融合社交关系与地理信息的兴趣点推荐模型
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
POI Recommendation Algorithm with Fusing Social Relation and Geographical Information ZHANG Jin, SUN Fuzhen, WANG Shaoqing, WANG Shuai, LU Xiangzhi
College of Computer Science and Technology, Shandong University of Technology, Zibo, Shandong 255049, China
1 引言
近年来，工业界与学术界对于基于位置的社交网络 LBSN 的应用探索逐年递增，例如 Foursquare、Facebook、 Yelp 等。与传统的电影、音乐以及书籍推荐不同，基于 LBSN 的兴趣点推荐面临更多的问题和挑战。选择适 合的上下文信息以及合理的融合策略是提高精度的一
个 主 要 途 径 。 基 于 矩 阵 分 解 的 推 荐 算 法 因 在 Netflix Prize 取得了突出效果而受到学术界和工业界的关注。 其中，经典矩阵分解算法包括 SVD++[1]、NMF[2]、PMF[3] 等取得较好效果，然而稀疏的签到矩阵导致经典的矩阵 分解算法性能偏低。另外，矩阵分解不能很好地挖掘长 尾物品且解释性差。Baidu Nhomakorabea缓解这些问题，Ma 等人[4]提出了
基金项目：国家自然科学基金（No.61841602）；山东省自然科学基金（No.ZR2014FQ028）；山东省高等学校优秀骨干教师国际合作 培养项目。
作者简介：张进（1995—），男，硕士研究生，研究领域为推荐系统；孙福振（1978—），通信作者，男，博士，副教授，硕士生导师，研究 领域为数据挖掘，智能信息处理，E-mail：sunfuzhen@sdut.edu.cn；王绍卿（1981—），男，博士，研究领域为数据挖掘，推荐 系统；王帅（1993—），男，硕士研究生，研究领域为智能信息处理；鹿祥志（1994—），男，硕士研究生，研究领域为推荐系统。
2基于bpr标准的矩阵分解bpr模型是基于排序的模型相对于传统的矩阵分解bpr模型本身关注的是兴趣点之间的偏序对关系并不关注兴趣点的评分或者签到频率高低更容易发掘用户的隐式反馈在预测用户真正不喜欢的物品和缺失用户对某物品的偏好信息的情况下能够更好地预测同时矩阵分解需要首先计算评分再进行排序bpr模型减少了计算过程
张进，孙福振，王绍卿，等 . 融合社交关系与地理信息的兴趣点推荐模型 . 计算机工程与应用，2020，56（5）：173-178. ZHANG Jin, SUN Fuzhen, WANG Shaoqing, et al. POI recommendation algorithm with fusing social relation and geographical information. Computer Engineering and Applications, 2020, 56（5）：173-178.
Computer Engineering and Applications 计算机工程与应用
2020，56（5） 173
融合社交关系与地理信息的兴趣点推荐模型
张 进，孙福振，王绍卿，王 帅，鹿祥志 山东理工大学 计算机科学与技术学院，山东 淄博 255049
摘 要：基于 LBSN 的兴趣点推荐存在用户签到矩阵稀疏、推荐精度不高、上下文信息利用不充分等问题，提出一种 融合社交信任的矩阵分解算法 TGMF（Trust-Geo Matrix Factorization）来缓解以上问题。利用 BPR 模型优化矩阵分 解的过程 ，改进偏序关系的生成策略。把信任影响和相似度计算相结合 ，提高推荐精度。融合两种模型得到用户的 最终偏好列表。把偏好列表中的 top-k 个兴趣点推荐给用户。实验结果表明，在真实数据集 Gowalla 和 Foursquare 上，TGMF 算法在准确率和召回率两个指标上均优于传统的兴趣点推荐算法。 关键词：兴趣点推荐 ；矩阵分解 ；社交信任 ；BPR 文献标志码：A 中图分类号：TP311 doi：10.3778/j.issn.1002-8331.1811-0290
Abstract：POI（Point-Of-Interest）recommendation for location-based social network exist some problems such as sparse user check-in matrix, low recommendation accuracy and inadequate use of context information. This paper proposes a matrix decomposition algorithm TGMF to solve the above problems. First, it uses BPR model to optimize the process of matrix decomposition and improves the generation strategy of partial order relations. Secondly, it fuses the trust effect and the similarity computation to improve the accuracy of recommendation. Finally, two models are combined to get the final preference list of users, and top- k interest points are recommended to users. Experimental results show that on real data sets Gowalla and Foursquare, the proposed algorithm is superior to the traditional interest point recommendation algorithm in precision and recall. Key words：Point-Of-Interes（t POI）recommendation; matrix factorization; social trust; BPR
College of Computer Science and Technology, Shandong University of Technology, Zibo, Shandong 255049, China
1 引言
近年来，工业界与学术界对于基于位置的社交网络 LBSN 的应用探索逐年递增，例如 Foursquare、Facebook、 Yelp 等。与传统的电影、音乐以及书籍推荐不同，基于 LBSN 的兴趣点推荐面临更多的问题和挑战。选择适 合的上下文信息以及合理的融合策略是提高精度的一
个 主 要 途 径 。 基 于 矩 阵 分 解 的 推 荐 算 法 因 在 Netflix Prize 取得了突出效果而受到学术界和工业界的关注。 其中，经典矩阵分解算法包括 SVD++[1]、NMF[2]、PMF[3] 等取得较好效果，然而稀疏的签到矩阵导致经典的矩阵 分解算法性能偏低。另外，矩阵分解不能很好地挖掘长 尾物品且解释性差。Baidu Nhomakorabea缓解这些问题，Ma 等人[4]提出了
基金项目：国家自然科学基金（No.61841602）；山东省自然科学基金（No.ZR2014FQ028）；山东省高等学校优秀骨干教师国际合作 培养项目。
作者简介：张进（1995—），男，硕士研究生，研究领域为推荐系统；孙福振（1978—），通信作者，男，博士，副教授，硕士生导师，研究 领域为数据挖掘，智能信息处理，E-mail：sunfuzhen@sdut.edu.cn；王绍卿（1981—），男，博士，研究领域为数据挖掘，推荐 系统；王帅（1993—），男，硕士研究生，研究领域为智能信息处理；鹿祥志（1994—），男，硕士研究生，研究领域为推荐系统。
2基于bpr标准的矩阵分解bpr模型是基于排序的模型相对于传统的矩阵分解bpr模型本身关注的是兴趣点之间的偏序对关系并不关注兴趣点的评分或者签到频率高低更容易发掘用户的隐式反馈在预测用户真正不喜欢的物品和缺失用户对某物品的偏好信息的情况下能够更好地预测同时矩阵分解需要首先计算评分再进行排序bpr模型减少了计算过程
张进，孙福振，王绍卿，等 . 融合社交关系与地理信息的兴趣点推荐模型 . 计算机工程与应用，2020，56（5）：173-178. ZHANG Jin, SUN Fuzhen, WANG Shaoqing, et al. POI recommendation algorithm with fusing social relation and geographical information. Computer Engineering and Applications, 2020, 56（5）：173-178.
Computer Engineering and Applications 计算机工程与应用
2020，56（5） 173
融合社交关系与地理信息的兴趣点推荐模型
张 进，孙福振，王绍卿，王 帅，鹿祥志 山东理工大学 计算机科学与技术学院，山东 淄博 255049
摘 要：基于 LBSN 的兴趣点推荐存在用户签到矩阵稀疏、推荐精度不高、上下文信息利用不充分等问题，提出一种 融合社交信任的矩阵分解算法 TGMF（Trust-Geo Matrix Factorization）来缓解以上问题。利用 BPR 模型优化矩阵分 解的过程 ，改进偏序关系的生成策略。把信任影响和相似度计算相结合 ，提高推荐精度。融合两种模型得到用户的 最终偏好列表。把偏好列表中的 top-k 个兴趣点推荐给用户。实验结果表明，在真实数据集 Gowalla 和 Foursquare 上，TGMF 算法在准确率和召回率两个指标上均优于传统的兴趣点推荐算法。 关键词：兴趣点推荐 ；矩阵分解 ；社交信任 ；BPR 文献标志码：A 中图分类号：TP311 doi：10.3778/j.issn.1002-8331.1811-0290
Abstract：POI（Point-Of-Interest）recommendation for location-based social network exist some problems such as sparse user check-in matrix, low recommendation accuracy and inadequate use of context information. This paper proposes a matrix decomposition algorithm TGMF to solve the above problems. First, it uses BPR model to optimize the process of matrix decomposition and improves the generation strategy of partial order relations. Secondly, it fuses the trust effect and the similarity computation to improve the accuracy of recommendation. Finally, two models are combined to get the final preference list of users, and top- k interest points are recommended to users. Experimental results show that on real data sets Gowalla and Foursquare, the proposed algorithm is superior to the traditional interest point recommendation algorithm in precision and recall. Key words：Point-Of-Interes（t POI）recommendation; matrix factorization; social trust; BPR