韓欣欣

摘要：近年來，隨著定位技術(shù)的成熟，基于位置的社交網(wǎng)絡(luò)（Location-Based Social Networks，LBSN）應(yīng)運而生。LBSN的出現(xiàn)使得傳統(tǒng)的社交網(wǎng)絡(luò)更加接近現(xiàn)實。位置網(wǎng)絡(luò)所包含的位置信息是相當(dāng)重要的，綜合分析位置信息可以識別用戶的行為偏好，為用戶推薦可能感興趣的位置，即POI推薦，也是目前LBSN的熱門研究方向。由于涉及隱私問題，用戶的歷史位置數(shù)據(jù)存在高度稀疏性。因此，如何提升POI的推薦質(zhì)量也是LBSN服務(wù)所面臨的挑戰(zhàn)。本文考慮融合地理位置因素、社交關(guān)系、時間因素、空間因素、熱門地區(qū)等，針對POI推薦所面臨的冷啟動以及推薦精度等問題進行分析與研究，對該領(lǐng)域在未來提升POI推薦質(zhì)量提供參考。

關(guān)鍵詞：社交網(wǎng)絡(luò);位置信息;稀疏性;融合;POI推薦

中圖分類號：TP311 ? ? ? ?文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）24-0047-02

傳統(tǒng)的推薦系統(tǒng)主要應(yīng)用于好友推薦和商品推薦，將位置這一特性加入社交網(wǎng)絡(luò)，使得傳統(tǒng)的推薦系統(tǒng)變得豐富多彩，同時，也帶來了許多商機。由于Web2.0技術(shù)的發(fā)展以及智能移動終端設(shè)備的普及，越來越多的用戶愿意通過社交網(wǎng)絡(luò)去分享自己的經(jīng)歷，如Foursquare、Gowalla、微博、微信、ins等熱門網(wǎng)站，用戶通過分享位置、照片、文本信息等記錄自己的行為軌跡，這些與位置信息相關(guān)的數(shù)據(jù)構(gòu)成用戶-興趣點矩陣，可以用來挖掘用戶的興趣偏好，在未來的某個時刻為其推薦可能感興趣的位置。與傳統(tǒng)的推薦系統(tǒng)不同，POI推薦面臨數(shù)據(jù)稀疏的挑戰(zhàn)，具有一定的復(fù)雜性。目前已有的POI推薦模型中，大多數(shù)僅僅考慮到一種相關(guān)影響因素，因此如何通過分析用戶的歷史行為記錄，對用戶偏好建模，準(zhǔn)確有效地為用戶推薦感興趣的位置，是服務(wù)的主要任務(wù)。

1基于位置的社交網(wǎng)絡(luò)簡述

LBSN將位置信息嵌入社交網(wǎng)絡(luò)，可以從圖論的角度分析，把用戶和位置作為兩種類別的節(jié)點，因此由用戶行為產(chǎn)生的數(shù)據(jù)形成邊，主要有用戶與用戶的關(guān)聯(lián)度、位置與位置的關(guān)聯(lián)度、用戶與位置的聯(lián)系。將該網(wǎng)絡(luò)形式化描述為：U={u1，u2，…un}，L={l1，l2，…ln}，其中，U是該網(wǎng)絡(luò)中的用戶集合，從每個用戶位置數(shù)據(jù)中提取幾種特征屬性，L是位置點集合，每個位置用對應(yīng)的經(jīng)度緯度信息表示。

2相關(guān)研究

目前，興趣點推薦主要包括連續(xù)位置推薦和非連續(xù)位置推薦。連續(xù)位置推薦是根據(jù)行為軌跡推薦下一時刻位置，比如李梅一般會在晚上六點鐘下班后去公司附近餐廳吃飯，吃過飯后會去家附近的健身房鍛煉一個小時，在周末經(jīng)常會去附近景點打卡或者購物。這是一種基于位置感知的推薦，Cheng 等人[1]將個人簽到序列看作馬爾科夫模型，并考慮地理區(qū)域限制，實現(xiàn)了短期的興趣點推薦。非連續(xù)位置推薦，也即是單個位置推薦，對用戶的行為偏好建模，通過協(xié)同過濾技術(shù)向用戶推薦沒有訪問過的位置。位置信息是基于位置的社交網(wǎng)絡(luò)不同于傳統(tǒng)社交網(wǎng)絡(luò)的關(guān)鍵，用戶在各種社交網(wǎng)絡(luò)中簽到分享與所處位置維度、時間段以及流行度等因素有著重要的聯(lián)系。Li 等人[2]分析了用戶行為模式隨著時間的變化趨勢，考慮用戶的長期偏好和短期偏好，提出一種基于時間感知的連續(xù)興趣點推薦算法。文獻(xiàn)[3]將地理位置影響引入 LBSNs 的興趣點推薦中，采用冪律概率模型捕捉興趣點對之間的地理位置影響，通過樸素貝葉斯方法計算擬推薦興趣點的地理位置對目標(biāo)用戶的影響分?jǐn)?shù)，再使用統(tǒng)一的協(xié)同過濾方法進行興趣點推薦。Cho 等人[4]采用高斯分布模型，將用戶訪問地點劃分為工作-住宅區(qū)域，同時考慮時間因素與空間因素，提出基于社交網(wǎng)站的用戶移動軌跡模型。

3 POI推薦影響因素的分析與研究

3.1 地理位置

在位置社交網(wǎng)絡(luò)中，位置因素的影響權(quán)重占比較大，對用戶選擇興趣點其決策性的作用。許多研究工作模擬用戶在位置網(wǎng)絡(luò)中簽到曲線，發(fā)現(xiàn)用戶的位置偏好與距離呈一定的冪律分布、高斯分布、泊松分布等。 實際生活中，同樣用戶優(yōu)先考慮近鄰位置，比如以居住位置為中心，在興趣點推薦過程中使用距離計算函數(shù)，通過設(shè)定一定的距離限制過濾掉位置相對較遠(yuǎn)的位置點，一定程度上減少冗余數(shù)據(jù)。針對推薦效率，可以選擇將興趣點聚類，畢竟類別數(shù)量遠(yuǎn)小于興趣點數(shù)量。因此基于以上分析，可以將用戶位置轉(zhuǎn)移概率類比距離相關(guān)函數(shù)進行興趣點推薦。

3.2 社交關(guān)系

在推薦系統(tǒng)中，用戶是推薦對象的主體，因此，用戶間社交關(guān)系在興趣點推薦過程中也是相當(dāng)重要的。用戶簽到矩陣高度稀疏，通過計算好友相似度將用戶聚類，主要以基于用戶的協(xié)同過濾推薦，相關(guān)研究發(fā)現(xiàn)，好友間訪問興趣點的行為有很強的關(guān)聯(lián)性，當(dāng)好友推薦某一個餐廳或者電影院時，用戶更傾向于嘗試，這取決于社交關(guān)系中好友間的信任值。用戶間信任值越大，產(chǎn)生的影響越大。LBSN中，通過研究好友在某一位置的簽到信息分布，Ui、Uj分別表示用戶i和用戶j，E表示關(guān)系邊，W（i，j）表示兩用戶間信任值，Sim（i，j）表示兩用戶間的相似度。目前，用戶間相似度計算方法有很多，經(jīng)典的有歐式距離、余弦相似度、Pearson相關(guān)系數(shù)、Jaccard 相似性。

3.3 時間因素

基于位置的社交網(wǎng)絡(luò)中，時間偏好也會對興趣點偏好產(chǎn)生一定的影響， 在推薦興趣點時，給時間因子分配一定的權(quán)重也會提高推薦質(zhì)量。一天可以分為24個時間戳，不同時間戳內(nèi)用戶有不同的行為偏好，構(gòu)建時間因子模型可以在位置網(wǎng)絡(luò)中捕捉到密集時間戳，計算不同時間戳之間的距離，將距離進行排序（類似權(quán)重W），得出用戶日?；顒悠靡灶A(yù)測POI?；谝陨咸岢龅奈恢孟嗨贫取⒑糜严嗨贫?，時間因子也有時間相似度，采用平滑相似度和矩陣填充的方式可以解決簽到數(shù)據(jù)稀疏性問題，提高模型的推薦效果。目前，時間因素的研究在基于位置的服務(wù)領(lǐng)域具有很大的需求。研究表明，時間因素對興趣點偏好選擇的作用集中表現(xiàn)在：1）時間關(guān)聯(lián)度;2）時間獨立性;3）時間連續(xù)性;4）時間循環(huán)性。

3.4 基于時間因素的流行度

針對遠(yuǎn)距離異地場景，用戶歷史簽到數(shù)據(jù)稀疏導(dǎo)致推薦精度低。引入流行度因素分析，可以在一定程度上緩解這種問題。興趣點流行度是該興趣點是否是熱門區(qū)域，簡單定義為一定時間下訪問該位置頻次的多少劃定，通常采用HITS鏈接分析模型獲取流行度高的興趣點，該模型有兩個主要的度量值中心度（ Hub） 和權(quán)威度（ Authority），興趣點的中心度越高，說明訪問該位置的用戶越多，權(quán)威度越高，說明該用戶有較高的可信性。興趣點流行度數(shù)學(xué)定義如下：P（li）=V（i）/Vmax（i）（i∈U），其中P（li）表示該興趣點li的流行度，V（i）表示興趣點li處被簽到記錄的次數(shù)，Vmax（i）表示相同類別興趣點中最大的簽到頻次。

由于在位置社交網(wǎng)絡(luò)中用戶行為偏好是動態(tài)的，流行度也會隨時間而變化，一般小吃街在晚上八點至十點活動量較大，購物街在周末比較聚集，咖啡館在中午屬于熱點區(qū)域等。因此，在分析興趣點流行度因素時，融合時間因素將流行度密度曲線按照不同時間段劃分，可以得出不同時間段下興趣點的流行度，提高推薦精度。

4多因素融合框架構(gòu)建

在LBSN中，POI推薦受多重因素影響，深入分析各因素的潛在影響，初步構(gòu)建一種融合多因素的POI推薦框架通過建模分析形成一種線性加權(quán)模型，設(shè)置調(diào)節(jié)各因素的權(quán)重參數(shù)，通過算法優(yōu)化實驗不斷調(diào)整參數(shù)，與現(xiàn)有較優(yōu)的算法相比較，達(dá)到提高推薦精度的效果。

5 POI推薦所面臨的挑戰(zhàn)

POI推薦是基于位置服務(wù)的重要研究方向，目前，國內(nèi)外已經(jīng)做出大量相關(guān)研究，但是仍然面臨一些問題，主要有：1）簽到數(shù)據(jù)稀疏面臨的冷啟動問題;2）數(shù)據(jù)特征提取;3）異地遠(yuǎn)距離場景推薦精度低;4）用戶簽到信息涉及隱私問題有待保護。

6結(jié)束語

本文針對基于位置服務(wù)的POI推薦所存在的推薦精度低等問題進行相關(guān)研究，分析了地理位置、社交關(guān)系、時間因素以及流行度因素對POI推薦的影響，提出一種線性加權(quán)融合多因素的POI推薦模型，考慮模型多參數(shù)的優(yōu)化調(diào)整。在此基礎(chǔ)上，下一步將繼續(xù)深入分析影響POI興趣點推薦的因素，例如簽到文本信息所包含的情感因素等，并綜合以上幾種因素完善自己的推薦算法設(shè)置實驗進行驗證，達(dá)到POI推薦精確度和準(zhǔn)確度提高的目的。

參考文獻(xiàn)：

[1] Cheng C，Yang H Q，Lyu M R，et al.Where You like to go next：successivepoint-of-interest recommendation[C]//Proceedings of the Twenty-Third International Joint Conference on ArtificialIntelligence，2013：2605-2611.

[2] Li X，Jiang M M，Hong H T，et al.A time-aware personalized point-of-interest recommendation via high-order tensor factorization[J].ACM Transactions on Information Systems， 2017，35（4）：1-23.

[3] YeM，YinP F，Lee W C，et al.Exploiting geographical influence for collaborative point-of-interest recommendation[C]//Proceedings of the 34th international ACM SIGIRconference on Research and development in InformationRetrieval，July 24-28， 2011. Beijing， China. New York： ACM Press， 2011： 325-334.

[4] E Cho， S A Myers， Leskovec J. Friendship and mobility： user movement in location-based social networks[C]//Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining，ACM， 2011：1082-1090.

【通聯(lián)編輯：代影】