基于用户签到序列的兴趣点推荐方法研究

• 作 者: 完颜文博
• 出 处: 杭州电子科技大学
• 发表日期: 2021年04期
• 关键词: 兴趣点推荐 词嵌入 隐式反馈 注意力机制

近年来随着Foursquare、Gowalla、大众点评等基于位置的社交网络服务(Location-Based Social Network,LBSN)的快速增长,越来越多的用户通过大量的地理位置签到行为来分享他们喜好的兴趣点(Point-of-Interest,POI)。这些在线签到数据为分析用户的签到行为模式提供了一个很好的机会,我们可以根据用户的历史兴趣点访问轨迹来分析和预测用户下一步将会去往何处。此外,商家通过对用户签到数据的挖掘分析可以捕获用户的偏好,为用户推荐他们感兴趣的内容,进而提高用户的使用体验。然而,现有的兴趣点推荐系统往往难以捕捉兴趣点之间的复杂关联关系,无法充分利用签到数据中的多种信息,在用户偏好建模方面也有待提升。本文通过对以上问题进行研究,发掘用户签到数据序列中的有效信息,从而高效的为用户提供个性化的兴趣点推荐。本文的研究工作主要包含以下两个方面:(1)针对一般兴趣点推荐问题,本文提出一种基于上下文影响和用户偏好感知的兴趣点推荐模型CPAM(Context and Preference Aware Model)。该模型包括两个关键模块。首先,本文利用兴趣点嵌入模型SG-PEM(Skip-Gram based POI Embedding Model)来捕获兴趣点的上下文影响,并从用户的兴趣点访问序列中学习兴趣点的上下文感知的特征向量表示;其次,对于用户签到数据中包含的隐式反馈信息,本文通过设计一种逻辑矩阵分解模型LMF(Logistic Matrix Factorization)来建模用户对兴趣点的个性化偏好;最后通过将SG-PEM与LMF融合为CPAM模型,从而得以综合利用上下文影响和用户偏好来执行个性化的兴趣点推荐。在两个公开真实的签到数据集上的实验结果验证了CPAM模型的有效性。(2)针对下一兴趣点推荐问题,本文提出了一种基于注意力机制的长短期记忆网络模型SG-ALSTM(Skip-Gram and Attention based LSTM)。该模型同样首先通过兴趣点嵌入模型SG-PEM训练并学习兴趣点的向量表示,然后通过将兴趣点的向量表示作为输入,训练基于注意力机制的长短期记忆网络模型,从而更加准确地预测用户的下一兴趣点的选择。在两个公开真实的签到数据集上的实验结果验证了SG-ALSTM模型对于下一兴趣点推荐的有效性。