[发明专利]一种基于神经网络和移动上下文的兴趣点推荐方法

说明书

本发明公开了基于神经网络和移动上下文的兴趣点推荐方法，该方法包括两个步骤：S100建立联合神经网络模型，并对联合神经网络模型进行训练，计算用户访问未知地点的预测概率值；建立移动上下文的兴趣点推荐模型，计算用户访问未知地点的预测得分；S200进行联合神经网络模型和移动上下文的兴趣点推荐模型的融合，计算用户访问未知地点的预测分数，根据所述预测分数由大到小排序，得到该用户对未知地点感兴趣程度的推荐列表。本发明将联合神经网络和移动上下文进行结合，神经网络能够挖掘用户和地点之间的深层潜在关联，移动上下文能够在显式偏好的条件下增强推荐的合理性和解释性，两者模型相辅相成实现更精准和全面的综合推荐。

技术领域

本发明涉及兴趣点推荐技术领域，特别涉及基于神经网络和移动上下文的兴趣点推荐方法。

背景技术

兴趣点推荐，旨在通过挖掘用户的历史地点签到记录来为用户推荐没有访问过的可能感兴趣的地点。兴趣点推荐不仅可以丰富用户的出行体验，也能为第三方商家带来利益。因此，兴趣点推荐具有研究价值。与大多数其他的推荐领域一样，兴趣点推荐仍然采用经典的协同过滤与矩阵分解。矩阵分解和协同过滤等经典方式，通常面临着数据稀疏和无法深层次刻画用户偏好等挑战。

但是，传统的兴趣点推荐仍然存在如下问题：

(1)协同过滤在进行推荐的时候，为了发现偏好相同的用户，需要计算目标用户与全体用户的相似度，计算量过于庞大。况且，每当用户访问了一个地点，该用户和地点的向量随即发生改变，则相应的协同过滤计算需要重新进行。矩阵分解面临同样的问题，即原始的矩阵不断地发生改变，不能保持恒定的分解后的隐因子矩阵。因此，如何设计一个通用的模型能够在用户和地点数据不断变化的同时动态地适应和完成推荐，将会是兴趣点推荐的一大难题。

(2)协同过滤和矩阵分解最大的特点是它们都是基于一些运算规则和数学流程的标准化算法。因此，这两种算法无法挖掘出用户和地点之间潜在的关系。这个问题是目前协同过滤和矩阵分解面临的最大挑战，也是目前许多研究的重心。用户和地点之间的潜在关系，是一种非线性的隐式关系。如果明确了这种潜在关系，那么推荐任务将不再依赖于显式的原始特征，而是深层次地判定用户是否会访问某个地点。如何有效地挖掘用户和地点之间的潜在关系将会是兴趣点推荐的另外一个大难题。

发明内容

针对现有技术存在的上述问题，本发明的要解决的技术问题是：如何更准确的为用户推荐兴趣点。

为解决上述技术问题，本发明采用如下技术方案：一种基于神经网络和移动上下文的兴趣点推荐方法，包括如下步骤：

S100：构建训练数据集DS，训练数据集DS中训练样本是第i个用户u_i和第j个地点l_j构成的数据组；定义用户集合，地点集合和用户地点矩阵，其中用户集合表示为U＝{u₁，u₂，u₃，...，u_m}，m表示用户数量，地点集合表示为L＝{l₁，l₂，l₃，...，l_n}，n表示地点的数量，用户地点矩阵表示为R：U×L，R_ij表示了用户u_i和地点l_j之间的原始联系，即用户u_i访问地点l_j的次数；

S110：建立联合神经网络模型，并对联合神经网络模型进行训练，计算用户访问未知地点的预测概率值；

S120：建立移动上下文的兴趣点推荐模型，计算用户访问未知地点的预测得分；

S200：进行联合神经网络模型和移动上下文的兴趣点推荐模型的融合，计算用户访问未知地点的预测分数，根据所述预测分数由大到小排序，得到该用户对未知地点感兴趣程度的推荐列表；

进行联合神经网络模型和移动上下文的兴趣点推荐模型的融合的过程如公式(1)所示：