论文部分内容阅读
随着移动互联网技术的成熟,基于位置的社交网络(Location-based social networks,LBSN)成为人们生活的重要组成部分,由此产生了海量的用户签到行为数据。个性化兴趣点(Point-of-Interest,POI)推荐是LBSN中非常重要的一项应用,它通过分析用户的签到数据来学习其个性化偏好,从而提供个性化的POI推荐服务。然而,由于单个用户签到数据的有限性,个性化POI推荐面临着严重的数据稀疏问题。此外,如何有效的建模LBSN中的时空特征来学习用户的动态偏好,同样对个性化POI推荐至关重要。针对以上问题,本文设计了一种基于深度神经网络的个性化POI推荐框架。该框架首先利用对称矩阵分解将POI的各种属性和关联转换成向量表示,并根据用户的签到记录计算得到POI、用户、时间上下文和序列上下文的特征向量。然后,本文设计了一个基于深度神经网络的个性化POI推荐模型,将用户、POI、时间上下文和序列上下文的特征向量作为模型输入,从而预测用户在给定时空场景中对POI的喜好程度。本文的主要工作和贡献如下:1)本文基于两个公开的LBSN签到数据集,对用户的签到行为进行了分析。具体地,本文分析了 LBSN中的地理因素,时间因素和序列因素与用户签到行为之间的关联。结果表明,用户的签到行为受到其当前所处时空上下文的显著影响,从而为之后的个性化POI推荐框架的设计提供了思路。2)本文设计了一种新的、基于对称矩阵分解的特征表示方法来利用LBSN中的各种特征,从而有效地缓解数据稀疏和建模时空特征。具体地,本文首先根据用户的签到数据和POI的属性数据,分别构建了 POI的共现矩阵,地理近似矩阵和类别关联矩阵。接着,对称矩阵分解被应用于这三个特征矩阵,从而获得POI三个特征的低维向量表示。最后,再根据用户的签到历史记录,进一步得到POI、用户、时间上下文和序列上下文的特征向量表示。3)本文设计了一个基于深度神经网络的个性化推荐模型,用于建模不同特征向量之间的非线性交互和学习用户的动态喜好。该模型将个性化POI推荐问题转换成一个二分类任务,以用户、POI、时间上下文和序列上下文的特征向量作为输入,利用深度神经网络来学习用户在给定时空上下文中对POI的喜好程度,从而给出相应的个性化得分。最后,模型对所有POI的个性化得分进行排序,给出得分最高的若干个POI作为推荐结果。4)本文基于两个公开的LBSN签到数据集,设计了大量的实验来验证所提个性化POI推荐框架的有效性。首先,我们将本文提出的框架和已有性能最好的算法进行实验对比。结果表明,无论在静态推荐场景还是在上下文感知场景下,本文所提方法在两个公开数据集上都取得了显著的性能优势。其次,本文设计了多个简化模型用于验证模型的不同部分对推荐结果的影响。最后,本文通过实验分析了神经网络规模对算法性能的影响。