[发明专利]一种基于用户关系嵌入模型的下一个兴趣点推荐方法

说明书

本发明公开了一种基于用户关系嵌入模型的下一个兴趣点推荐方法，步骤为：根据朋友关系和用户历史签到记录数据分别建立朋友关系表和偏好相似关系表，通过这两个表建立用户关系图；根据建立的用户关系图采用随机游走算法得到用户关系序列，用户关系序列经过Word2Vec词嵌入模型得到每个用户的低纬嵌入向量；利用用户的低纬嵌入向量对神经网络的用户嵌入层参数进行初始化，使用门控循环单元给出下一个兴趣点推荐。本发明的基于用户关系嵌入模型的下一个兴趣点推荐方法将偏好相似关系引入到推荐模型中，增强了用户关系的表示，解决了现有方法只考虑用户朋友关系的片面性导致推荐模型的局限性问题，有效提高了推荐模型的准确率。

技术领域

本发明属于神经网络和推荐系统的技术领域，尤其涉及一种基于用户关系嵌入模型的下一个兴趣点推荐方法。

背景技术

随着基于位置的社交网络软件(如gowalla，foursquare等)的普遍应用，大量的签到信息已经被收集，利用这些丰富的签到数据给推荐用户感兴趣的下一个兴趣点(如景点，宾馆，饭店等)将会提升用户的服务体验和用户的忠诚度，同时也会给企业提升巨大的利润。现有的推荐方法只考虑用户的社交关系(即朋友关系)，这些研究是基于这种假设“在社交网络中，朋友经常具有相同或相似的品味”。然而，朋友关系不能很好的表示用户偏好，利用朋友关系进行推荐存在以下缺陷，比如(1)社交软件上的朋友关系不能准确表示现实生活中的朋友关系，由于种种原因，在生活中为朋友关系的用户可能并没有在社交软件中互加好友，并且社交软件中两个好友也存在彼此并不认识或者完全没有联系的情况；(2)两个用户为朋友关系他们可能具有不同的偏好，因此在推荐用户访问下一个兴趣点的时候可能会受到朋友关系的负面影响。而且现有的研究都忽略非朋友关系，实际上，非朋友关系也能在一定程度上反应用户相似的偏好。比如美食爱好者通常会访问一些相同或者相似的兴趣点，因此他们在历史签到兴趣点中通常具有更多相同的访问兴趣点。

发明内容

针对现有技术无法对用户关系进行有效的建模，忽略了偏好相似关系，本发明所解决的技术问题在于提供一种基于用户关系嵌入模型的下一个兴趣点推荐方法，能够有效的对用户关系进行建模，考虑复杂的用户关系，通过利用本发明来整合用户关系能够有效提升推荐系统的准确率。

为了解决上述技术问题，本发明通过以下技术方案来实现：

本发明提供一种基于用户关系嵌入模型的下一个兴趣点推荐方法，包括以下步骤：

步骤S1：根据朋友关系和用户历史签到记录数据分别建立朋友关系表和偏好相似关系表，通过这两个表建立用户关系图；

步骤S2：根据建立的用户关系图采用随机游走算法得到用户关系序列，用户关系序列经过Word2Vec词嵌入模型得到每个用户的低纬嵌入向量；

步骤S3：利用用户的低纬嵌入向量对神经网络的用户嵌入层参数进行初始化，使用门控循环单元给出下一个兴趣点推荐。

可选的，所述步骤S1的具体步骤为：

S11、建立朋友关系表，朋友关系表由数据集提供的用户朋友关系数据集建立；

S12、建立偏好相似关系表，偏好相似关系表由数据集中每个用户历史访问过得兴趣点的记录建立，如果用户访问过某一个兴趣点，那么偏好关系表中相应位置的数值为1，否则为0；

S13、建立用户关系图，用户关系图根据步骤S11中的朋友关系表和步骤S12中的偏好相似表得到。

进一步的，S21、根据用户关系图，首先从图中的任意一个节点开始，利用n次随机游走算法在此节点上进行随机游走，随机游走的步长为c，通过随机游走算法，最终能够得到n条序列长度为c的用户关系序列；