论文部分内容阅读
随着智能设备的普及，GPS和Web2.0技术的发展，能够基于位置提供服务的应用程序应运而生。基于位置的社交网络（Location-based Social Network,LBSN）也变得流行起来，用户可以轻松地访问LBSN应用程序，并在自己感兴趣的兴趣点（PointofInterest,POI）留下足迹，比如用户感兴趣的餐厅、酒店、剧院等。然而，随着城市的发展，人们生活的物理边界不断被拓宽，大量的兴趣点被开发，“去哪里”变成了一个严重困扰用户的大问题。个性化POI推荐的出现，帮助用户过滤掉不感兴趣的兴趣点，减少决策时间，以提高用户的体验。
不同于Netflix中的电影推荐，交友网站中的好友推荐，网上购物中的商品推荐，LBSN中的兴趣点推荐由于人移动的随机性，LBSN中数据的稀疏性、异构性等问题，使得兴趣点推荐具有独特的挑战性。许多学者通过利用LBSN中的好友信息、地理位置信息、签到序列信息、时间信息等来提高兴趣点推荐系统的性能，但是能综合利用多种信息来改进推荐系统性能的方法还比较少。
为了应对上述问题，本文提出了一种多信息嵌入和位置信息融合的兴趣点推荐算法。通过利用用户好友信息、兴趣点标签信息、用户签到序列信息、地理位置信息来建立一个统一的模型EmbGeoRec进行个性化POI推荐。本文主要研究工作如下：
（1）提出了一种基于LINE算法的图嵌入推荐算法LineRec。通过用户签到数据，用户好友数据，兴趣点的标签数据，建立三部图，即用户-好友-兴趣点图、用户-兴趣点-标签图。通过图嵌入算法LineRec，对三部图（用户-好友-兴趣点，用户-兴趣点-标签）进行训练，整合用户好友信息和兴趣点标签信息，得到用户对兴趣点的个人兴趣和社交兴趣评分。通过实验，得到算法的最佳参数设定。
（2）提出了一种多信息嵌入的联合推荐算法EmbRec。针对用户的签到信息，以及同一用户在两个连续签到的兴趣点签到的时间间隔△t，得到用户的签到序列。设计了一种基于word2vec算法的序列嵌入推荐算法SeqRec，通过序列嵌入算法，得到用户签到序列中的上下文信息，获取用户的签到规律。进而结合（1）中的图嵌入推荐算法LineRec，提出了一种多信息嵌入的联合推荐算法EmbRec进行兴趣点推荐。
（3）通过（2）中提出的联合嵌入算法EmbRec整合用户好友信息、兴趣点标签信息、用户签到序列信息，继而添加地理位置信息来建模，充分挖掘用户的个人喜好。具体来说，通过图嵌入算法LineRec，对三部图（用户-好友-兴趣点，用户-兴趣点-标签）进行训练，整合用户好友信息和兴趣点标签信息，得到用户对兴趣点的个人兴趣和社交兴趣评分。通过序列嵌入算法SeqRec，对用户的签到序列进行训练，整合用户的签到序列信息，得到用户的签到规律。另外，用户与兴趣点之间的距离也是相当重要的，通过Naive Bayesian算法，整合地理位置信息，得到用户在某个兴趣点签到的概率，并进行打分。最后建立一个统一的模型EmbGeoRec进行个性化POI推荐。通过在两种公开的真实数据集上进行实验，结果表明，本文提出的多信息嵌入和位置信息融合的兴趣点推荐算法EmbGeoRec与其他比较流行的兴趣点推荐算法相比，具有更好的推荐效果。
不同于Netflix中的电影推荐，交友网站中的好友推荐，网上购物中的商品推荐，LBSN中的兴趣点推荐由于人移动的随机性，LBSN中数据的稀疏性、异构性等问题，使得兴趣点推荐具有独特的挑战性。许多学者通过利用LBSN中的好友信息、地理位置信息、签到序列信息、时间信息等来提高兴趣点推荐系统的性能，但是能综合利用多种信息来改进推荐系统性能的方法还比较少。
为了应对上述问题，本文提出了一种多信息嵌入和位置信息融合的兴趣点推荐算法。通过利用用户好友信息、兴趣点标签信息、用户签到序列信息、地理位置信息来建立一个统一的模型EmbGeoRec进行个性化POI推荐。本文主要研究工作如下：
（1）提出了一种基于LINE算法的图嵌入推荐算法LineRec。通过用户签到数据，用户好友数据，兴趣点的标签数据，建立三部图，即用户-好友-兴趣点图、用户-兴趣点-标签图。通过图嵌入算法LineRec，对三部图（用户-好友-兴趣点，用户-兴趣点-标签）进行训练，整合用户好友信息和兴趣点标签信息，得到用户对兴趣点的个人兴趣和社交兴趣评分。通过实验，得到算法的最佳参数设定。
（2）提出了一种多信息嵌入的联合推荐算法EmbRec。针对用户的签到信息，以及同一用户在两个连续签到的兴趣点签到的时间间隔△t，得到用户的签到序列。设计了一种基于word2vec算法的序列嵌入推荐算法SeqRec，通过序列嵌入算法，得到用户签到序列中的上下文信息，获取用户的签到规律。进而结合（1）中的图嵌入推荐算法LineRec，提出了一种多信息嵌入的联合推荐算法EmbRec进行兴趣点推荐。
（3）通过（2）中提出的联合嵌入算法EmbRec整合用户好友信息、兴趣点标签信息、用户签到序列信息，继而添加地理位置信息来建模，充分挖掘用户的个人喜好。具体来说，通过图嵌入算法LineRec，对三部图（用户-好友-兴趣点，用户-兴趣点-标签）进行训练，整合用户好友信息和兴趣点标签信息，得到用户对兴趣点的个人兴趣和社交兴趣评分。通过序列嵌入算法SeqRec，对用户的签到序列进行训练，整合用户的签到序列信息，得到用户的签到规律。另外，用户与兴趣点之间的距离也是相当重要的，通过Naive Bayesian算法，整合地理位置信息，得到用户在某个兴趣点签到的概率，并进行打分。最后建立一个统一的模型EmbGeoRec进行个性化POI推荐。通过在两种公开的真实数据集上进行实验，结果表明，本文提出的多信息嵌入和位置信息融合的兴趣点推荐算法EmbGeoRec与其他比较流行的兴趣点推荐算法相比，具有更好的推荐效果。