一种基于多信息融合的兴趣点推荐模型

肖 嵩,袁景凌,盛德明,胡恒德

(武汉理工大学 计算机科学与技术学院,武汉 430070)

1 引 言

随着智能手机功能的日益强大,人们可以很方便的在社交网络上交流自己的想法,分享自己的生活.基于位置的社交网络(Location-based social network,LBSN)应运而生,以Yelp、Foursquare、Facebook为代表的LBSN采集了大量的数据,包括用户的签到信息、兴趣点的地理信息、对兴趣点的评论等信息.用户也更愿意在LBSN上分享自己的生活,发现更多有相同兴趣的用户和新的兴趣点.近年来,随着LBSN研究的深入,给推荐系统领域带来了巨大的收益.

由于LBSN的迅速发展,使得大规模LBSN异构数据急剧增加,并且极度稀疏.因此如何克服数据稀疏性,以及如何融合多种数据类型来提高推荐性能具有挑战性.对于签到信息,本文需要考虑用户与POI之间的显式和隐式关系.对于序列信息,本文需要考虑用户和POI之间的时序关系.对于地理信息,本文需要考虑用户与POI之间的距离.而且在签到信息以及社交信息极度稀疏的情况下,签到信息和社交信息对于兴趣点推荐结果的影响并不大.

针对上述问题,本文使用二分网络嵌入来学习签到信息并解决稀疏性问题.为了进一步提高POI推荐的准确性,我们从签到数据中提取用户的签入序列模式,并使用Glove算法训练序列.然后,基于上述内容,本文可以整合签到信息和序列信息.最后本文使用贝叶斯算法处理LBSN中的地理信息,并提出BiGloGeoRec模型来融合这些异质信息.本文的主要贡献如下:

1)本文提出了一种……