没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
1 引言
基于位置的社交网络(LBSN,location-based social network)中不仅包含
原有传统社交网络中的社交网络关系和用户标注信息,还包含基于 GPS 服务收
集的用户签到位置轨迹及相关位置的标注信息
[1
]
。用户的移动行为模式、行动轨
迹呈现一定的规律及特点
[2
]
。随着 LBSN 服务中用户数量的增加,包含多维度信
息 的 LBSN 签 到 数 据 信 息 量 也 急 剧 增 加 , 感 兴 趣 的 位 置 点 ( POI ,point of
interest)推荐成为 LBSN 中的重要研究方向。为了满足用户寻找感兴趣地点的
需求,POI 推荐使用用户历史签到位置、轨迹等一系列时空信息预测用户当下
可能感兴趣且尚未访问过的位置
[3
]
,例如酒店、餐厅、博物馆、商场等。
LBSN 中 的 多 维 度 签 到 信 息 包 括 用 户 地 理 位 置 ( Geo ) 、 时 间
(temporal)、POI 类别信息和社交关系
[4
,5
,6
,7
]
。通过对 LBSN 数据的深度挖掘,
可以揭示更深层次的用户的 POI 偏好。利用这些信息为用户推荐 POI 可以有效
帮助用户过滤掉不感兴趣的位置点,提高推荐准确率。
目前基于 LBSN 的 POI 推荐研究采用的模型主要有基于矩阵分解的协同过
滤模型、概率模型以及神经网络模型。Cheng 等
[8
]
综合考虑地理因素和社交因素,
使用多中心高斯模型对地理因素建模,使用概率矩阵分解处理社交因素,最后
将这两者融入广义矩阵分解框架中。Zheng 等
[9
]
提出了一种新的概率方法,从用
户签到记录挖掘隐藏的主题,基于该主题采用跨区域协同过滤方法以推荐新的
POI。
近年来,神经网络应用于推荐系统中并取得较大进展。Ma 等
[10
]
为融合上下
文信息(如社交信息、地理信息
等)和对用户-POI 之间的交互进行非线性建模,
提出了一种基于自动编码器的模型。Zhao 等
[11
]
提出了一种最大边际度量地理社
交多媒体网络表示学习框架。Yang 等
[12
]
将协同过滤与半监督学习相结合提出了
一种基于神经网络的模型 PACE(preference and context embedding),该
模型通过对相邻用户和 POI 进行平滑缓解数据稀疏,构造上下文信息图以共同
学习用户和 POI 的嵌入,从而预测用户对 POI 的偏好。Ying
[13
]
等提出了一种基
于秩的方法 PGRank,它将用户地理偏好和潜在偏好集成到贝叶斯个性化排名
框架中。
现有研究中还存在以下 2 个问题。
1) LBSN 中包含丰富的签到、社交等上下文信息,现有的融合上下文信息
的推荐模型如果不能很好地捕捉数据的多维空间特性,将难以准确地捕获用户
最近邻。
2) 矩阵分解模型中用户对 POI 的交互被处理为其潜在特征向量的内积,而
内积只反映了潜在空间中向量之间的线性关系,忽视了用户和 POI 之间存在的
非线性交互
[14
]
。
基 于 上 述 分 析 , 本 文 提 出 谱 嵌 入 增 强 的 POI 推 荐 算 法 PSC-
SMLP ( preference enhanced spectral clustering and spectral embedding
enhanced mul ti-layer perceptron)。该算法由两部分组成:偏好增强的谱聚
类算法 PSC 和谱嵌入增强的多层感知机 SMLP。一方面,与传统的社交网络推
荐算法不同, LBSN 丰富的信息有助于捕获用户之间的偏好紧密程度。因此,
借助谱聚类能在任意形状的样本空间上聚类且收敛于全局最优解的优点,提出
了融合上下文信息的偏好增强的谱聚类算法 PSC,以更准确地获得用户最近邻,
便于更好地学习用户对 POI 的偏好。另一方面,本文提出谱嵌入增强的神经网
络 SMLP , 通 过 捕 捉 用 户 和 POI 的 二 分 图 关 系 进 行 谱 嵌 入 , 以 增 强
MLP(multi-layer perceptron)学习用户与 POI 之间的非线性交互能力。使用
谱聚类后用户最近邻所形成的用户-POI 对的拼接向量作为 SMLP 网络的输入,
通过谱嵌入和神经网络的网络结构和非线性激活函数对用户与 POI 之间的复杂
交互进行非线性建模,以学习用户的 POI 个性化偏好。
2 融合上下文信息的 POI 推荐模型框架
2.1 问题描述
对融合上下文信息(签到信息、社交信息)的 POI 推荐定义如下。
定义 1 用户签到。假设 u 为用户, p 为 POI, u
ID
为用户 u 的 ID 标识,p
ID
为 p 的 ID 标识,则用户 u 在位置点 p 的一次签到可以用一个三元组来表示:
⟨uID,pID,t⟩〈uID,pID,t〉,其中,t 为签到时间。进一步地,用户 u 的签到 POI 集
合可以表示为
Pu={pID|∃⟨uID,pID,t⟩}Pu={pID|∃〈uID,pID,t〉}
定义 2 社交关系。是指用户之间互为好友,对于一对互为好友的用户 u 和
用户 v,他们之间的社交关系可以用一个二元组来表示,即 ⟨u,v⟩〈u,v〉。进一步
地,用户 u 的好友集合可以表示为 Fu={v|∃⟨u,v⟩}Fu={v|∃〈u,v〉}>。
定义 3 POI 推荐。给定用户 u 及其签到的 POI 集合 P
u
和好友集合 F>
u
,POI
推荐为预测用户 u 对所有未有签到记录的 POI 点 p 的偏好值,按偏好值排序的
前 K 个 POI 则为对用户 u 推荐的结果。
2.2 PSC-SMLP 推荐模型框架
本文提出的 PSC-SMLP 模型框架如图
1
所示。图 1 中,通过设计偏好增强
的谱聚类算法 PSC 提出 SP 相似度从用户签到偏好和社交偏好 2 个方面捕捉数
据的多维空间特性,更准确地捕获用户最近邻,继而使用谱聚类获得用户群组;
进 一 步 构 造 谱 嵌 入 增 强 的 神 经 网 络 SMLP 挖 掘 用 户 和 POI 的 非 线 性 交 互 。
SMLP 共分五部分,分别是输入层、谱嵌入层、拼接层、隐藏层和输出层。将
用户群组中的用户-POI 标记对输入谱嵌入层,通过用户和 POI 二分图的谱进行
潜在因子建模,获得用户和 POI 的谱特征向量表示。然后,将用户和 POI 谱特
征向量进行拼接,构造拼接向量作为隐藏层的输入,使用多个隐藏层深度模拟
用户和 POI 之间的交互。最后采用 softmax 层作为输出层产生用户对 POI 的偏
好预测。
3 偏好增强的谱聚类算法 PSC
LBSN 中用户与用户之间的关系可以表示为社交网络图 G,如图
2
所示。图
G 中的顶点有两类,分别是用户和 POI;边有三类,分别为用户之间表示社交
关系的边,用户和 POI 之间表示签到关系的边,POI 之间表示关联关系的边。
图 1
图 1PSC-SMLP 模型框架
图 2
剩余17页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3751
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功