位置社交网络中谱嵌入增强的兴趣点推荐算法.docx

在位置社交网络（LBSN）中，兴趣点推荐算法是关键的研究领域，因为它们能够根据用户的移动行为和兴趣提供个性化的建议，如餐馆、景点等。这些网络结合了传统社交网络的社交关系和用户产生的位置信息，形成了一种丰富的多维度数据源。 现有的推荐模型主要包括基于矩阵分解的协同过滤、概率模型和神经网络模型。例如，Cheng等人使用多中心高斯模型处理地理因素，而Zheng等人则提出了一种概率方法，通过挖掘签到记录中的隐藏主题来进行推荐。Ma等人利用自动编码器融合上下文信息，而Yang等人则结合协同过滤和半监督学习，通过神经网络学习用户和兴趣点的嵌入。 然而，现有方法面临两个主要挑战。LBSN中的上下文信息丰富，但现有模型可能无法充分捕捉数据的多维特性，导致最近邻用户的识别不准确。矩阵分解通常仅反映潜在特征向量间的线性关系，忽视了用户和兴趣点间的非线性交互。 为此，文章提出了谱嵌入增强的兴趣点推荐算法PSC-SMLP，它由两部分组成：偏好增强的谱聚类（PSC）和谱嵌入增强的多层感知机（SMLP）。PSC利用谱聚类的优势，在任意形状的样本空间中进行聚类，以更准确地找到用户最近邻，进而更好地学习用户对POI的偏好。SMLP则通过捕获用户和POI的二分图关系进行谱嵌入，增强神经网络对非线性交互的学习能力，输入是经过谱聚类后用户最近邻的拼接向量，通过非线性激活函数建模复杂的用户-POI交互，学习用户的个性化偏好。 模型框架包括对签到信息、社交信息等上下文的融合。问题描述为，用户签到由三元组表示，包含用户ID、POI ID和签到时间。用户的签到历史集合用于构建推荐模型的基础。通过分析用户的签到模式、时间、地点类别以及社交网络关系，算法能够生成更加精确的推荐列表，降低推荐的不感兴趣位置点，提高推荐准确性。 PSC-SMLP算法创新地利用谱理论和神经网络来解决LBSN中的推荐问题，旨在克服当前方法的局限性，提供更高质量的个性化推荐服务。这种技术对于提升用户体验、增加用户满意度具有重要的实际意义，特别是在旅游、餐饮和娱乐等服务行业中。