[发明专利]一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统

权利要求书

1.一种融合多特征的矩阵分解兴趣点推荐方法，其特征在于，包括以下步骤：

步骤一，重构多源异构特征，所述多源异构特征包括对地理位置信息、类别偏好信息和社交关系信息，由位置社交网络LBSN中的用户评分矩阵、分类偏好矩阵、流行度矩阵和用户活跃度，对所述多源异构特征进行重构；

步骤二，利用文本信息挖掘用户和兴趣点的潜在模型，生成一个混合深度神经网络HDNN结构，以自上而下的方式学习文档的潜在分布表示，通过分析用户和兴趣点的评论文档，生成文档潜在模型；

步骤三，多特征融合的矩阵分解兴趣点推荐，基于乘法法则融合所述多源异构特征，生成融合地理位置、类别偏好、社交关系及混合深度神经网络的多特征融合的概率矩阵分解模型，并对概率矩阵分解模型中的参数进行优化，以预测用户的个性化偏好，并使用预测结果来推荐Top-k兴趣点；

其中，步骤一中的所述地理位置信息的重构是指利用用户已访问的兴趣点和未访问的兴趣点间的地理位置关系来估算用户在未访问兴趣点上的相关得分，根据每个用户已访问过的兴趣点估算地理坐标上的个性化签到分布；所述类别偏好信息的重构是指将用户对类别的偏好和兴趣点的流行度计算用户和兴趣点之间的关联评分；所述社交关系信息的重构是指通过用户间的相似性对用户的签到行为进行分析，在皮尔森相关系数法的基础上，利用用户活跃度重新定义用户的相似性；

步骤二中的所述混合深度神经网络包括双向长短期记忆网络和卷积神经网络，所述双向长短期记忆网络用于构建用户和兴趣点评论文档中每个文本句子的表示，所述卷积神经网络用于将所有文本块的语义及其关系编码到文档表示中；

所述混合深度神经网络包括嵌入层、双向长短期记忆网络层、卷积神经网络层、池化层和输出层；

所述混合深度神经网络首先通过Embedding函数构建所述嵌入层，输出序列S；其次通过Bidirectional函数构建所述双向长短期记忆网络层；再将双向长短期记忆网络层的输出输入到卷积神经网络层的卷积操作中，并对卷积的结果进行降维，其中的激活函数为tanh函数；然后利用dropout函数防止结果过拟合；最后构建混合深度神经网络模型及设置其损失函数；

步骤三中的所述基于乘法法则融合所述多源异构特征是指采用乘法法则融合地理、社交与分类偏好相关分数，并将这些分数融合到概率矩阵分解模型中；首先评估用户所在位置经纬度坐标的个性化签到分布，基于地理相关性，推导用户对未签到的兴趣点的地理相关分数；然后根据其他用户已签到的兴趣点，利用用户的社交关系，推导用户对未签到的兴趣点的社会相关分数；最后，根据用户已签到的兴趣点与未签到的兴趣点的分类与流行度，基于分类相关性，推导用户对未签到的兴趣点的分类相关分数；

所述多特征融合的概率矩阵分解模型中集成了混合深度神经网络、地理位置信息、类别偏好信息和社交关系信息的重构的多源异构特征；

所述对概率矩阵分解模型中的参数进行优化是指通过使用极大后验估计法MAP，以实现优化混合深度神经网络的用户潜在模型、兴趣点潜在模型、权重和偏置变量。