[发明专利]一种空间距离自适应的下一个兴趣点推荐方法

说明书

本发明公开了一种空间距离自适应的下一个兴趣点推荐方法。该方法结合马尔科夫链并且能够自适应用户个人偏好进行兴趣点推荐。使用马尔科夫链捕获用户签到序列的时序关系，并且为每个用户生成个性化的转移矩阵用于捕获用户个人偏好。引入张量分解模型解决数据集签到数据稀疏的问题，使每个转移矩阵都受到相似用户、相似兴趣点、用户潜在偏好的影响，生成更完善和高质量的用户转移矩阵，通过这个转移矩阵捕获完善的用户个人偏好和兴趣点之间的转移关系。通过用户签到序列学习用户的个性化潜在行为模式，从而捕获到有效的用户潜在个人偏好。通过融合空间距离的方法对用户长期潜在个人偏信息作出取舍，根据兴趣点间的距离自适应用户个人偏好。

技术领域

本发明属于推荐系统领域，具体涉及一种根据空间距离自适应用户兴趣和兴趣点转移关系的下一个兴趣点推荐方法。

背景技术

近年来，随着网络技术的不断发展，人们在网上能够获取到的信息日益增加，从海量的数据中精确推荐用户所感兴趣的信息成了一个巨大的挑战。针对信息过载的问题，研究学者们提出了各式各样的推荐系统用于音乐、电影、广告、商品等领域。例如，在网易云音乐中会通过用户经常听的音乐推荐相似的音乐，在京东和淘宝上则会通过用户历史购买的商品以及用户曾经搜索过或者点击过的商品进行推荐商品。

兴趣点推荐和上面提到电商、音乐、广告有所不同。兴趣点推荐的用户签到数据非常稀疏，一个用户通常只会访问兴趣点集合的很小一部分。除此之外，用户访问兴趣点会受到空间和时间上的限制，相比其他领域，兴趣点推荐中的上下文信息会更加重要。例如用户在工作日早上会前往工作地点，中午的时候会选择距离工作地点比较近的餐厅用餐；而在周末的时候，他们会选择娱乐场所或者旅游景点进行签到。

目前推荐系统中常用的协同过滤可以通过签到数据预测用户对兴趣点的偏好，其中有一些是通过计算用户-用户、兴趣点-兴趣点之间的相似度来进行推荐，但是由于存在数据稀疏的问题而使得推荐精度较低。有一些则选择通过用户历史访问的兴趣点建立模型，从而推荐用户最可能访问的K个兴趣点，但其往往忽略了用户签到之间的连续关系，而这在兴趣点推荐上非常重要，因为用户的运动通常是连续，有效兴趣点推荐系统应该结合用户的签到序列、用户个人偏好以及空间上的距离。

发明内容

针对现有技术的不足，本发明提出了一种空间距离自适应的下一个兴趣点推荐方法，结合用户签到序列、上下文信息和兴趣点之间的空间关系，采用马尔科夫链和矩阵分解方法解决签到兴趣点签到数据稀疏的问题，最后通过贝叶斯排序的方式对用户的预测结果进行排序，向用户推荐下一个兴趣点。

一种空间距离自适应的下一个兴趣点推荐方法，具体包括以下步骤：

步骤一、数据获取与预处理

获取用户一系列历史签到记录，每条签到记录包含签到时间、用户名称、兴趣点，提取出所有用户和所有兴趣点，删除其中出现次数少于a次的个别兴趣点和个别用户，得到用户集合和兴趣点集合。

作为优选，a的取值为10。

步骤二、构建签到序列

将步骤一预处理后的每个用户的历史签到记录按照签到时间的先后顺序分别排序，得到每个用户按照时间顺序的签到序列。

步骤三、构建转移矩阵

根据步骤二得到的用户签到序列，采用马尔科夫链对每个用户u构建一个转移矩阵A^u，其中元素表示签到序列中是否存在用户u从兴趣点i出发到兴趣点l的记录，存在则为1，否则为0；合并所有用户的转移矩阵A^u得到一个转移张量A；

步骤四、估计用户签到概率

使用Tucker Decomposition线性分解模型对步骤三中得到转移张量A进行估计，得到估计张量