基于分级兴趣和上下文因素的兴趣点推荐算法研究.pdfVIP

浙江省硕士学位论文

摘要

在基于位置的社交网络（Location-BasedSocialNetwork，LBSN）中人们热衷于探索

和分享兴趣点（Point-of-Interest，POI），但同时海量的兴趣点也带来了信息过载的问题。

而兴趣点推荐系统旨在帮助人们发现感兴趣的地点，以便向人们推荐他们感兴趣但之前

未曾访问过的兴趣点，从而缓解信息过载问题，现已成为帮助人们发现有吸引力地点的

重要手段，但同时也面临着两种现实挑战：复杂的用户兴趣和稀疏的签到数据。针对上

述问题以及目前论文缺乏对区域兴趣的考虑，本文提出一种基于分级兴趣和上下文因素

的兴趣点推荐算法，以此来优化兴趣点推荐效果，提升用户体验。

第一，提出了一个分级兴趣推荐模型，以应对复杂用户兴趣的挑战。在该模型中，分

级兴趣指的是POI级兴趣和区域级兴趣。本文首先构建了两种兴趣特征矩阵——POI级

兴趣特征矩阵和区域级兴趣特征矩阵，另外，将对区域级兴趣特征矩阵的构建方式进行

讨论，列举了三种构建方式，并选取其中最有效的一种方式来构建区域级兴趣特征矩阵；

其次，构建完矩阵后，利用逻辑矩阵分解技术分别对两种矩阵进行建模，以获得用户的

兴趣点偏好和区域偏好；最后，聚合这两个层级的兴趣以形成分级兴趣推荐模型。

第二，创新性地引入了一种在区域层级确定用户兴趣的动态权重的策略，以捕获用

户对区域重视程度的差异。具体将利用DBSCAN聚类算法对用户的签到兴趣点进行聚

类，通过将聚类产生的噪声兴趣点的数量与用户签到兴趣点的数量之比视为签到分布的

离散度，将其离散度转化为动态权重。以此来对这种差异性进行捕捉和区分，进而能够

更好的融入区域级兴趣的真实权重。

第三，在分级兴趣推荐模型的基础上，提出对三种上下文因素（地理位置、社交关

系和类别流行度）建模以获得上下文因素得分，然后将上下文因素得分融入分级兴趣推

荐模型中形成PRPOIR兴趣点推荐优化框架，借此来解决只利用用户分级兴趣无法捕捉

兴趣点之间差异性的缺陷，同时捕捉了用户的真实全面兴趣和缓解了数据稀疏性问题。

在Foursquare真实数据集上的实验表明，融合用户分级兴趣和上下文因素的方法对

兴趣点推荐有明显的优化作用，并且能够有效提升兴趣点推荐的性能。

关键词：基于位置的社交网络，兴趣点推荐，分级兴趣，动态权重，上下文因素

I

浙江省硕士学位论文

ABSTRACT

Inthelocation-basedsocialnetwork(LBSN),peoplearekeentoexploreandsharepoint-of-

interest(POI),butalargenumberofPOIsalsobringabouttheproblemofinformationoverload.

ThePOIrecommendationsystemisdesignedtohelppeoplefindplacesofinterest,sothatthey

canrecommendPOIsthattheyareinterestedinbuthavenotvisitedbefore,therebyalleviatingthe

problemofinformationoverload,andnowithasbecomeanimportantmeanstohelppeoplefind

attractiveplaces,butitalsofacestworealchallenges:complexuserinterestsandsparsecheck-

ins.Inviewoftheaboveproblemsandthelackofconsiderationofregion-levelinterestincurrent

papers,thispaperproposesaPOIrecommendationalgorit