[发明专利]一种融入空间关系的POI推荐方法及推荐系统

权利要求书

1.一种融入空间关系的POI推荐方法，其特征在于：包括以下步骤：

步骤1：根据收集用户在LBSN服务平台上生成的时空信息和POI时空信息，依据所述时空信息确定所述用户签到行为受空间关系的影响模式；

步骤2：根据步骤1中所述用户生成的时空信息，划分出用户生活圈范围，并通过此生活圈范围构建用户与POI间的空间关系影响模式，根据步骤1中所述POI时空信息，使用KNN算法计算出每个POI的地理邻居，并通过POI的地理邻居构建POI与POI之间的空间关系影响模式；所述步骤2中划分出用户生活圈范围，并通过此生活圈范围构建用户与POI间的空间关系影响模式包括：

生活圈半径是通过实验调整和理论分析得到的；

用户活动中心是通过计算用户历史签到数据得到的，其计算过程为：首先，根据时空信息，统计用户访问的POI位置、频率，POI位置以经纬度表示，假设每个POI的权重相同，将用户访问过的POI经纬度分别累加，之后除以用户访问过的POI个数计算出每个用户的活动中心，每个用户的活动中心以经纬度表示；

对于用户与POI之间的空间关系影响模式，使用非线性函数给予空间关系影响一个指示值，衡量用户与POI之间的空间关系的公式为：

其中，D_ui＝1，表示POI_i在以用户u活动中心为中心的生活圈范围内，反之不在；dis(i|u)是POI_i距离用户u往常活动中心的距离，d是根据生活圈理论以及实验测试所得出的生活圈半径；

所述步骤2中使用KNN算法计算出每个POI的地理邻居，并通过POI的地理邻居构建POI与POI之间的空间关系影响模式包括：通过所述时空信息，使用KNN算法选择离POI最近的K个POI作为该POI的地理邻居；

对于POI与POI之间的空间关系影响模式，使用每个POI的K个地理邻居表示，衡量POI与POI之间的空间关系的公式为：

其中，表示在所述时空信息下，POI_i的地理邻居被访问频率总和，是POI_i的地理邻居在历史签到记录中的总体曝光量，I_i表示使用KNN算法计算得到的POI_i的地理邻居集合；表示所有POI地理邻居被访问频率总和的均值，是衡量一个POI地理邻居总体曝光量大小的指标，I表示在所述时空信息下所有POI集合；μ表示计算系数，表示sigmoid函数；

步骤3：利用融入空间关系的矩阵分解方法得到用户和POI的嵌入向量、用户和POI偏置项，通过预测公式对每个用户可能会访问的POI进行预测并将预测值按大小进行排序，进行POI推荐；

所述步骤3中利用融入空间关系的矩阵分解方法得到用户嵌入向量、POI的嵌入向量、用户偏置项和POI偏置项包括步骤：

a1.利用所述时空信息，获得空间信息在用户与POI间的影响模式和空间信息在POI与POI间的影响模式；

a2.利用所述矩阵分解方法，结合空间关系的影响，学习得到用户和POI的嵌入向量；

所述步骤3中学习得到用户嵌入向量、POI的嵌入向量、用户偏置项和POI偏置项方法包括：

b1.进行以下更新操作，直到目标函数收敛；

b2.利用随机梯度下降法更新用户嵌入向量，所述更新用户嵌入向量的公式为：

其中，表示融入空间关系的矩阵分解方法中得到用户向量的目标函数，w_ui表示用户u在POI_i的历史签到记录频率有关的信任度，更多的签到记录意味着更大的信任度，由于用户POI签到矩阵中的0元素是未知情况，所以只有是1的元素才加入优化，是r_ui的预测值，越大表示用户u访问POI_i的概率越大，α₁表示空间距离关系影响系数，表示距离用户u活动中心小于d km的POI集合；w_i′表示集合长度的倒数，α₂表示考虑空间拓扑关系的空间距离影响系数，表示POI_i的K个地理邻居集合，w_i″表示使用softmax函数根据空间关系影响G_i计算的权重，b_i是POI_i的偏置项，b_u是用户u的偏置项，p_u是用户u的嵌入向量，是POI_i的嵌入向量的转置，λ为正则项系数；eta为学习率；

利用随机梯度下降法更新POI嵌入向量，所述更新POI嵌入向量的公式为：

利用随机梯度下降法更新用户偏置项，所述更新用户偏置项的公式为：

利用随机梯度下降法更新POI偏置项，所述更新POI偏置项的公式为：