CN117591751B - 基于图嵌入的上下文忠诚度融合的兴趣点推荐方法及*** - Google Patents
基于图嵌入的上下文忠诚度融合的兴趣点推荐方法及*** Download PDFInfo
- Publication number
- CN117591751B CN117591751B CN202410080547.0A CN202410080547A CN117591751B CN 117591751 B CN117591751 B CN 117591751B CN 202410080547 A CN202410080547 A CN 202410080547A CN 117591751 B CN117591751 B CN 117591751B
- Authority
- CN
- China
- Prior art keywords
- loyalty
- interest
- user
- points
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 117
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 15
- 230000000875 corresponding effect Effects 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 25
- 230000002123 temporal effect Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 12
- 230000006854 communication Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 abstract description 24
- 230000033001 locomotion Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 17
- 238000004590 computer program Methods 0.000 description 16
- 239000013598 vector Substances 0.000 description 12
- 238000003860 storage Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于图嵌入的上下文忠诚度融合的兴趣点推荐方法及***,其方法包括以下步骤:基于相似用户对相似兴趣点的不同访问模式、同一用户对相似兴趣点的不同访问模式及相似用户对同一兴趣点的不同访问模式,构建不同影响因子对应的忠诚度模型;基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至原始图中,得到对应的各忠诚度图;基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型;基于多项式融合方法融合各兴趣点推荐模型得到目标兴趣点推荐模型,根据目标兴趣点推荐模型对待推荐用户进行兴趣点推荐;因此综合考虑显式交互和隐式关联学习用户移动特征,提高个性化兴趣点推荐的精确度。
Description
技术领域
本发明涉及兴趣点推荐技术领域,特别涉及一种基于图嵌入的上下文忠诚度融合的兴趣点推荐方法及***。
背景技术
随着GPS定位技术的迅速发展和社交媒体用户数量的爆发性增长,越来越多的用户在社交网络上分享他们的位置信息,如餐厅、电影院、商场等,还会进行位置签到,记录下经纬度、时间、评价、签到类型等详细信息,形成了大规模的基于位置的社交网络,即LBSNs(Location-Based Social Networks)。这种社交网络的崛起为兴趣点推荐领域带来了巨大的机遇,用户可以更好地探索附近的兴趣点,发现更符合他们喜好的地点。国际上,像Yelp、Gowalla、Foursquare等知名社交媒体软件在这个领域积累了丰富的数据和用户基础,而国内的平台如美团、大众点评也在类似的背景下崭露头角。
虽然LBSNs为兴趣点推荐***提供了海量的地理位置数据,却也带来了挑战,尤其是上下文信息的捕捉问题。兴趣点推荐不仅受到地理位置的影响,还受到时间、天气、社交关系等多维度的上下文信息影响。这些上下文信息对于准确的兴趣点推荐至关重要,但其高度动态性和多样性增加了推荐***的复杂性。上下文信息在兴趣点推荐***中的重要性体现在个性化推荐、提高准确性、时效性推荐以及提升用户体验等方面。丰富的上下文信息有助于***更好地理解用户需求和行为,从而提供更符合实际情况和用户喜好的推荐建议。
为了解决这些问题,早期的研究通常分别考虑这些因素,并将它们对应的结果结合在一起进行的推荐。但是合并所有可用的上下文因素并不总是有益的。除了额外的数据处理负载外,使用所有上下文信息不一定会导致推荐精度的提高,此外,不同上下文因素及其组合对线性和非线性算法性能的影响也没有深入研究。图嵌入的最新进展为利用和整合这些影响因素提供了机会,通过将 LBSNs建模为图,将网络的每个节点嵌入到低维潜空间,同时保留关键的拓扑信息。而LBSNs本身具有异构性,包含用户、兴趣点、类别和时隙等多种类型的关系和对象。因此,将本质的元组关系简化为成对关系并不能充分捕获签到信息,而且可能会将签到记录中各个域中所有对象的联合交互降级为几个成对对象的交互,这将不可避免地导致结构信息的丢失。
现有基于图嵌入技术的兴趣点推荐模型都是针对签到和好友关系等确定的显式建立同构图或二分关系图。但是LBSNs中多种上下文信息带来的交互是十分复杂的,除了从数据集中可以直观收集到的签到和好友关系等确定的显式交互。LBSNs 中对象之间同样存在一些无法直接获取的隐式关联,这些隐式关联反映了用户行为模式的潜在规律,从地理和语义等角度反映了兴趣点之间的相关性。例如,同种类型信息之间存在相关性,教室与图书馆的关联程度相较于与健身房的关联程度更高,所以教室与图书馆在低维表示空间的距离应该更近一些。兴趣点推荐任务中利用这些隐式关联可以提高兴趣点推荐的有效性。
因此,本发明提出了一种新颖的基于图嵌入的上下文信息忠诚度融合的兴趣点推荐方法,综合考虑显式交互和隐式关联学习用户移动特征,以提高个性化兴趣点推荐的精确度。
发明内容
本发明提供一种基于图嵌入的上下文忠诚度融合的兴趣点推荐方法及***,综合考虑显式交互和隐式关联学习用户移动特征,以提高个性化兴趣点推荐的精确度。
第一方面,提供一种基于图嵌入的上下文忠诚度融合的兴趣点推荐方法,包括以下步骤:
获取LBSNs的用户签到数据及用户社交关系数据,并基于图嵌入方法将所述LBSNs建模为原始图;
根据所述用户签到数据及所述用户社交关系数据,基于相似用户对相似兴趣点的不同访问模式、同一用户对相似兴趣点的不同访问模式及相似用户对同一兴趣点的不同访问模式,构建不同影响因子对应的忠诚度模型;
基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至所述原始图中,得到对应的各忠诚度图;
基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型;
基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型,并根据所述目标兴趣点推荐模型对待推荐用户进行兴趣点推荐。
根据第一方面,在第一方面的第一种可能的实现方式中,所述不同影响因子对应的忠诚度模型包括:地理信息忠诚度模型、时间信息忠诚度模型及社交关系信息忠诚度模型;
所述地理信息忠诚度模型为:
;
式中,为兴趣点集合中的元素;/>为用户u的忠诚点集合/>中的元素;/>为用户u每个活动区域的自适应带宽;/>为每个用户中心的加权平均值;/>为每个用户中心的权重由对应活动范围的总频率确定的归一化公式;
所述时间信息忠诚度模型为:
;
式中,为兴趣点/>的前k个相似兴趣点的序列;/>为用户u的签到序列;/>为用户u对所有兴趣点的前k个相似兴趣点的交集最大值;
所述社交关系信息忠诚度模型为如下:
式中,为叠加上忠诚度的直接朋友相似度;/>直接朋友相似度;/>为用户u的直接朋友集合;/>为用户u的间接朋友集合;/>为直接朋友边的权重;/>为间接朋友边的权重。
根据第一方面,在第一方面的第二种可能的实现方式中,各忠诚度图包括:地理忠诚度图、时间忠诚度图及社交忠诚度图;
所述原始图为;
所述地理忠诚度图为:;
所述时间忠诚度图为:;
所述社交忠诚度图为:。
式中,U为用户集合;L为兴趣点集合;边 为社交关系;边/> 为用户对兴趣点的访问;/>为地理信息中的忠诚点集合;/>分别为图中的用户时间序列相似度边及兴趣点时间序列相似度边;/>分别为图中的直接朋友边及间接朋友边。
根据第一方面,在第一方面的第三种可能的实现方式中,所述基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型步骤,具体包括以下步骤:
各忠诚度图包括:地理忠诚度图、时间忠诚度图及社交忠诚度图;
基于高斯核模型计算得到所述地理忠诚度图在地理影响因子下对应的地理信息兴趣点推荐模型;
基于个性化页面排序方法计算得到所述时间忠诚度图在时间影响因子下对应的时间信息兴趣点推荐模型;
基于个性化页面排序方法计算得到所述社交忠诚度图在时间影响因子下对应的社交信息兴趣点推荐模型。根据第一方面的第三种可能的实现方式,在第一方面的第四种可能的实现方式中,所述地理信息兴趣点推荐模型为:
;
式中,为已访问兴趣点和所有兴趣点的距离;/>为忠诚点和所有兴趣点之间的距离;/>为忠诚点对推荐模型的影响程度参数;/>为每个用户中心和兴趣点之间的签到距离成本;
所述社交信息兴趣点推荐模型为:
式中,为在社交信息层面与用户u相连的用户节点;/>为用户/>对兴趣点/>的访问频率;/>为社交关系信息忠诚度模型;
所述时间信息兴趣点推荐模型为:
;
式中,为平衡相似度的参数;/>为用户/>对兴趣点/>的访问频率;/>为用户u对兴趣点/>的访问频率;/>为在时间信息层面与用户u相连的用户节点;/>为在时间信息层面与兴趣点/>相连的兴趣点节点;/>为用户节点之间的相似度;为兴趣点节点之间的相似度。
根据第一方面,在第一方面的第五种可能的实现方式中,基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型步骤,具体包括以下步骤:
兴趣点推荐模型包括:地理信息兴趣点推荐模型、时间信息兴趣点推荐模型及社交信息兴趣点推荐模型;
基于多项式融合方法融合所述地理信息推荐模型S1、所述社交信息推荐模型S2及所述时间信息推荐模型S3,得到目标兴趣点推荐模型如下:
;
式中,λ1、λ2、λ3、λ12、λ13、λ23、λ123为多项式回归的系数,且均∈(0,1)。
第二方面,提供了一种基于图嵌入的上下文忠诚度融合的兴趣点推荐***,包括:
聚类模块,数据预处理模块,用于获取LBSNs的用户签到数据及用户社交关系数据,并基于图嵌入方法将所述LBSNs建模为原始图;
忠诚度模型构建模块,与所述数据预处理模块通信连接,用于根据所述用户签到数据及所述用户社交关系数据,基于相似用户对相似兴趣点的不同访问模式、同一用户对相似兴趣点的不同访问模式及相似用户对同一兴趣点的不同访问模式,构建不同影响因子对应的忠诚度模型;
嵌入图模块,与所述忠诚度模型构建模块及所述数据预处理模块通信连接,用于基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至所述原始图中,得到对应的各忠诚度图;
推荐模块,与所述嵌入图模块通信连接,用于基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型;以及,
融合模块,与所述推荐模块通信连接,用于基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型,并根据所述目标兴趣点推荐模型对待推荐用户进行兴趣点推荐。
与现有技术相比,本发明的优点如下:通过将基于位置的社交网络LBSNs建模为图,来捕捉多类型对象之间的复杂关系,再基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至图中,得到对应的各忠诚度图;再基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型;再基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型,并根据所述目标兴趣点推荐模型对待推荐用户进行兴趣点推荐。因此引入图嵌入技术,将用户对兴趣点的忠诚度作为出发点,以构建不同影响因子对应的忠诚度模型的形式分别嵌入图中,不仅包含显式交互,还引入了隐式关联,使能更全面地理解用户和兴趣点之间的相互作用,可提高兴趣点推荐的准确性和个性化程度。
附图说明
图1是本发明一种基于图嵌入的上下文忠诚度融合的兴趣点推荐方法的一实施例的流程示意图;
图2是本发明一种基于图嵌入的上下文忠诚度融合的兴趣点推荐方法的又一实施例的流程示意图;
图3是本发明一种基于图嵌入的上下文忠诚度融合的兴趣点推荐***的结构示意图。
具体实施方式
现在将详细参照本发明的具体实施例,在附图中例示了本发明的例子。尽管将结合具体实施例描述本发明,但将理解,不是想要将本发明限于所述的实施例。相反,想要覆盖由所附权利要求限定的在本发明的精神和范围内包括的变更、修改和等价物。应注意,这里描述的方法步骤都可以由任何功能块或功能布置来实现,且任何功能块或功能布置可被实现为物理实体或逻辑实体、或者两者的组合。
为了使本领域技术人员更好地理解本发明,下面结合附图和具体实施方式对本发明作进一步详细说明。
注意:接下来要介绍的示例仅是一个具体的例子,而不作为限制本发明的实施例必须为如下具体的步骤、数值、条件、数据、顺序等等。本领域技术人员可以通过阅读本说明书来运用本发明的构思来构造本说明书中未提到的更多实施例。
参见图1,本发明实施例提供一种基于图嵌入的上下文忠诚度融合的兴趣点推荐方法,包括以下步骤:
S100,获取LBSNs的用户签到数据及用户社交关系数据,并基于图嵌入方法将所述LBSNs建模为原始图;
首先从LBSNs平台上收集用户的签到数据,这些数据包括用户的唯一标识(用户ID)、签到的地理坐标(经纬度)、签到的时间戳等信息。此外,也需要获取用户之间的社交关系信息。随后,进行数据预处理,将地理坐标映射到具体的兴趣点,将时间戳划分为不同的时间段,以便后续建模。生成用户的签到序列和兴趣点的签到频率向量,这些数据将用于构建图和建模用户的忠诚度。
S200,根据所述用户签到数据及所述用户社交关系数据,基于相似用户对相似兴趣点的不同访问模式、同一用户对相似兴趣点的不同访问模式及相似用户对同一兴趣点的不同访问模式,构建不同影响因子对应的忠诚度模型;
所述不同影响因子对应的忠诚度模型包括:地理信息忠诚度模型、时间信息忠诚度模型及社交关系信息忠诚度模型。
S300,基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至所述原始图中,得到对应的各忠诚度图;
S400,基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型;
S500,基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型,并根据所述目标兴趣点推荐模型对待推荐用户进行兴趣点推荐。
具体地,本实施例中,所述上下文信息包含线上和线下,用户在线上平台的分享过程被称为签到,线下访问的具体地点被称为兴趣点。考虑三个重要且高效的上下文信息:地理信息、时间信息、社交信息。
忠诚度在于用户对兴趣点的忠诚程度,这种忠诚度主要表现为以下三方面:1、相似用户对相似兴趣点的不同访问模式(地理信息层面的忠诚度影响因子):用户在访问兴趣点时,通常呈现聚集式现象,用户偏好离访问过的距离近的其他兴趣点,因此每个用户都有若干个活动范围,定义活动范围外且高频的兴趣点为忠诚点,相似用户的忠诚点在地理位置上也呈现聚集式现象,即表现为相似用户的忠诚点对用户的访问具有积极影响。2、同一用户对相似兴趣点的不同访问模式(时间信息层面的忠诚度影响因子);用户在面对多个类似的兴趣点时,更倾向于选择其中一个或一类特定的兴趣点,而不是随机选择。3、相似用户对同一兴趣点的不同访问模式(社交关系层面的忠诚度影响因子);即使用户具有相似的兴趣或行为模式,他们仍然可能对兴趣点有不同的喜好,不一定会在相同的兴趣点上表现出一致的行为,即表现为对兴趣点的忠诚度。
因此,对于上述这两种表现形式,可构建不同影响因子对应的忠诚度模型,具体为:地理信息忠诚度模型、时间信息忠诚度模型及社交关系信息忠诚度模型。
同时,本发明通过将基于位置的社交网络LBSNs建模为图,来捕捉多类型对象之间的复杂关系,再基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至图中,得到对应的各忠诚度图;基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型;再基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型,并根据所述目标兴趣点推荐模型对待推荐用户进行兴趣点推荐。因此引入图嵌入技术,将用户对兴趣点的忠诚度作为出发点,以构建不同影响因子对应的忠诚度模型的形式分别嵌入图中,不仅包含显式交互,还引入了隐式关联,使能更全面地理解用户和兴趣点之间的相互作用,可提高兴趣点推荐的准确性和个性化程度。
优选地,在本申请另外的实施例中,所述地理信息忠诚度模型为:
;
式中,为兴趣点集合中的元素;/>为用户u的忠诚点集合/>中的元素;/>为用户u每个活动区域的自适应带宽,计算公式为/>表示地理空间中的欧几里得距离;/>为每个用户中心的加权平均值;/>为每个用户中心的权重由对应活动范围的总频率确定的归一化公式;
所述时间信息忠诚度模型的公式如下:
;
式中,为兴趣点/>的前k个相似兴趣点的序列;/>为用户u的签到序列;/>为用户u对所有兴趣点的前k个相似兴趣点的交集最大值;
所述社交关系信息忠诚度模型的公式如下:
式中,为叠加上忠诚度的直接朋友相似度;/>为直接朋友相似度;/>为用户u的直接朋友集合;/>为用户u的间接朋友集合;/>为直接朋友边的权重;/>为间接朋友边的权重。
具体地,本实施例中,
1、对于地理信息忠诚度模型。
用户的活动范围是决定用户是否远行的关键因素。在设计中,有两种类型的地理距离被考虑用于捕获地理影响。( 1 )用户中心-兴趣点:用户中心(用户中心是用户活动范围的圆心点,也可以包括用户的工作地点等)与兴趣点之间的地理距离。考虑的原因是距离限制了用户的签到活动范围。( 2 ) 已访问兴趣点-兴趣点:用户访问过的兴趣点和所有兴趣点之间的距离。其原因是用户对喜欢(即兴趣点之间的地理集聚现象或地理邻近性)的兴趣点附近的兴趣点非常感兴趣,即使它离家很远。(3)忠诚点-兴趣点。用户的忠诚点(用户忠诚点是在用户活动范围之外的高频访问过的兴趣点)和所有兴趣点之间的距离。用户活动范围通常较小,并且一些兴趣点可能超出了这个范围。对于那些频率较高的超出范围的兴趣点,用户在附近生成签入活动时表现出忠诚度。这意味着用户不太可能访问靠近忠诚点的新兴趣点。用户的忠诚点会对朋友(相似用户)的访问产生影响,即用户的忠诚点和朋友的忠诚点经常同时出现,表明他们的地理位置接近。预测的兴趣点与朋友的忠诚点越接近,被访问的机会就越高。鉴于上述地理性质,设计了一个个性化的高斯核模型( Gaussiankernel model,GKM ),通过捕捉两种距离的相互作用来估计统一的概率分布。
创建用户中心。用户u的中心向量表示为,其中每个用户中心是一个元组/>,包含用户ID,中心ID,中心经度和纬度以及包含的所有兴趣点。每个用户中心的权重由对应活动范围的总频率确定,并归一化表示为:
;
其中,表示为用户u在第i个活动范围中的访问次数。接着,计算用户中心和所有兴趣点之间的距离,公式为:
;
其中,表示用户中心;/>和待预测兴趣点/>的欧几里的距离。
创建用户忠诚点。为了确定合适的忠诚点,建立一个最小频率标准,即一个忠诚点应该被单个用户访问。频率低于此阈值的兴趣点将被忽略。用户及其朋友的忠诚点相互影响。兴趣点与用户朋友的忠诚点之间的平均距离越近,用户访问这个兴趣点的可能性就越高。定义为用户u的忠诚点集合。
最后计算忠诚点和所有兴趣点之间的距离,形成地理信息忠诚度模型。
2、对于社交关系信息忠诚度模型。
LBSNs 中同时存在显式交互和隐式关联,显式交互由直观收集到的签到序列和社交关系等交互反映,隐式关联无法直接观察到,例如每个用户签到向量之间的相似度间接反映了用户的相似性,即相似的用户具有隐式的社交关系,每个兴趣点的被签到频率向量之间的相似度间接反映了兴趣点的相似性,即兴趣点之间的相关性体现。用户的忠诚度不仅会受显式交互的影响,例如,还会受到隐式关联的影响,例如。不同于现有工作只专注于显式交互,本设计创新性地引入图嵌入的概念来包含隐式关联。根据信息交互特点,本发明结合显式交互和隐式关联将LBSNs建模,调和显式信息和隐式相似性,进而为用户提供个性化兴趣点推荐。
将朋友分为两种类型:每个用户都有若干个朋友关系,可以分为直接朋友和间接朋友/>,直接朋友即上下文信息中直接给的两两用户之间的社交关系,间接朋友指具有共同的签到兴趣点,等同于用户的签到序列的相似程度。最初,原始数据包括直接友谊,实际上,用户的朋友在影响其访问的地方方面具有不同程度的影响,这些不同的程度产生了用户对每个朋友的忠诚度。如果用户和朋友之间的签到高度重叠(例如,前n个高频的兴趣点签到),这表明用户对该兴趣点的忠诚度不高。换句话说,用户与相似的用户更密切相关,并且更有可能访问由相似用户频繁访问的兴趣点,而不是具有较高忠诚度的用户。利用签到数据/>,为每个直接朋友选择前k个高频兴趣点 />,计算它们的相互作用程度。设/>为用户u的直接朋友集合,使用Tanimoto相似度,其公式可以表示为:
;
其中表示目标用户u的前k个高频访问兴趣点的序列。因此,直接朋友之间的差异可以计算为:
;
其次,间接朋友边表示那些没有社交关系但具有相似签到模式的人。为了计算间接朋友的差异,为每个用户创建了一个个人资料,其形式如下:
;
其中, 表示用户签到次数频率,标准化公式为:
;
再构建用户个人资料的矩阵 。为了计算两个用户之间的相似性,这些资料展示了相似的签到模式,设/>为用户u的间接朋友集合,使用余弦相似性计算间接朋友的相似性。/>可以表示为:
;
更具体地,对于用户u,直接朋友边的权重为,而间接朋友边的权重为/>,因此基于加权方法,得到社交关系信息忠诚度模型。
3、对于时间信息忠诚度模型。
从签到流量分布的角度来考虑,在每一周内大部分用户的日程安排往往保持稳定,同时,在每一周内大部分兴趣点的被访问流量分布往往也保持稳定,观察到在每一周内,大多数用户的日常行程往往呈现出一定的稳定性。同时,同样在每一周内,兴趣点的被访问流量分布也倾向于保持相对的稳定性。这意味着用户在不同时间段内,通常会有固定的签到模式,可能是因为他们在特定的时间和日期内有固定的工作、学习或娱乐活动。类似地,兴趣点在不同时间段内也会经历相似的被访问模式,因为某些地点在某一时间段可能更受欢迎,而在其他时间段则相对冷清。通过观察和分析这种签到流量分布的稳定性,可以建立时间信息方面的忠诚度模型。
用户相似度建模。将带有时间戳的每个用户签到序列按一周168个小时划分,生成168个维度的签到序列,这个相似度评估了用户在不同时间段内的行为模式相似程度,即用户之间的时间相似度。
兴趣点相似度建模。将每一个兴趣点被签到频率按一周168小时划分为168个维度向量,即168个嵌入向量,每个向量表示每周的该时在此兴趣点签到的概率。计算不同兴趣点嵌入向量之间的相似度,以评估兴趣点在时间维度上的相似程度。
;
;
因此,这两个向量之间的语义相似性表示了用户签到模式与兴趣点签到模式之间的相似程度。
忠诚度建模。在考虑用户相似度和兴趣点相似度的基础上,进行忠诚度建模。它综合了用户在不同时间段的行为相似度和兴趣点在时间维度上的相似度,以计算用户对特定兴趣点的忠诚度。这个步骤有助于了解用户在不同时间段对某一兴趣点的偏好程度,即用户是否在某个时间段更倾向于选择特定的兴趣点。为了计算用户时间感知相似性的差异,我们考虑了目标兴趣点的前k个高相似性兴趣点 ,并计算用户u访问/>的前k个相似兴趣点的比例,得到时间信息忠诚度模型。
优选地,在本申请另外的实施例中,同时参见图2所示,各忠诚度图包括:地理忠诚度图、时间忠诚度图及社交忠诚度图;
所述原始图为;
所述地理忠诚度图为:;
所述时间忠诚度图为:;
所述社交忠诚度图为:。
具体地,本实施例中,原始数据集中数据包含一系列记录,包括用户U、位置L 和签到C。令 表示用户集合,其中每个用户/>都在一组兴趣点/>上签到。令/>表示兴趣点集合,其中,m和n分别是用户数和兴趣点数。每个签到操作/>表示用户/>在时间t访问了兴趣点 />。每个兴趣点/>关联着一个位置/>,表示其经度和纬度。
代表基于位置的社交网络(LBSNs)。节点U表示来自的用户,L表示来自/>的兴趣点。边/>表示社交关系,社交关系的权重用/>表示。所有社交关系被视为正样本,它们的权重均被分配为1;相反,负样本的权重被分配为 0。边表示用户对兴趣点的访问,权重由/>表示,表示用户对特定兴趣点的访问次数。所有边都被视为无向的。
进一步的,将基于地理、社交和时间信息忠诚度模型分别嵌入图中。在融合三种信息的忠诚度后变为/>,表示地理信息中的忠诚点集合,且基于忠诚度的地理推荐模型通过个性化的高斯核模型计算得出。/>分别表示图中的直接朋友边和间接朋友边,直接朋友之间一般是相连接的,相似的用户相连接表示为间接朋友的边。/>分别表示图中的用户时间序列相似度边和兴趣点时间序列相似度边,如果相似度大于0,则表示两个节点连接。
图嵌入是一种学习网络特征的无监督学习方法,其中心思想是将网络中的每个节点转换为低维度的稠密向量,并且能够保持原有网络的相关结构和特征。LBSNs 中存在多种类型的上下文信息和复杂交互,图结构在捕捉多类型对象的复杂关系上有明显优势,因此通过将基于位置的社交网络建模为图。
在应用于兴趣点推荐时将LBSNs中的对象,例如用户、兴趣点、时间等因素看作图中的节点,用户的签到和社交等交互看作图中的边,根据节点和边构建多种不同类型的网络,之后采用图嵌入技术获得每个节点的嵌入向量,生成用户-用户社交关系图、用户-用户相似度矩阵图、用户-兴趣点访问记录图、兴趣点-兴趣点相似度矩阵图等多个图,可以分别嵌入忠诚度模型中。这些嵌入向量保存了LBSNs中的交互信息,从而实现个性化兴趣点推荐。
优选地,在本申请另外的实施例中,所述基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型步骤,具体包括以下步骤:
各忠诚度图包括:地理忠诚度图、时间忠诚度图及社交忠诚度图;
基于高斯核模型计算得到所述地理忠诚度图在地理影响因子下对应的地理信息兴趣点推荐模型;
基于个性化页面排序方法计算得到所述时间忠诚度图在时间影响因子下对应的时间信息兴趣点推荐模型;
基于个性化页面排序方法计算得到所述社交忠诚度图在时间影响因子下对应的社交信息兴趣点推荐模型。
具体地,本实施例中,
对于地理信息兴趣点推荐模型,个性化的高斯核模型来建模忠诚度,捕捉两种距离的相互作用来估计统一的概率分布。高斯核函数是高斯核模型的关键组成部分,它可以用来度量两个数据点之间的相似度。高斯核函数的公式如下:
;
其中,K表示核函数,X和分别是两个数据点,/>是高斯核函数的带宽参数。这个核函数将数据点映射到一个高维空间中,其中相似的数据点在这个空间中更接近,而不相似的数据点更远。
因此通过个性化高斯核模型构建关于地理信息的兴趣点推荐模型。由于用户更有可能访问靠近之前访问过的兴趣点的地点,这表明在兴趣点推荐中起着主导作用。因此,应考虑已访问兴趣点和兴趣点之间的距离,如下所示:
;
其中,表示用户u访问过的兴趣点,/>表示所有兴趣点集合中的兴趣点,/>表示归一化常数。因此可得到地理信息兴趣点推荐模型如下:
。
S1中的三个d都是高斯核函数的变体,将三个距离融合在一起就是个性化的核模型,所以S1也是个性化高斯核模型。
对于时间信息兴趣点推荐模型及社交信息兴趣点推荐模型。使用个性化页面排序( PPR )方法计算反映图中各个相连的节点,节点j与所有节点i接近程度,并用表示。那么,结合社交信息和时间信息的相似度和忠诚度模型,可分别得出时间信息兴趣点推荐模型及社交信息兴趣点推荐模型如下:
式中,为在社交信息层面与用户u相连的用户节点;/>为用户/>对兴趣点/>的访问频率;/>为社交关系信息忠诚度模型;
。
式中,为平衡相似度的参数;/>为用户/>对兴趣点/>的访问频率;/>为用户u对兴趣点/>的访问频率;/>为在时间信息层面与用户u相连的用户节点;/>为在时间信息层面与兴趣点/>相连的兴趣点节点;/>为用户节点之间的相似度;为兴趣点节点之间的相似度。
优选地,在本申请另外的实施例中,基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型步骤,具体包括以下步骤:
兴趣点推荐模型包括:地理信息兴趣点推荐模型、时间信息兴趣点推荐模型及社交信息兴趣点推荐模型;
基于多项式融合方法融合所述地理信息推荐模型S1、所述社交信息推荐模型S2及所述时间信息推荐模型S3,得到目标兴趣点推荐模型如下:
;
式中,λ1、λ2、λ3、λ12、λ13、λ23、λ123为多项式回归的系数,且均∈(0,1)。
同时参见图3所示,本发明实施例还提供了一种基于图嵌入的上下文忠诚度融合的兴趣点推荐***,包括:
数据预处理模块,用于获取LBSNs的用户签到数据及用户社交关系数据,并基于图嵌入方法将所述LBSNs建模为原始图;
忠诚度模型构建模块,与所述数据预处理模块通信连接,用于根据所述用户签到数据及所述用户社交关系数据,基于相似用户对相似兴趣点的不同访问模式、同一用户对相似兴趣点的不同访问模式及相似用户对同一兴趣点的不同访问模式,构建不同影响因子对应的忠诚度模型;
嵌入图模块,与所述忠诚度模型构建模块及所述数据预处理模块通信连接,用于基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至所述原始图中,得到对应的各忠诚度图;
推荐模块,与所述嵌入图模块通信连接,用于基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型;以及,
融合模块,与所述推荐模块通信连接,用于基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型,并根据所述目标兴趣点推荐模型对待推荐用户进行兴趣点推荐。
因此,本发明为了区分相似用户不同的行为模式和相似兴趣点不同的访问模式,设计个性化的高斯核模型和个性化页面排序算法构建地理信息、时间信息和社交关系信息兴趣点推荐模型。引入图嵌入技术,将用户对兴趣点的忠诚度作为出发点,分解不同上下文信息的影响,以创建忠诚度矩阵的形式分别嵌入图中。此外,本发明还提出了多项式回归方法用于融合各模型,从而提高兴趣点推荐性能。因此在不同的基于位置的社交平台中具有广泛的应用前景,提高了兴趣点推荐的效率和效果,为用户提供更好的推荐体验。
具体的,本实施例与上述方法实施例一一对应,各个模块的功能在相应的方法实施例中已经进行详细说明,因此不再一一赘述。
基于同一发明构思,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的所有方法步骤或部分方法步骤。
本发明实现上述方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
基于同一发明构思,本申请实施例还提供一种电子设备,包括存储器和处理器,存储器上储存有在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法中的所有方法步骤或部分方法步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(例如声音播放功能、图像播放功能等);存储数据区可存储根据手机的使用所创建的数据(例如音频数据、视频数据等)。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、服务器或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、服务器和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种基于图嵌入的上下文忠诚度融合的兴趣点推荐方法,其特征在于,包括以下步骤:
获取LBSNs的用户签到数据及用户社交关系数据,并基于图嵌入方法将所述LBSNs建模为原始图;
根据所述用户签到数据及所述用户社交关系数据,基于相似用户对相似兴趣点的不同访问模式、同一用户对相似兴趣点的不同访问模式及相似用户对同一兴趣点的不同访问模式,构建不同影响因子对应的忠诚度模型;
基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至所述原始图中,得到对应的各忠诚度图;
基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型;
基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型,并根据所述目标兴趣点推荐模型对待推荐用户进行兴趣点推荐;
所述不同影响因子对应的忠诚度模型包括:地理信息忠诚度模型、时间信息忠诚度模型及社交关系信息忠诚度模型;
所述地理信息忠诚度模型为:
;
式中,为兴趣点集合中的元素;/>为用户u的忠诚点集合/>中的元素;/>为用户u每个活动区域的自适应带宽;/>为每个用户中心的加权平均值;/>为每个用户中心的权重由对应活动范围的总频率确定的归一化公式;
所述时间信息忠诚度模型为:
;
式中,为兴趣点/>的前k个相似兴趣点的序列;/>为用户u的签到序列;/>为用户u对所有兴趣点的前k个相似兴趣点的交集最大值;
所述社交关系信息忠诚度模型为如下:
;
式中,为叠加上忠诚度的直接朋友相似度;/>为直接朋友相似度;/>为用户u的直接朋友集合;/>为用户u的间接朋友集合;/>为直接朋友边的权重;/>为间接朋友边的权重;
所述基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型步骤,具体包括以下步骤:
各忠诚度图包括:地理忠诚度图、时间忠诚度图及社交忠诚度图;
基于高斯核模型计算得到所述地理忠诚度图在地理影响因子下对应的地理信息兴趣点推荐模型;
基于个性化页面排序方法计算得到所述时间忠诚度图在时间影响因子下对应的时间信息兴趣点推荐模型;
基于个性化页面排序方法计算得到所述社交忠诚度图在时间影响因子下对应的社交信息兴趣点推荐模型;
所述地理信息兴趣点推荐模型为:
;
式中,为已访问兴趣点和所有兴趣点的距离;/>为忠诚点和所有兴趣点之间的距离;/>为忠诚点对推荐模型的影响程度参数;/>为每个用户中心和兴趣点之间的签到距离成本;
所述社交信息兴趣点推荐模型为:
;
式中,为在社交信息层面与用户u相连的用户节点;/>为用户/>对兴趣点/>的访问频率;/>为社交关系信息忠诚度模型;
所述时间信息兴趣点推荐模型为:
;
式中,为平衡相似度的参数;/>为用户/>对兴趣点/>的访问频率;/>为用户u对兴趣点/>的访问频率;/>为在时间信息层面与用户u相连的用户节点;/>为在时间信息层面与兴趣点/>相连的兴趣点节点;/>为用户节点之间的相似度;为兴趣点节点之间的相似度。
2.如权利要求1所述的基于图嵌入的上下文忠诚度融合的兴趣点推荐方法,其特征在于,各忠诚度图包括:地理忠诚度图、时间忠诚度图及社交忠诚度图;
所述原始图为;
所述地理忠诚度图为: ;
所述时间忠诚度图为: ;
所述社交忠诚度图为:;
式中,U为用户集合;L为兴趣点集合;边 为社交关系;边/> 为用户对兴趣点的访问;/>为地理信息中的忠诚点集合;/>分别为图中的用户时间序列相似度边及兴趣点时间序列相似度边;/>分别为图中的直接朋友边及间接朋友边。
3.如权利要求1所述的基于图嵌入的上下文忠诚度融合的兴趣点推荐方法,其特征在于,基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型步骤,具体包括以下步骤:
兴趣点推荐模型包括:地理信息兴趣点推荐模型、时间信息兴趣点推荐模型及社交信息兴趣点推荐模型;
基于多项式融合方法融合所述地理信息推荐模型S1、所述社交信息推荐模型S2及所述时间信息推荐模型S3,得到目标兴趣点推荐模型如下:
;
式中,λ1、λ2、λ3、λ12、λ13、λ23、λ123为多项式回归的系数,且均∈(0,1)。
4.一种基于图嵌入的上下文忠诚度融合的兴趣点推荐***,其特征在于,包括:
数据预处理模块,用于获取LBSNs的用户签到数据及用户社交关系数据,并基于图嵌入方法将所述LBSNs建模为原始图;
忠诚度模型构建模块,与所述数据预处理模块通信连接,用于根据所述用户签到数据及所述用户社交关系数据,基于相似用户对相似兴趣点的不同访问模式、同一用户对相似兴趣点的不同访问模式及相似用户对同一兴趣点的不同访问模式,构建不同影响因子对应的忠诚度模型;
嵌入图模块,与所述忠诚度模型构建模块及所述数据预处理模块通信连接,用于基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至所述原始图中,得到对应的各忠诚度图;
推荐模块,与所述嵌入图模块通信连接,用于基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型;以及,
融合模块,与所述推荐模块通信连接,用于基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型,并根据所述目标兴趣点推荐模型对待推荐用户进行兴趣点推荐;
所述不同影响因子对应的忠诚度模型包括:地理信息忠诚度模型、时间信息忠诚度模型及社交关系信息忠诚度模型;
所述地理信息忠诚度模型为:
;
式中,为兴趣点集合中的元素;/>为用户u的忠诚点集合/>中的元素;/>为用户u每个活动区域的自适应带宽;/>为每个用户中心的加权平均值;/>为每个用户中心的权重由对应活动范围的总频率确定的归一化公式;
所述时间信息忠诚度模型为:
;
式中,为兴趣点/>的前k个相似兴趣点的序列;/>为用户u的签到序列;/>为用户u对所有兴趣点的前k个相似兴趣点的交集最大值;
所述社交关系信息忠诚度模型为如下:
;
式中,为叠加上忠诚度的直接朋友相似度;/>为直接朋友相似度;/>为用户u的直接朋友集合;/>为用户u的间接朋友集合;/>为直接朋友边的权重;/>为间接朋友边的权重;
所述基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型步骤,具体包括以下步骤:
各忠诚度图包括:地理忠诚度图、时间忠诚度图及社交忠诚度图;
基于高斯核模型计算得到所述地理忠诚度图在地理影响因子下对应的地理信息兴趣点推荐模型;
基于个性化页面排序方法计算得到所述时间忠诚度图在时间影响因子下对应的时间信息兴趣点推荐模型;
基于个性化页面排序方法计算得到所述社交忠诚度图在时间影响因子下对应的社交信息兴趣点推荐模型;
所述地理信息兴趣点推荐模型为:
;
式中,为已访问兴趣点和所有兴趣点的距离;/>为忠诚点和所有兴趣点之间的距离;/>为忠诚点对推荐模型的影响程度参数;/>为每个用户中心和兴趣点之间的签到距离成本;
所述社交信息兴趣点推荐模型为:
;
式中,为在社交信息层面与用户u相连的用户节点;/>为用户/>对兴趣点/>的访问频率;/>为社交关系信息忠诚度模型;
所述时间信息兴趣点推荐模型为:
;
式中,为平衡相似度的参数;/>为用户/>对兴趣点/>的访问频率;/>为用户u对兴趣点/>的访问频率;/>为在时间信息层面与用户u相连的用户节点;/>为在时间信息层面与兴趣点/>相连的兴趣点节点;/>为用户节点之间的相似度;为兴趣点节点之间的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410080547.0A CN117591751B (zh) | 2024-01-19 | 2024-01-19 | 基于图嵌入的上下文忠诚度融合的兴趣点推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410080547.0A CN117591751B (zh) | 2024-01-19 | 2024-01-19 | 基于图嵌入的上下文忠诚度融合的兴趣点推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117591751A CN117591751A (zh) | 2024-02-23 |
CN117591751B true CN117591751B (zh) | 2024-04-26 |
Family
ID=89910280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410080547.0A Active CN117591751B (zh) | 2024-01-19 | 2024-01-19 | 基于图嵌入的上下文忠诚度融合的兴趣点推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117591751B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020178A (zh) * | 2017-12-30 | 2019-07-16 | ***通信集团辽宁有限公司 | 兴趣点识别方法、装置、设备及存储介质 |
CN110119475A (zh) * | 2019-01-29 | 2019-08-13 | 成都信息工程大学 | 一种poi推荐方法及推荐*** |
CN112084427A (zh) * | 2020-09-15 | 2020-12-15 | 辽宁工程技术大学 | 一种基于图神经网络的兴趣点推荐方法 |
CN112380426A (zh) * | 2020-10-23 | 2021-02-19 | 南京邮电大学 | 一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法、*** |
CN114065024A (zh) * | 2021-11-05 | 2022-02-18 | 浙江工业大学 | 基于用户个性化生活模式的poi推荐方法 |
CN114282120A (zh) * | 2021-12-06 | 2022-04-05 | 中电万维信息技术有限责任公司 | 融合多维关系的图嵌入兴趣点推荐算法 |
CN115774819A (zh) * | 2023-02-10 | 2023-03-10 | 湖北省楚天云有限公司 | 一种基于层次循环神经网络的兴趣点推荐方法及*** |
CN116503588A (zh) * | 2023-04-24 | 2023-07-28 | 浙江大学 | 一种基于多元关系时空网络的poi推荐方法,装置及设备 |
CN116842260A (zh) * | 2023-07-07 | 2023-10-03 | 天津大学 | 一种基于图神经网络多空间交互建模的知识增强推荐方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3901884A1 (en) * | 2020-04-24 | 2021-10-27 | Naver Corporation | Object recommendation using ambient mindsets |
US20230085500A1 (en) * | 2021-09-10 | 2023-03-16 | Here Global B.V. | Method, apparatus, and computer program product for point-of-interest recommendations |
-
2024
- 2024-01-19 CN CN202410080547.0A patent/CN117591751B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020178A (zh) * | 2017-12-30 | 2019-07-16 | ***通信集团辽宁有限公司 | 兴趣点识别方法、装置、设备及存储介质 |
CN110119475A (zh) * | 2019-01-29 | 2019-08-13 | 成都信息工程大学 | 一种poi推荐方法及推荐*** |
CN112084427A (zh) * | 2020-09-15 | 2020-12-15 | 辽宁工程技术大学 | 一种基于图神经网络的兴趣点推荐方法 |
CN112380426A (zh) * | 2020-10-23 | 2021-02-19 | 南京邮电大学 | 一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法、*** |
CN114065024A (zh) * | 2021-11-05 | 2022-02-18 | 浙江工业大学 | 基于用户个性化生活模式的poi推荐方法 |
CN114282120A (zh) * | 2021-12-06 | 2022-04-05 | 中电万维信息技术有限责任公司 | 融合多维关系的图嵌入兴趣点推荐算法 |
CN115774819A (zh) * | 2023-02-10 | 2023-03-10 | 湖北省楚天云有限公司 | 一种基于层次循环神经网络的兴趣点推荐方法及*** |
CN116503588A (zh) * | 2023-04-24 | 2023-07-28 | 浙江大学 | 一种基于多元关系时空网络的poi推荐方法,装置及设备 |
CN116842260A (zh) * | 2023-07-07 | 2023-10-03 | 天津大学 | 一种基于图神经网络多空间交互建模的知识增强推荐方法 |
Non-Patent Citations (3)
Title |
---|
一种基于多类型情景信息的兴趣点推荐模型;胡德敏;杨晨;;计算机应用研究;20170614(第06期);全文 * |
电子商务网站中推荐***与顾客忠诚度的影响研究;欧阳金桔;朱未萍;;现代商业;20160328(第09期);全文 * |
话题-位置-类别感知的兴趣点推荐;马理博;秦小麟;;计算机科学;20200915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117591751A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Point-of-interest recommendations: Learning potential check-ins from friends | |
Ravi et al. | A collaborative location based travel recommendation system through enhanced rating prediction for the group of users | |
Xiao et al. | Inferring social ties between users with human location history | |
US20220365939A1 (en) | Methods and systems for client side search ranking improvements | |
CN105532030B (zh) | 用于分析目标实体的移动的装置、***和方法 | |
CA2869670C (en) | Evaluating claims in a social networking system | |
CN110223186B (zh) | 用户相似度确定方法以及信息推荐方法 | |
KR101955297B1 (ko) | 데이터 정보 거래 방법 및 시스템 | |
Xie et al. | Location sharing privacy preference: analysis and personalized recommendation | |
US20130097246A1 (en) | Multilocal implicit social networking | |
CN110334293B (zh) | 面向位置社交网络的基于模糊聚类的具有时间感知的位置推荐方法 | |
Ying et al. | A temporal-aware POI recommendation system using context-aware tensor decomposition and weighted HITS | |
Li et al. | Next and next new POI recommendation via latent behavior pattern inference | |
Guo et al. | Location perspective-based neighborhood-aware POI recommendation in location-based social networks | |
Liu et al. | Mix geographical information into local collaborative ranking for POI recommendation | |
CN111680228B (zh) | 基于地理位置融合和类别流行度的兴趣点推荐方法 | |
CN110874437B (zh) | 一种基于多重兴趣点对排序的个性化兴趣点推荐方法 | |
CN115774819B (zh) | 一种基于层次循环神经网络的兴趣点推荐方法及*** | |
Gu et al. | Context aware matrix factorization for event recommendation in event-based social networks | |
CN111104607A (zh) | 基于签到数据的地点推荐方法及装置 | |
Liu et al. | Personalised context-aware re-ranking in recommender system | |
CN111475744A (zh) | 一种基于集成学习的个性化位置推荐方法 | |
Zammali et al. | How to select and weight context dimensions conditions for context-aware recommendation? | |
Gu et al. | CAMF: context aware matrix factorization for social recommendation | |
Tu et al. | Activity recommendation with partners |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |