[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

说明书

本发明公开了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。首先，根据社交关系中好友与非好友对用户决策的影响，结合用户评分利用自适应带宽核密度方法，计算用户签到的个性化分布，并得出兴趣点间的相关性。然后，由于Bi‑LSTM输出的序列具有词语语义和词序列前后间语法等隐藏信息的特征，而CNN擅长从一系列特征中捕捉显著特征，故而将Bi‑LSTM和CNN叠加组成新的深层神经网络，从而学习用户和兴趣点的潜在特征。最后，通过概率矩阵方法将社交、地理位置、分类偏好以及潜在特征相融合，预测用户的个性化偏好，从而达到个性化推荐的目的。

技术领域

本发明涉及信息推荐技术领域，具体涉及一种基于融合多特征的矩阵分解兴趣点推荐方法及其实现系统。

背景技术

随着智能手机及智能设备的不断发展，基于位置社交网络(Location BasedSocial Networks, 简称LBSN)的应用（如Yelp、Foursquare、街旁等）吸引着越来越多的用户共享他们的签到状态、位置以及相关评论等。基于位置的社交网络兴趣点推荐就是通过过滤社交网络中海量的信息，为用户提供最具有吸引力和最相关的兴趣点（如酒店、餐厅、景点等），减轻信息负载带来的负面影响，从而促进了兴趣点推荐在大数据时代的不断发展。

近年来，兴趣点(Point of Interest, 简称POI)推荐已经成为一个非常热门的研究课题。当前，大多数的兴趣点推荐方法都是基于用户的历史签到信息和情景信息（包括社交关系、类别信息等）以及评论信息来挖掘用户对未访问的兴趣点的偏好。但是已有的兴趣点推荐方法存在诸多问题。例如，数据稀疏问题、情景信息利用问题、评论信息在矩阵分解中的利用问题、评论信息学习模型自身的缺陷问题等。

为了降低数据的稀疏性，许多兴趣点推荐方法将用户的历史签到信息及其情景信息(如评分、地点、时间、社交关系等)结合来挖掘用户对于未签到的兴趣点的偏好。然而，在将这些情景信息以数学模型表示时，大部分都只考虑其特征中的一种情况，不能准确有效地表示该情景信息或者说会忽略该情景信息中的一些信息（例如，在考虑社交关系时仅考虑用户和好友之间的关系），这会对结果造成一定的偏差。大多数研究在矩阵分解中仅利用用户和POI的描述文档而忽略了用户本身的特征属性。诸多基于深度学习的兴趣点推荐研究中都仅仅利用一种模型学习评论文本的内容表示。然而，单个模型都或多或少存在自身的缺点，这些缺点往往都被忽略。因此，利用单个模型学习评论文本的内容表示可能会遗忘或忽视文本中的部分内容，造成推荐结果的偏差。

发明内容

有鉴于此，有必要提供一种充分利用评论文本、提供个性化推荐兴趣点的融合多特征的矩阵分解兴趣点推荐方法及其实现系统。

一种融合多特征的矩阵分解兴趣点推荐方法，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，对所述多源异构特征进行重构，对应得到用户评分矩阵、分类偏好矩阵、流行度矩阵和用户活跃度；

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，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。

进一步地，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。