李 全，許新華，劉興紅，林 松

湖北師范大學(xué) 教育信息與技術(shù)學(xué)院，湖北 黃石435002

1 引言

隨著移動設(shè)備和全球定位系統(tǒng)（GPS）的快速發(fā)展，人們?nèi)粘Ｊ褂玫闹悄芙K端提供的位置定位功能越來越精確。在此背景下，基于位置的社交網(wǎng)絡(luò)（Location-Based Social Network，LBSN）服務(wù)得到迅速的發(fā)展，且受到了廣大用戶的喜愛，如國外比較主流的Gowalla、Yelp和Facebook Places等，國內(nèi)比較主流的嘀咕和街旁等[1]。相對于傳統(tǒng)的社交網(wǎng)絡(luò)，LBSN 優(yōu)勢在于用戶能夠以簽到的形式發(fā)布他們的地理簽到信息，并對已訪問的興趣點（Point-Of-Interest，POI），例如咖啡廳、餐館和電影院等，與朋友分享他們的體驗和經(jīng)驗。在一個城市里可能包含成千上萬的興趣點，但用戶可能只想訪問它們的一小部分。因此興趣點推薦的任務(wù)就是幫助用戶推薦新的感興趣的位置[2]。

相對于傳統(tǒng)推薦系統(tǒng)，興趣點推薦系統(tǒng)的發(fā)展更加復(fù)雜。首先在基于位置的社交網(wǎng)絡(luò)中用戶訪問興趣點只占非常小的比例，興趣點推薦面臨數(shù)據(jù)稀疏性問題。然后用戶通常喜歡訪問當(dāng)前所在位置附近的興趣點。最后隨著不同的時間，用戶的興趣是動態(tài)變化的。例如，在日常生活中，有些人喜歡中午喝咖啡，有些人喜歡晚上去酒吧等。因此興趣點推薦系統(tǒng)應(yīng)該考慮位置影響、社會關(guān)系和時間影響等上下文信息[3-4]?；谝陨峡紤]，本文提出了一種基于LBSN 動態(tài)異構(gòu)網(wǎng)絡(luò)的時間感知興趣點推薦算法。本文的主要貢獻(xiàn)如下：首先在LBSN異構(gòu)網(wǎng)絡(luò)模式中增加了會話節(jié)點類型，通過動態(tài)元路徑，在用戶和興趣點語義關(guān)系之間有效融入時間信息、位置信息和社交信息等。其次設(shè)置了用戶-興趣點之間的元路徑集，并提出了不同動態(tài)元路徑對應(yīng)的路徑實例偏好度的計算方法。然后采用矩陣分解模型對不同動態(tài)偏好矩陣進(jìn)行矩陣分解。最后根據(jù)不同動態(tài)元路徑對應(yīng)的用戶特征矩陣和興趣點特征矩陣，獲取用戶在不同的時間訪問興趣點的top-k 推薦列表，從而有效地豐富數(shù)據(jù)，解決數(shù)據(jù)稀疏性問題，提高興趣點推薦的實時性和準(zhǔn)確性。

2 相關(guān)技術(shù)

協(xié)同過濾推薦系統(tǒng)包括基于鄰域協(xié)同過濾和基于模型協(xié)同過濾?；卩徲騾f(xié)同過濾又可以分為基于用戶（User-based）協(xié)同過濾和基于項目（Item-based）協(xié)同過濾，但它們通常面臨著冷啟動、數(shù)據(jù)稀疏、算法可擴(kuò)展性差等問題[5]。隨著基于位置社交網(wǎng)絡(luò)的快速發(fā)展，興趣點推薦可為人們提供更好的基于位置的服務(wù)，受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注?；趨f(xié)同過濾的推薦技術(shù)被應(yīng)用到興趣點推薦中。由于興趣點推薦的簽到數(shù)據(jù)具有高稀疏性，因此基于協(xié)同過濾方法很容易遭受數(shù)據(jù)稀疏問題。當(dāng)前許多研究試圖利用并融合地理影響和社會影響等來提高興趣點推薦的效果。

在融合社交信息方面：Zhang 等[6]將用戶間的相似性關(guān)系嵌入到基于用戶的協(xié)同過濾技術(shù)中；Ye等[7]利用用戶社交網(wǎng)絡(luò)中好友的協(xié)同評分以及通過距離衡量好友之間的相似性來進(jìn)行興趣點推薦。在融合地理位置信息方面：Lian 等[8]提出一種結(jié)合地理影響的加權(quán)矩陣分解方法；Hu等[9]基于非負(fù)矩陣分解模型融合用戶的興趣類別和地理位置信息進(jìn)行興趣點推薦，采用用戶的鄰居影響因素對地理位置信息進(jìn)行建模。在融合社交信息和地理位置信息方面：Ye等[10]關(guān)于興趣點推薦采用線性插值的方法結(jié)合地理與社會影響應(yīng)用到基于用戶的協(xié)同過濾框架中；Cheng等[11]將用戶社交關(guān)系和地理位置融入概率矩陣分解模型。通過建立用戶在位置上的簽到概率模型作為多中心高斯模型來捕獲地理影響力，繼而把社交信息和地理信息融入到一個概率的矩陣分解模型中。以上方法都是從融合社交信息和地理信息的角度解決興趣點推薦數(shù)據(jù)稀疏問題，但用戶的興趣在不用的時間是動態(tài)變化的，因此它們忽略了時間信息。

現(xiàn)有的基于時間感知的興趣點推薦系統(tǒng)主要將時間劃分為若干個時間間隙，并根據(jù)時隙將用戶簽到信息進(jìn)行劃分，最后融入時間信息和其他信息實現(xiàn)基于協(xié)同過濾的興趣點推薦。例如：Gao 等[12]提出了融合時間影響的興趣點推薦模型。該模型通過矩陣分解方法獲取某時隙的用戶潛在特征矩陣和位置潛在特征矩陣，最后將所有時隙的用戶潛在特征矩陣作為正則化項實現(xiàn)時間感知的興趣點推薦。Yuan 等[13]提出了一個名為UTE-SE的時間感知興趣點推薦模型。計算不同時隙簽到點的相似度，并采用平滑技術(shù)對簽到矩陣進(jìn)行處理，解決數(shù)據(jù)稀疏問題。最后將時間信息和位置信息融入到基于用戶協(xié)同過濾推薦中。以上基于時間感知的興趣點推薦方法考慮了時間信息和地理信息，但它們的可擴(kuò)展性較差，在解決數(shù)據(jù)稀疏方面無法融合更多豐富的信息。

為了更好地解決簽到數(shù)據(jù)稀疏和用戶興趣動態(tài)變化等問題，本文提出了一種基于LBSN動態(tài)異構(gòu)網(wǎng)絡(luò)的時間感知興趣點推薦算法。該算法優(yōu)勢在于：

（1）在LBSN 異構(gòu)網(wǎng)絡(luò)中增加時間感知層，定義會話節(jié)點的重要度，通過參數(shù)使得與目標(biāo)時間強相關(guān)的會話節(jié)點增加，并且與目標(biāo)時間越近的會話節(jié)點具有更大的權(quán)重，從而提高了興趣點推薦的實時性和準(zhǔn)確性。

（2）設(shè)置了用戶-興趣點之間的動態(tài)元路徑集。在此基礎(chǔ)上，通過計算動態(tài)路徑實例的偏好度構(gòu)造用戶-興趣點動態(tài)偏好矩陣，從而有效融入時間信息、位置信息和社交信息，緩解興趣點推薦中數(shù)據(jù)稀疏問題。

（3）提出了一種基于LBSN動態(tài)異構(gòu)網(wǎng)絡(luò)的興趣點推薦算法，對不同動態(tài)偏好矩陣進(jìn)行矩陣分解，根據(jù)不同動態(tài)元路徑的用戶特征矩陣和興趣點特征矩陣，獲取用戶在目標(biāo)時間訪問興趣點的推薦列表，從而實現(xiàn)更加人性化的興趣點推薦任務(wù)。

3 問題定義

3.1 LBSN動態(tài)異構(gòu)網(wǎng)絡(luò)

異構(gòu)網(wǎng)絡(luò)是指由不同類型節(jié)點的集合和不同類型邊的集合構(gòu)成的有向圖?；谖恢蒙缃痪W(wǎng)絡(luò)是一種典型異構(gòu)信息網(wǎng)絡(luò)。由于用戶簽到偏好是動態(tài)變化的，因此為了表示用戶在不同時間簽到偏好，在LBSN異構(gòu)信息網(wǎng)絡(luò)中加入會話節(jié)點，其定義如下。

定義1（LBSN動態(tài)異構(gòu)網(wǎng)絡(luò)）LBSN動態(tài)異構(gòu)網(wǎng)絡(luò)被定義為四元組G ＜Us,Ss,Ls,Es＞，其中Us表示網(wǎng)絡(luò)中所有用戶節(jié)點的集合，其中Us={u1,u2,…,un} 。 Ss表示網(wǎng)絡(luò)中所有會話節(jié)點的集合，其中Ss={sij|1 ≤i ≤n,1 ≤j ≤24}。Ls表示網(wǎng)絡(luò)中所有興趣點節(jié)點的集合，其中Ls={l1,l2,…,lm}。Es表示網(wǎng)絡(luò)中所有邊的集合，其中Es=EUU?EUS?ESL?ELL。EUU={(ui,uj)|ui,uj∈Us}表示用戶ui和用戶uj之間的好友關(guān)系，EUS={(ui,sij)|ui∈Us,sij∈Ss}表示用戶ui在時間tj有簽到行為，ESL={(sij,lk,)|sij∈Ss,lk∈Ls}表示用戶ui在時間tj訪問興趣點lk，ELL={(li,lj)|li,lj∈Ls}表示興趣點li和興趣點lj之間的位置關(guān)系。LBSN動態(tài)異構(gòu)網(wǎng)絡(luò)如圖1所示。

圖1 LBSN動態(tài)異構(gòu)網(wǎng)絡(luò)圖

3.2 LBSN動態(tài)網(wǎng)絡(luò)模式

網(wǎng)絡(luò)模式概念類似于數(shù)據(jù)庫中E-R圖，它是由不同實體型和聯(lián)系類型構(gòu)成的有向圖，其定義如下。

定義2（LBSN動態(tài)網(wǎng)絡(luò)模式）LBSN動態(tài)網(wǎng)絡(luò)模式被定義為四元組G ＜U,S,L,R ＞，其中U 表示用戶節(jié)點類型，S 表示會話節(jié)點類型，L 表示興趣點節(jié)點類型。聯(lián)系類型為R={RUU,RUS,RSL,RLL}，其中RUU表示用戶之間的好友關(guān)系，RUS表示用戶與時間之間的會話關(guān)系。 RSL表示用戶在某時間和興趣點的簽到關(guān)系。RLL表示興趣點之間的位置關(guān)系。LBSN動態(tài)網(wǎng)絡(luò)模式如圖2所示。

圖2 LBSN動態(tài)網(wǎng)絡(luò)模式圖

3.3 LBSN動態(tài)元路徑與路徑實例

元路徑用來描述網(wǎng)絡(luò)模式中兩類對象之間的連接路徑[14]。不同的元路徑代表了對象類型之間可以通過不同節(jié)點類型和聯(lián)系類型建立不同的語義關(guān)系。LBSN動態(tài)元路徑和動態(tài)路徑實例定義如下。

定義3（LBSN動態(tài)元路徑）在LBSN動態(tài)網(wǎng)絡(luò)模式G ＜U,S,L,R ＞中，LBSN 動態(tài)元路徑定義為如下形式：

定義4（LBSN動態(tài)路徑實例）在LBSN動態(tài)異構(gòu)網(wǎng)絡(luò)G ＜Us,Ss,Ls,Es＞中，對于元路徑An，若存在真實的路徑p=(v1,v2,…,vn)，其中，vi∈{Us,Ss,Ls}，vi和vi+1之間的類型為Es。那么動態(tài)路徑p稱為動態(tài)元路徑P 的一條動態(tài)路徑實例。

例如，在LBSN 動態(tài)網(wǎng)絡(luò)模式G ＜U,S,L,R ＞中存在一條動態(tài)元路徑U →S →L →L。該元路徑表示用戶可能喜歡與某個時間訪問過的興趣點位置相關(guān)的興趣點。該動態(tài)元路徑對應(yīng)的動態(tài)路徑實例如圖3所示。

圖3 動態(tài)路徑實例圖

4 基于LBSN動態(tài)異構(gòu)網(wǎng)絡(luò)興趣點推薦

4.1 LBSN動態(tài)元路徑集

基于LBSN動態(tài)網(wǎng)絡(luò)模式，確定起始于用戶節(jié)點類型且終止于興趣點節(jié)點類型的元路徑集。已有大量研究表明[15-16]，相距3 度之內(nèi)的是強連接，超過則為弱連接，通常研究長度在3 以內(nèi)的路徑。但考慮LBSN 中時間信息對興趣點推薦的實時性以及簽到數(shù)據(jù)的稀疏性，結(jié)合實際情況，本文的動態(tài)元路徑集包括2 條3 度以內(nèi)的元路徑和3條4度以內(nèi)的元路徑，具體如表1所示。

表1 用戶-興趣點之間動態(tài)元路徑集表

4.2 基于LBSN動態(tài)元路徑的偏好度計算

已知LBSN 動態(tài)異構(gòu)網(wǎng)絡(luò)G ＜Us,Ss,Ls,Es＞，則在目標(biāo)時間td，以v1(v1∈Us)為起點、vn(vn∈Ls)為終點的基于動態(tài)元路徑P 的偏好度為該元路徑對應(yīng)的動態(tài)實例路徑集P′偏好度之和，計算公式如公式（1）所示：

其中，simp,td(v1,vn)表示在目標(biāo)時間td基于動態(tài)實例路徑p 得到的用戶和興趣點之間偏好度。simp,td(v1,vn)=，其中為動態(tài)實例路徑p 中節(jié)點vi和節(jié)點vi+1邊的權(quán)重。LBSN動態(tài)異構(gòu)網(wǎng)絡(luò)一共有4種類型邊的權(quán)重，分別為WUU、WUS、WSL和WLL，其中WUU={wui,uj|(ui,uj)∈EUU}表示用戶和用戶邊的權(quán)值集合，WUS={wui,sij|(ui,sij)∈EUS} 表示用戶和會話邊的權(quán)值集合，WSL={wsij,lk|(sij,lk)∈ESL}表示會話和興趣點邊的權(quán)值集合，WLL={wli,lj|(li,lj)∈ELL}表示興趣點和興趣點邊的權(quán)值集合。異構(gòu)網(wǎng)絡(luò)中邊權(quán)值有計數(shù)計量、二值計量和對數(shù)計量等方法，其中二值表示權(quán)值一般獲得較好的推薦結(jié)果。因此，對于用戶與用戶邊，如果用戶之間存在好友關(guān)系，則權(quán)值均為1，否則為0。對于會話與興趣點邊，如果用戶于某時間在興趣點有過簽到行為，則權(quán)值均為1，否則為0。但是，為了更好地反映用戶興趣變化的時間屬性和興趣點的距離屬性，用戶和會話邊的權(quán)值及興趣點和興趣點邊的權(quán)值采用如下方法確定。

4.2.1 用戶和會話邊的權(quán)值

時間感知興趣點推薦的任務(wù)是為目標(biāo)用戶ui在目標(biāo)時間td推薦其感興趣的興趣點。由文獻(xiàn)[17]可知，當(dāng)用戶ui在時間tj有簽到行為時，與目標(biāo)時間td越近的會話節(jié)點對推薦任務(wù)就越重要。因此，將會話節(jié)點的重要度定義如公式（2）所示，并將用戶和會話邊的權(quán)值設(shè)置為會話節(jié)點的重要度，即wuisij( )tj,td=f( )tj,td。

其中，H 是一個控制會話節(jié)點時間影響度的參數(shù)。當(dāng)|tj-td|≤12 時，兩個時間的距離為 |tj-td|；當(dāng) |tj-td|＞12 時，兩個時間的距離為24- ||tj-td。

4.2.2 興趣點和興趣點邊的權(quán)值

用戶一般喜歡訪問距離較近的興趣點。本文采用如下方法確定用戶從一個位置轉(zhuǎn)移到另一個位置的偏好度。首先獲取位置之間的空間距離樣本Y ，如公式（3）所示[18]：

其中l(wèi)i，lj為兩個位置的經(jīng)度和緯度坐標(biāo)，Haversine 是一個空間距離函數(shù)，用于計算兩個位置之間的空間距離。然后，采用距離dis(dis ∈Y)的冪律函數(shù)表示位置轉(zhuǎn)移的偏好度，如公式（4）所示：

其中，γ 是冪律函數(shù)的參數(shù)，它可以通過公式（5）得到：

本文將興趣點間邊的權(quán)值設(shè)置為位置轉(zhuǎn)移的偏好度，且wlilj=pr(dis)。

4.3 基于動態(tài)元路徑的興趣點推薦

在LBSN 動態(tài)異構(gòu)網(wǎng)絡(luò)G ＜Us,Ss,Ls,Es＞中，已知動態(tài)元路徑Pk∈{P1,P2,P3,P4,P5}和目標(biāo)時間td，構(gòu)造用戶-興趣點動態(tài)偏好矩陣MPk,td，該矩陣的元素MPk,td(i,j)表示用戶ui∈Us和興趣點lj∈Ls在元路徑Pk下所有路徑實例的權(quán)重之和，且MPk,td(i,j)=simPk,td(ui,lj)。五個元路徑對應(yīng)的動態(tài)偏好矩陣分別為MP1,td，MP2,td，MP3,td，MP4,td，MP5,td。采用矩陣分解模型對每一個動態(tài)偏好矩陣進(jìn)行矩陣分解，得到五組用戶特征矩陣和簽到點特征矩陣，分別為UP1,td，LP1,td，UP2,td，LP2,td，UP3,td，LP3,td，UP4,td，LP4,td，UP5,td，LP5,td。因此，用戶ui在目標(biāo)時間td訪問興趣點lj的預(yù)測偏好度，其中θk為第k 條元路徑的權(quán)重。為第k 組用戶特征矩陣的用戶ui的特征向量，為第k 組簽到點特征矩陣的興趣點lj的特征向量。在此基礎(chǔ)上，將預(yù)測偏好值最高的前N 個興趣點作為推薦結(jié)果。

4.4 算法描述

基于LBSN 動態(tài)異構(gòu)網(wǎng)絡(luò)的興趣點推薦算法（PRDHN）步驟如下：

輸入：動態(tài)異構(gòu)網(wǎng)絡(luò)G ＜Us,Ss,Ls,Es＞，動態(tài)元路徑M={P1,P2,P3,P4,P5}，用戶ui，目標(biāo)時間td。

輸出：興趣點推薦結(jié)果LR。

1. for each meta-path Pk∈M do

2. Pk′=findInstancePathSet(Pk)

3. for each instance-path p ∈P′do

4. simPk,td(u,l)+=simp,td(u,l)，u ∈Us，l ∈Ls

5. end for

6. Generate MPk,tdbased on Pk

7. end for

8. for each matrix MPk,td，Pk∈M do

9. Decompose MPk,tdto UPk,tdand LPk,td

10.end for

11.Lc=initializeCandidateSet(ui)

12.for each lj∈Lcdo

14.end for

15.LR=TOP-N(Lc)

假設(shè)LBSN動態(tài)異構(gòu)網(wǎng)絡(luò)G ＜Us,Ss,Ls,Es＞有n 個用戶，r 興趣點，m 條邊。第1步的for循環(huán)時間復(fù)雜度為O(c)，c 為元路徑集的大小。第3 步的for 循環(huán)時間復(fù)雜度為O(m) 。第8 步的for 循環(huán)時間復(fù)雜度為O(c)。第9 步對每個元路徑對應(yīng)的矩陣進(jìn)行分解的主要開銷主要來自于目標(biāo)函數(shù)E 和對應(yīng)的梯度下降函數(shù)。目標(biāo)函數(shù)的時間復(fù)雜度為O(ntˉk)，其中tˉ表示用戶的平均簽到數(shù)量，k 表示特征向量的維度。梯度下降函數(shù)的時間復(fù)雜度為。第12 步的時間復(fù)雜度為O(r)。所以該算法的總時間復(fù)雜度是O(cm+cntˉk+r)。因為c 為常數(shù)5，且ntˉk ?m,r ，所以O(shè)(cm+cntˉk+r)≈O(ntˉk)。由文獻(xiàn)[12]可知，典型的LRT時間感知興趣點推薦算法時間復(fù)雜度為O(nrk)。因為tˉ＜r，所以PRDHN算法的時間復(fù)雜度小于LRT算法。

5 實驗設(shè)計與分析

5.1 數(shù)據(jù)集

本文選擇了兩種公開簽到數(shù)據(jù)集進(jìn)行算法測試，分別為Gowalla 和Brightkite。這兩個數(shù)據(jù)集都同時包含了用戶信息、興趣點信息、簽到信息和時間信息等。首先對兩個數(shù)據(jù)集進(jìn)行預(yù)處理。把一天24小時劃分為24個時隙，將數(shù)據(jù)的時間信息取整劃分到24 個時隙中。將每個數(shù)據(jù)集70%的數(shù)據(jù)作為訓(xùn)練集，剩余30%的數(shù)據(jù)作為測試集。兩個數(shù)據(jù)集統(tǒng)計特性如表2所示。

表2 數(shù)據(jù)集統(tǒng)計特性表

5.2 評價標(biāo)準(zhǔn)

為了評價興趣點推薦算法的性能，本文使用準(zhǔn)確率（Precision@N）和召回率（Recall@N）作為評價指標(biāo)，其中N 表示興趣點推薦的個數(shù)。準(zhǔn)確率指推薦結(jié)果中用戶將來真正去的數(shù)量占推薦總數(shù)的比例。召回率指推薦結(jié)果中用戶將來真正去的數(shù)量占用戶將來訪問興趣點總數(shù)的比例。用戶進(jìn)行興趣點推薦的準(zhǔn)確率和召回率定義如公式（6）所示：

其中，R(u)為對用戶u 進(jìn)行推薦的興趣點集合，T(u)為用戶u 在測試集上實際的簽到集合。

5.3 實驗結(jié)果分析

為了驗證基于LBSN 動態(tài)異構(gòu)網(wǎng)絡(luò)的興趣點推薦算法的推薦效果，將它與7種興趣點推薦算法進(jìn)行比較和分析。各對比算法介紹如表3所示。

表3 興趣點推薦算法對比表

實驗1 會話參數(shù)H 對準(zhǔn)確率和召回率的影響

在兩個數(shù)據(jù)集中，通過調(diào)整會話節(jié)點參數(shù)H 分析本文會話節(jié)點對推薦算法準(zhǔn)確率和召回率的影響。在進(jìn)行推薦TOP-5 興趣點實驗中，會話節(jié)點參數(shù)H 對準(zhǔn)確率（Precision@5）和召回率（Recall@5）的影響如圖4所示。

由圖4 可知，當(dāng)1 ≤H ≤2 時，兩個數(shù)據(jù)集準(zhǔn)確率和召回率都比較低，因為較小的H 值使得與目標(biāo)時間強相關(guān)的會話節(jié)點減少，從而產(chǎn)生了數(shù)據(jù)稀疏問題。當(dāng)3 ≤H ≤4 時，兩個數(shù)據(jù)集的推薦效果最好，因為較大的H 值使得與目標(biāo)時間強相關(guān)的會話節(jié)點增加，并且與目標(biāo)時間越近的會話節(jié)點具有更大的權(quán)重，從而驗證了會話節(jié)點對推薦性能的影響。當(dāng)5 ≤H ≤8 時，兩個數(shù)據(jù)集準(zhǔn)確率和召回率逐漸降低，因為隨著H 值的繼續(xù)增加，導(dǎo)致了時間信息對推薦系統(tǒng)的影響降低。

實驗2 基于時間感知興趣點推薦算法的實驗分析

人們的生活一般都具有規(guī)律性，即他們在特定的時間喜歡去感興趣的位置活動。因此時間信息影響著興趣點推薦算法推薦結(jié)果的實時性。該部分實驗在兩個數(shù)據(jù)集的基礎(chǔ)上分別測試了5 種推薦算法的準(zhǔn)確率和召回率，實驗結(jié)果如圖5所示。

由圖5 可知，在基于協(xié)同過濾的興趣點推薦算法中，User-based CF和MF CF算法在進(jìn)行興趣點推薦時沒有考慮時間信息，因此它們的興趣點推薦效果最差。在進(jìn)行推薦TOP-5興趣點實驗中，LRT和UTE算法相對于User-based CF算法在兩個數(shù)據(jù)集的準(zhǔn)確率上提高了43%～55%。它們相對于MF CF算法在兩個數(shù)據(jù)集的準(zhǔn)確率上提高了32%～45%。此結(jié)果表明，時間感知的興趣點推薦算法可以提高推薦系統(tǒng)的準(zhǔn)確率和召回率。本文PRDHN 算法相對于LRT 和UTE 算法在兩個數(shù)據(jù)集的準(zhǔn)確率上平均提高了8%～15%。因為基于動態(tài)異構(gòu)網(wǎng)絡(luò)PRDHN算法在融入時間信息的同時又融入位置信息和社交信息等，進(jìn)一步地提高時間感知興趣點推薦算法的推薦精度。

實驗3 融合情景的興趣點推薦算法實驗分析

由于興趣點推薦系統(tǒng)中簽到數(shù)據(jù)非常稀疏，因此融合情景信息有助于提高興趣點推薦算法的準(zhǔn)確率和召回率。該部分實驗在兩個數(shù)據(jù)集的基礎(chǔ)上分別測試了4 種融合情景的興趣點推薦算法，實驗結(jié)果如圖6所示。

圖4 會話參數(shù)H 對準(zhǔn)確率和召回率的影響

圖5 基于時間感知興趣點推薦算法對比圖

圖6 融合情景的興趣點推薦算法對比圖

由圖6可知，US和UG在進(jìn)行興趣點推薦時分別只融合了社會信息及地理信息，因此它們的興趣點推薦效果最差。在進(jìn)行推薦TOP-5 興趣點實驗中，USG 算法相對于US 算法和UG 算法在Gowalla 數(shù)據(jù)集上的準(zhǔn)確率分別提高了17.2%和13.3%，同理在Brightkite 數(shù)據(jù)集上的準(zhǔn)確率分別提高了23.1%和18.5%。本文PRDHN算法相對于USG算法在兩個數(shù)據(jù)集的準(zhǔn)確率分別提高了11.7%和18.7%。因此該方法的興趣點推薦效果最好。實驗結(jié)果表明，以LBSN 動態(tài)異構(gòu)網(wǎng)絡(luò)為基礎(chǔ)，融合地理位置、社會關(guān)系和用戶偏好的時間感知的興趣點推薦算法可以進(jìn)一步地提高推薦系統(tǒng)的推薦精度和召回率。

6 結(jié)束語

針對基于位置社交網(wǎng)絡(luò)提出了一種基于LBSN 動態(tài)異構(gòu)網(wǎng)絡(luò)的時間感知興趣點推薦算法。首先在LBSN異構(gòu)網(wǎng)絡(luò)模式中增加了會話節(jié)點類型，并通過動態(tài)元路徑，在用戶和興趣點之間語義關(guān)系中融入時間信息、位置信息和社交信息。其次設(shè)置了用戶-興趣點之間的動態(tài)元路徑集，并提出了動態(tài)路徑實例偏好度的計算方法。然后采用矩陣分解模型對不同動態(tài)偏好矩陣進(jìn)行矩陣分解。最后結(jié)合不同動態(tài)元路徑對應(yīng)的用戶特征矩陣和興趣點特征矩陣，獲取用戶在不同的目標(biāo)時間訪問興趣點的top-k 推薦列表。實驗結(jié)果表明本文算法的精確度相比其他相關(guān)的興趣點推薦技術(shù)有了較好的提高。在未來的工作中，將在推薦系統(tǒng)中融入文本信息等其他信息，并通過神經(jīng)網(wǎng)絡(luò)和表示學(xué)習(xí)技術(shù)，進(jìn)一步提高興趣點推薦的性能。