APP下载

一种基于语义位置和区域划分的兴趣点推荐模型的研究

2019-10-08黄小根

软件 2019年3期

黄小根

摘  要: 在现阶段的兴趣点推荐模型与算法中,对于兴趣点间的连续过渡因素以及区域影响因素的考量较为忽视,导致推荐准确性的降低。基于此,本文设计了一种基于语义位置和区域划分的兴趣点推荐模型,对其中的算法展开了详细的介绍。利用真实数据集进行检测实验后,证实了该模型的有效性。

关键词: 语义位置;区域划分;兴趣点推荐模型

【Abstract】: In current interest point recommendation model and algorithm, it has been neglected of considering continuous transition factors between interest points and regional factors, which leads to decrease of recomm endation accuracy. Based on this, the paper designs an interest point recommendation model based on semantic location and region partition, and introduces algorithm in details, and verifies validity of the model with experiments on real data sets.

【Key words】: Semantic location; Region partition; Interest point recommendation model

0  引言

目前,我国对于基于位置的社交网络的研究与应用更加重视,对于个性化的兴趣点推荐更为关注。就现阶段的发展来看,大众点评、美团网等都实现了基于用户历史签到记录而展开个性化的兴趣点推荐。在这样的方式下,不仅能够为用户带来更好的社交體验,还能为相应的企业或商家带来更多的经济利益。但是,在现有的兴趣点推荐模型中,还存在着推荐结果准确性不高的问题,对于时间、地理位置等的考量并不全面。可以看出,开发出一款基于语义位置和区域划分的兴趣点推荐模型有着较高的实用价值。

1  兴趣点推荐的主流技术分析

1.1  多特征融合的兴趣点推荐算法

现阶段,兴趣点推荐的常用算法能够分成以下三类:

第一,直接使用传统推荐算法。在这一类的算法中,普遍使用了用户兴趣点的签到次数作为偏好程度的指标,并构建起了用户-兴趣点签到矩阵,结合传统的推荐算法实现了兴趣点推荐。这一类算法主要包括基于正则化矩阵分解算法、基于用于与兴趣点的混合协同算法、概率矩阵分解算法等等。对于这类算法来说,由于其数据集不够密集,所以推荐的质量相对较低。

第二,引入地理因素的兴趣点推荐算法。在这一类算法中,融合了用户与兴趣点的地理距离,将其也视为推荐的一项指标。目前,普遍使用了多中心高斯分布模型加入算法,提升了兴趣点推荐的效果。

第三,引入社交影响的推荐算法。这一类算法中,将社交网络中的“朋友”有着相同兴趣作为了前提,结合朋友的签到历史记录,完成了兴趣点推荐。在该类算法中,对于地理因素较为忽视。实践证明,该类算法的兴趣点推荐质量相对较低,可以得出,社交关系对推荐准确率的影响较小。

1.2  基于评论信息以及地理位置的兴趣点推荐技术

对于社交网络兴趣点推荐来说,基于评价内容完成推荐是一项十分有效的方式。通过分析用户的评价内容,能够准确的捕捉到用户的兴趣偏好。针对这样的理念,有关研究人员对用户评价内容展开建模,完成了用户兴趣相关特征的采集,提升了兴趣点推荐的效果。

为了进一步提升该兴趣点推荐模型的效果,相关研究人员也将地理位置因素融入于该模型中,建立起了基于评价信息以及地理位置的兴趣点推荐模型。在进行基于地理位置的兴趣点推荐模型中,主要使用了用户的兴趣点历史签到地理位置,自动生成用户的地理坐标,为兴趣点推荐提供了参考。在基于评价信息以及地理位置的兴趣点推荐模型中,虽然参考了用户兴趣偏好以及地理位置,但是,由于评价信息的缺乏或准确性不高,兴趣点推荐的实际效果依旧有待提升[1]。

1.3  基于混合神经网络矩阵分解的兴趣点推荐模型

随着人工智能技术的不断发展,其应用范围也更加广泛。神经网络作为一种常用的人工智能技术,在兴趣点推荐模型的建立中发挥着较大的优势。神经网络为兴趣点推荐提供了更多的参考指标,提升了推荐的质量。现阶段,有关研究人员已经建立起了基于混合神经网络矩阵分解的兴趣点推荐模型,在该模型中,利用神经网络对用户和兴趣点的初始化参数进行学习,最终得出了用户的签到特征以及兴趣点签到特征。结合评论信息的学习,能够得出潜在的向量特征,最后完成兴趣点评分的预测。

2  基于语义位置的建模分析

2.1  实际需求分析

在基于位置的社交网络中,兴趣点的推荐主要是用过对用户历史签到记录展开分析,并向用户推荐之前并没有访问、且可能感兴趣的位置信息。此时,基于位置的社交网络中应当包含用户在兴趣点上的历史签到记录集、用户集、兴趣点集。在基于位置的社交网络的体系结构中,包含着大量的用户、兴趣点以及多种社交关系、用户与兴趣点之间的签到关系、兴趣点之间的关联关系等等。在基于语义位置和区域划分的兴趣点推荐模型的建立中,笔者融合了多种源数据,并对用户未访问的兴趣点偏好进行预测与推荐[2]。

2.2  用户偏好的计算

在进行用户偏好的计算中,笔者主要使用功了狄利克雷分配算法(LDA算法)。为了对用户不同地理位置的时间偏好进行考量,笔者将时间偏好引入狄利克雷分配算法中,建立起了基于时间分割的狄利克雷分配算法,完成了用户偏好的计算[3]。

4  基于语义位置和区域划分的兴趣点推荐模型的分析与验证

4.1  实验条件的确定

为了验证该基于语义位置和区域划分兴趣点推荐模型的真实性,笔者对其展开了验证实验。在本次验证实验中,使用了两个真实的签到数据集。为进一步提升本次验证实验的有效性,在数据集中剔除了签到记录数少于5以及签到兴趣点少于80的用户。最终得出数据集A中包含637个用户、数据集B中包含732个用户;数据集A中包含80544条签到记录、数据集B中包含80817条签到记录;数据集A中包含2756个兴趣点、数据集B中包含3827个兴趣点。在这两个数据集中,随机抽取每一名用户的75%条签到数据作为训练集;25%条签到数据设为测试集。

在验证实验中,笔者对该基于语义位置和区域划分的兴趣点推荐模型中包含的相关参数进行了优化确定。设置主题参数K为50;时间段为4;共同参数α与β的数值为1和0.01。结合梯度下降法,能够得出参数数值,具体如下:对于数据集A,使用的参数、、、、、分别为0.2、0.3、0.5、0.5、0.2、0.5;对于数据集B,使用的参数、、、、、分别为0.3、0.2、0.6、0.4、0.3、0.2。

为了证明该基于语义位置和区域划分的兴趣点推荐模型的有效性,笔者使用了推荐准确率以及召回率作为评价指标,并设置了“不同兴趣点推荐数量下”以及“不同签到时间间隔下”两种实验条件[9]。

4.2  實验结果分析

经过实际的实验与计算能够得出,在不同兴趣点推荐数量的条件下,该基于语义位置和区域划分的兴趣点推荐模型的准确率,会随着推荐兴趣点数量的增加而有所降低。经过笔者的进一步分析发现,造成该结果的主要原因在于:兴趣点推荐数量的增加会提升该模型中时间的复杂程度。而召回率却与之相反,在推荐兴趣点数量增加的情况下,召回率有所提升。与ULR(基于用户的签到记录数据以及地理信息完成推荐)相比,该模型中包含的所有算法在性能上有着较为明显的提升。相比于USTTM(基于概率生成模型)来说,本文提出的兴趣点推荐模型在算法的性能方面有所提升。

在不同签到时间间隔的条件下,算法的推荐准确性以及召回率均有所降低。造成这一情况的主要原因在于,由于用户移动至了远离兴趣点的位置,所以导致连续推荐性能的降低。基于此,对时间间隔进行控制对于该模型预测效果的保证十分重要[10]。

5  结束语

综上所述,在现有的兴趣点推荐模型中,并没有对兴趣点间的连续过渡因素以及区域影响因素进行重点的考量。笔者结合这一情况,建立起了一种基于语义位置和区域划分的兴趣点推荐模型,缓解了数据密集程度不足的问题。经过验证实验,证实了该模型有着更好的功能优势,证明了该模型的有效。

参考文献

[1]宋亚伟. 融合时空特征的兴趣点推荐算法研究[D]. 燕山大学, 2016.

[2]常晓雨. 基于位置的社交网络中高性能兴趣点推荐算法研

究[D]. 杭州电子科技大学, 2016.

[3]王啸岩, 袁景凌, 秦凤. 位置社交网络中基于评论文本的兴趣点推荐[J]. 计算机科学, 2017, 44(12): 245-248+278.

[4]丁顺, 陈世平. 云计算中基于包簇映射的多目标蚁群资源分配算法[J]. 软件, 2018, 39(11): 1-6.

[5]黄金金, 陈晶, 张鲲. 基于RS-SVM的无线传感器网络安全的应用研究[J]. 软件, 2018, 39(11): 18-20.

[6]曹妍, 陈伟. 基于MATLAB GUI的指纹图像增强技术研究[J]. 软件, 2018, 39(11): 30-32.

[7]赵璇. 位置服务中基于k匿名的隐私保护方法研究[D]. 河北大学, 2018.

[8]刘妍. 面向移动对象角色发现的行为模式挖掘算法研究[D]. 辽宁大学, 2018.

[9]俞童. 兴趣场约束下空间数据多尺度智能化表达研究[D]. 解放军信息工程大学, 2017.

[10]曾俊. 基于LBS的电子商务个性化推荐研究[D]. 湖北工业大学, 2016.