[发明专利]基于张量分解且顾及上下文语义信息的兴趣点推荐方法

说明书

本发明公开了一种基于张量分解且顾及上下文语义信息的兴趣点推荐方法，包括以下步骤：S1：计算用户社交活跃度、用户签到位置活跃度、用户签到时间活跃度和用户活跃度；S2：计算用户的社交相似度、用户的签到位置相似度、用户的签到时间相似度和用户相似度；S3：进行用户聚类；S4：计算签到位置的兴趣点流行度；S5：计算时间槽热度；S6：构建U‑L‑T三维张量；S7：分解U‑L‑T三维张量，生成兴趣点推荐列表。本发明有效融合地理位置、签到时间、用户社交关系和兴趣点流行度等上下文信息，改善上下文信息利用率低和签到数据弱语义性问题。

技术领域

本发明属于兴趣点推荐技术领域，具体涉及一种基于张量分解且顾及上下文语义信息的兴趣点推荐方法。

背景技术

兴趣点推荐的目标是研究用户和兴趣点的相关信息对于用户签到行为的影响，从而为用户推荐具有一定长度的兴趣点列表，帮助用户过滤掉不感兴趣的位置并减少决策时间。兴趣点推荐不仅帮助用户在LBSN的海量数据中找到符合用户兴趣的信息，也帮助相关服务提供商向潜在用户提供个性化服务。目前，许多研究利用LBSN产生的大规模用户签到行为记录，并融合地理、时间、文本和社会关系等上下文信息提高兴趣点推荐的效果，不同研究已经证明引入上下文信息能够提升兴趣点推荐质量。考虑不同类型的上下文信息，目前基于位置的社交网络兴趣点推荐方法可以归纳为以下四类：基于地理影响的兴趣点推荐方法、基于时间影响的兴趣点推荐方法和基于社交关系影响的兴趣点推荐和基于文本信息的兴趣点推荐方法；还有一些方法考虑了多种上下文信息改善兴趣点推荐质量。目前的研究方法虽然引入了地理位置、时间、社会关系和内容等上下文信息，但在综合上下文信息的同时，难以平衡上下文信息丰富性和模型复杂度的关系，同时上下文信息缺乏有效融合，导致用户、位置和时间三个要素之间的上下文信息利用率较低。

发明内容

本发明的目的是为了解决现有兴趣点研究方法难以平衡上下文信息丰富性和模型复杂度的关系，同时上下文信息缺乏有效融合，导致用户、位置和时间三个要素之间的上下文信息利用率较低的问题，提出了一种基于张量分解且顾及上下文语义信息的兴趣点推荐方法。

本发明的技术方案是：一种基于张量分解且顾及上下文语义信息的兴趣点推荐方法包括以下步骤：

S1：采集用户信息，计算用户社交活跃度用户签到位置活跃度和用户签到时间活跃度并根据用户社交活跃度用户签到位置活跃度和用户签到时间活跃度计算用户活跃度

S2：根据用户信息，计算用户的社交相似度用户的签到位置相似度和用户的签到时间相似度并根据用户的社交相似度用户的签到位置相似度和用户的签到时间相似度计算用户相似度

S3：根据用户活跃度和用户相似度进行用户聚类；

S4：基于用户聚类，根据用户信息，计算签到位置的兴趣点流行度

S5：根据用户信息，计算时间槽热度

S6：根据用户社交活跃度签到位置的兴趣点流行度和时间槽热度构建U-L-T三维张量；

S7：利用tucker分解U-L-T三维张量，得到空缺张量元素的近似值并生成兴趣点推荐列表Top(u,l,N)，完成兴趣点推荐。

本发明的有益效果是：本发明通过构建“用户-位置-时间”张量模型，有效融合地理位置、签到时间、用户社交关系和兴趣点流行度等上下文信息，改善上下文信息利用率低和签到数据弱语义性问题，同时根据用户活跃度、社会关系和签到行为的相似性进行用户聚类以降低模型复杂度，然后通过张量分解获取个性化的兴趣点推荐列表。

进一步地，步骤S1中，用户社交活跃度的计算公式为：

其中，表示每个用户的社交好友数量，|U|表示所有用户数量；

用户签到位置活跃度的计算公式为：