基于深度神经网络的地理兴趣点推荐模型研究

发布时间：2020-03-30 21:03

【摘要】：互联网经过了几十年的蓬勃发展,基于位置的社交网络(Location-based Social Network,LBSN)已逐渐深入到每个人的生活中,针对用户进行个性化的兴趣点(Point-of-Interest,POI)推荐研究也就变得愈来愈重要。通过学习用户对兴趣点的真实偏好来为用户推荐其感兴趣的兴趣点,不仅可以使用户获得便利,还可以为商家带来巨大的经济效益。在基于位置的社交网络中,用户会对自己喜欢的兴趣点进行签到并产生额外的信息,因此,将这些相关的信息融入兴趣点推荐是提升推荐效果的关键。然而,以往的方法在对用户进行新兴趣点推荐时大多忽略了好友对用户的影响力,基于好友的协同过滤也没有考虑到用户的自身偏好。针对地理兴趣点的Top-N推荐问题,提出了一个基于深度神经网络的混合推荐模型——FSNR。该模型融合了用户的历史签到记录、用户的社交关系、兴趣点的地理位置等信息,从三个方面学习好友的影响力并建模用户对兴趣点的潜在偏好。具体而言,FSNR模型首先利用深度神经网络技术和潜在因子模型建模复杂的用户交互,从隐式反馈中学习到用户和兴趣点的潜在表示。然后利用用户的社交关系和用户的活动地理信息来学习用户与好友的三种相似信息:签到相似性、社交相似性和位置相似性,并且根据用户相似度对用户的决策产生影响。最后,将用户对兴趣点的偏好分数和其好友的建议分数进行混合得出兴趣点的最终推荐分数,选出前N个分数最高的兴趣点推荐给用户。在三个真实的数据集上的实验将FSNR模型与其他的优秀方法进行准确率和召回率的对比,并且分析了模型内部参数对模型推荐效果的影响。实验结果表明,FSNR模型具有更好的推荐效果。
【图文】：

示例,推荐系统,社交,首页

推荐系统作为一种提取有效信息的方法，，可以结合用户或物品的特征以及用户与物品间的历史交互记录，模拟出用户与物品之间的潜在关系，然后针对不同用户的需求和喜好在大量可能的选择中个性化地推荐给用户书籍、音乐、视频、商品等项目，现如今已经在学术界和工业界取得了许多成功的应用。譬如 Google、Baidu、Yahoo 等搜索引擎利用推荐系统使用用户的搜索记录和位置信息来调整搜索结果的排序；YouTube、优酷等在线视频网站会根据用户的点击和观看历史来预测用户的喜好，合理选择在首页投放的视频；Amazon、Netflix、Last.fm、淘宝等电商网站利用推荐系统通过用户的点击购买记录以及评分评论等信息，在首页个性化地推荐商品；QQ、微信、Facebook、Twitter 等社交软件利用社交信息和位置信息来推荐好友或者附近的用户；Yelp、Foursquare、美团、大众点评等点评网站会使用用户的签到数据、评论数据、地理位置等信息分析用户习惯，给用户推荐喜好的餐馆、咖啡厅等。由此可见，推荐系统能够针对性地解决信息冗余问题，在决策处理和提高商业水平方面起到了至关重要的作用。

物品,协同过滤,相似度,算法

华中科技大学硕士学位论文喜欢物品 1、2，用户 3 喜欢物品 1、2、3，根据用户的历史物品户 2 的偏好特征和用户 3 的偏好特征最为相似。又因为用户 3 曾用户 2 尚未接触过物品 3，可以推测用户 2 也有具有很大的概率品 3 推荐给用户 2。于用户的协同过滤仅仅使用用户与物品的历史交互信息，利用兴于喜欢相同的物品这一统计结论，充分利用用户主动行为之间的荐。而且基于用户的协同过滤重点关注在用户之间的相似性，故品数量的环境中更适合使用基于用户的协同过滤。物品 1
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.3;TP183

【相似文献】