[发明专利]一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法

摘要

本发明公开了一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法，包括：(1)将用户浏览兴趣点的签到数据存储在每个用户自己的用户端；(2)用户在自己的用户端训练模型。通过上述方式，本发明基于社交网络的去中心化矩阵分解的兴趣点推荐方法通过将用户对兴趣点的签到数据保存在自己的用户端，并且在用户端进行矩阵分解模型的训练，解决了集中式矩阵分解模型存储和计算资源浪费的问题，不存在用户个人隐私泄露的风险，从而实现了保护隐私、提高安全系数的功能，在基于社交网络的去中心化矩阵分解的兴趣点推荐方法的普及上有着广泛的市场前景。

主权项

1.一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法，其特征在于，包括以下步骤：(1)将用户浏览兴趣点的签到数据存储在每个用户自己的用户端：定义表示用户集合，表示兴趣点集合，共有M个用户和N个兴趣点，(u_i,p_j)表示第i个用户对第j个兴趣点的签到信息或者评价信息，其中用R_M×N表示用户POI签到矩阵，并且用表示用户u_i对兴趣点p_j的签到信息或者评价信息；(2)用户在自己的用户端训练模型:由于亲密的朋友访问的兴趣点具有很强的相似性，因此利用亲密的朋友之间进行信息的交互，来协助完成模型的训练，即：当一个用户对某个兴趣点有访问行为的时候，该用户的潜在向量以及该兴趣点的全局潜在向量都会通过梯度进行更新，与此同时，该用户将对该兴趣点全局潜在向量的梯度发送给他的朋友，这些朋友拿到该兴趣点全局潜在向量的梯度之后，保存在这些朋友的用户端的该兴趣点的全局潜在向量也会得到相应更新，从而完成模型的训练，定义U_M×K表示用户潜在特征矩阵，每一行表示用户u_i的K维潜在特征向量，V_M×N×K表示兴趣点潜在特征张量，表示用户u_i的兴趣点潜在特征矩阵，表示用户u_i对兴趣点p_j的K维潜在特征向量，为了保证每个用户的隐私保护，在整个训练过程中，需要保证每个用户对兴趣点的签到次数或者评价信息和潜在特征都保存在每个用户自己的用户端，因此，每个用户u_i只需要保存他的K维潜在特征向量和POI潜在特征矩阵将用户的POI签到信息分解为用户偏好潜在向量和POI偏好潜在向量即：对于每个用户u_i，POI的潜在特征向量可以分解为：其中表示全局潜在特征矩阵，其表示所有用户的共同偏好，表示私有潜在特征矩阵，其表示用户u_i的个人偏好，那么基于社交网络的去中心化矩阵分解的兴趣点推荐方法的目标函数可以表示为：其中，表示矩阵的罗贝尼乌斯范数的平方，向量和只依赖于保存在用户u_i用户端中的信息，而不仅依赖于用户u_i用户端中的信息，也依赖于用户u_i的朋友用户的用户端中的信息，其中通过交换协议来交换用户之间的信息，从而学习POI全局潜在特征向量所述交换协议通过发送每个用户u_i的目标函数关于的梯度给他的朋友用户u_i′，来学习全局POI潜在特征向量