、基于预估矩阵M₀计算预估矩阵M₁；

S105、基于兴趣点-用户矩阵计算预估矩阵M₂；

S106、基于签到矩阵计算预估矩阵M_n；