[发明专利]一种基于集成学习的个性化位置推荐方法

说明书

本发明公开了一种基于集成学习的个性化位置推荐方法，该方法包括：第一步、将签到数据集转换成评分矩阵；第二步、选择若干个推荐子算法，将活跃用户访问过的地址划分为训练子数据集和评估子数据集。利用训练子数据集，各子算法为评估数据集中的地址和未访问过的地址计算预评分；第三步、利用评估数据集，计算各子模型的推荐精度F1，生成精度权重值集合；第四步、选择信息增益IG为稳定性指标，评估各子模型的稳定性，计算稳定性权重值集合；第五步、为活跃用户计算最终的总加权系数。集成模型将各子算法对未访问地址的预评分按总加权系数融合，生成最终预测评分；第六步、评估本发明提出的方法与集成前各子算法的综合性能，评价本发明的有效性。

技术领域

本发明涉及社交网络中一种基于集成学习的个性化位置推荐方法，属于人工智能与机器学习技术领域。

背景技术

基于位置的社交网络(Location-based Social Networks，LBSNs)是在线社交网络(Online Social Network)与位置服务(Location-based Service)逐渐融合并发展的产物，为线上的虚拟网络与线下的真实世界提供了紧密联系的平台。近年来，随着移动设备的广泛普及和定位技术的快速发展，一大批基于位置的社交网络迅速兴起。在LBSNs中，用户之间可以建立复杂的社交关系，如朋友关系、同事关系、亲戚关系等。用户还可以利用社交网络中添加的地理信息查看一些感兴趣的地点(points-of-interest，POIs)，如餐厅，商店，电影院等，并在访问兴趣点时利用移动设备进行签到，发布其地理位置信息，分享他们的建议和评论。LBSNs帮助商家进一步了解网络背后真实的用户，从而“投其所好”地为不同用户定制符合其需求的个性化服务。

随着在LBSNs中注册的用户数量越来越多，LBSNs存储并积累了丰富的可利用信息，这些海量的信息使得用户不能在有限的时间内快速有效地找到自己需要的信息。因此，致力于解决“信息过载”问题的推荐系统受到了越来越多研究人员的关注。如著名的Amazon公司运用推荐系统给用户推荐商品，为商家提高了点击率和营业额；电影推荐网站Netflix通过举办推荐系统大赛吸引了众多研究团队致力于提高推荐准确度的研究。作为一种特殊的信息过滤系统，推荐系统不需要用户主动提供确定的关键词信息，而是通过分析用户已有的历史行为，对用户的兴趣爱好进行建模，挖掘用户的潜在偏好，进而主动给用户推荐符合其需求的商品、服务等。基于大量的用户信息、好友信息、位置信息，研究人员面向LBSNs实现了一些诸如好友推荐、专家发现、位置推荐、活动推荐、路径推荐等应用。其中，位置推荐的研究是目前该领域的一个研究热点。

推荐算法是推荐系统的主要技术构成，算法效率的高低很大程度上决定了推荐系统的运行效率与推荐结果的准确性。根据设计策略，推荐算法主要包括协同过滤算法、基于内容的推荐算法和混合推荐算法，其中，协同过滤算法又包括基于记忆的协同过滤算法(如基于用户的协同过滤(UBCF)、基于项目的协同过滤(IBCF))和基于模型的协同过滤算法(如奇异值分解(SVD)、聚类模型、概率潜在语义分析(PLSA))。在基于内容的位置推荐中，可从位置中提取许多特性，比如标签、分类和用户评论。从用户的配置文件中提取用户的偏好，然后与位置配置文件匹配，以获得准确的推荐。UBCF算法将用户的签到行为转换为用户-位置评分矩阵，利用数据集的信息找到当前活跃用户的相似用户，利用他们的兴趣偏好，预测活跃用户对未签到地点的评分，预测评分最高的位置会被推荐给当前用户。IBCF算法则是基于这样一个假设：用户总是偏向与他之前喜欢的项目高度相似的地址。因此IBCF算法首先计算位置之间的相似度，并将与用户的POIs最为相似(预测评分最高)的地址推荐给活跃用户。SVD算法是矩阵分解的经典代表，其主要任务是生成低秩近似。用SVD算法分解后的低维正交矩阵在原始矩阵的基础上降低了噪音,且可以更有效地揭示用户和商品的潜在关联。在SVD算法中，项目之间存在一些共有的特征，用户喜欢某一项目是因为他们对这些特征的评分较高,通过将用户的评分用线性代数方法分解为一些特征,就可以根据用户对这些特征的喜好程度来预测用户对未访问地址的喜好。