[发明专利]一种基于张量分解及加权HITS的时间感知个性化POI推荐方法

摘要

本发明涉及一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，本发明针对传统POI推荐方法中面临的数据稀疏性问题，首先通过引入附加信息的协同张量分解对用户偏好进行建模，然后通过加权HITS同时整合用户偏好与POI的流行度为POI进行打分。最后根据POI打分为用户提供排名靠前的若干POI作为推荐。本发明通过集成协同张量分解与加权HITS考虑用户偏好、时间及当地特色三个因素，克服数据稀疏性问题，为用户提供高质量的个性化POI推荐。

主权项

一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，其特征在于，包括如下步骤：1)基于协同张量分解的用户偏好建模：1.1)输入用户check‑in历史数据及POI类别数据，根据用户在任意一个时间段内对一类POI的访问频数，构建三维用户偏好张量并对其进行归一化；1.2)输入用户check‑in历史数据、POI类别数据及用户信息数据，根据用户的个人信息及对不同类POI的访问历史，构建用户‑特征矩阵X，并对其进行归一化；1.3)输入用户check‑in历史数据及POI类别数据，根据不同时间段内各中类别POI被访问的频数，构建时间段‑POI类别矩阵Y，并对其进行归一化；1.4)输入POI类别数据，将POI类别两两组合构成搜索引擎的关键字，将返回的结果数作为相应POI类别间的相关性构建类别‑类别矩阵Z，并对其进行归一化；1.5)输入三维用户偏好张量用户‑特征矩阵X、时间段‑POI类别矩阵Y和类别‑类别矩阵Z，通过矩阵X、Y、Z的协同张量分解帮助补全三维用户偏好张量2)基于加权HITS的POI打分及推荐：2.1)输入用户‑特征矩阵X，根据余弦相似性计算公式计算用户间的相似性，作为LBSN图中用户间边的权值；2.2)将查询用户当前时间τ映射为用户偏好张量中的一个时间段t；2.3)输入查询区域当地所有用户的check‑in历史数据、当地用户间的相似性及当前时间查询用户的偏好，为查询用户构建LBSN图；2.4)将构建得到的LBSN图输入加权HITS中，计算查询区域当地所有POI分数；2.5)根据查询用户当前位置l确定产生候选项的区域r；2.6)根据区域r内POI分数，选取分数最大的前若干项作为提供给该查询用户的POI推荐。