孟祥福，齊雪月，張全貴，張霄雁，王麗

（遼寧工程技術大學 電子與信息工程學院，遼寧 葫蘆島 125105）

近年來，隨著移動互聯(lián)網技術和智能設備的飛速發(fā)展，用戶可以方便地獲取個人的實時位置信息，使得基于位置的社交網絡(LBSNs)和興趣點推薦(POI recommendation)技術得到了研究者的廣泛關注。協(xié)同過濾是推薦系統(tǒng)中廣泛使用的方法，其基本思想是：通過分析用戶的興趣偏好找到與某個用戶偏好相似的其他用戶，然后綜合這些相似用戶對興趣點的評價，預測該用戶對興趣點的偏好程度。然而，在大規(guī)模數(shù)據(jù)集中，用戶對興趣點的評價非常稀疏，僅依賴評級矩陣進行協(xié)同過濾推薦很難得到準確合理的推薦結果[1-2]。

用戶與興趣點在屬性信息上存在顯式的關聯(lián)關系。例如，年輕人在選擇興趣點時可能會選擇游樂場，而老年人通常會選擇公園；此外，人們在選擇興趣點時也受距離的影響，多數(shù)情況下會選擇距離較近的興趣點[3]。由此可見，用戶的年齡和興趣點的位置信息在用戶選擇興趣點時起著一定作用，也就是說，用戶的年齡屬性和興趣點的位置屬性之間存在著顯式關聯(lián)關系。此外，用戶與興趣點之間也存在著隱式關聯(lián)關系。例如，簽到行為反映了用戶與興趣點之間的交互關系，用戶可能由于某種潛在因素選擇了某個興趣點，簽到矩陣反映的就是用戶與興趣點之間的隱式關聯(lián)關系。現(xiàn)有的推薦模型，通常是根據(jù)用戶對興趣點的簽到矩陣或評分矩陣，利用基于矩陣分解的協(xié)同過濾方法進行興趣點推薦，很少有模型同時考慮用戶與興趣點在屬性(或特征)上的顯式關聯(lián)關系和通過簽到矩陣體現(xiàn)的隱式關聯(lián)關系，這里將用戶與興趣點之間的顯式和隱式關聯(lián)關系綜合稱為耦合關系。

為了解決上述問題，本文提出了基于用戶-興趣點耦合關系的興趣點推薦模型，該模型分別學習用戶與興趣點在屬性上的顯式關聯(lián)關系和簽到矩陣中的隱式關聯(lián)關系，將二者進行集成，進而實現(xiàn)興趣點的準確推薦。最近的一些研究也提出了使用深度學習進行推薦，但是對用戶與興趣點之間的交互行為進行建模時仍然使用矩陣分解方法。文獻[4]闡述了矩陣分解建模用戶和項目之間的交互行為的局限性，因此本文提出使用神經網絡來改善矩陣分解方法，從而更好地挖掘用戶與興趣點之間的隱式關聯(lián)關系。此外，位置信息是興趣點的基本屬性，也是興趣點推薦算法必須考慮的關鍵因素[5-7]。本文利用k-means算法根據(jù)興趣點的位置信息對興趣點進行聚類，得到合適的區(qū)域分塊，使得每個興趣點被分配一個其對應區(qū)域的位置標簽。在此基礎上，構建一個卷積神經網絡模型，用來捕獲用戶屬性與興趣點屬性之間的顯式關聯(lián)關系。最后，將用戶與興趣點之間的顯式和隱式關聯(lián)關系集成到同一個框架中，綜合表征用戶-興趣點之間的耦合關系，在此基礎上利用深度神經網絡進行精準推薦。

本文的主要貢獻：1)由于位置信息在興趣點推薦中具有重要作用，提出將位置信息作為劃分興趣點類別的主要標準，進而采用K-means算法對興趣點進行聚類；2)提出了基于用戶-興趣點耦合關系的興趣點推薦模型，該模型綜合考慮了興趣點與用戶在各自屬性上的顯式關聯(lián)關系以及在簽到數(shù)據(jù)中的隱式關聯(lián)關系，從而提高推薦結果質量；3)在Yelp數(shù)據(jù)集上進行了算法的效果與性能實驗評價，驗證了本文方法的有效性。

1 相關工作

近年來，隨著空間Web對象的迅速增多，興趣點推薦成為當前推薦系統(tǒng)領域的研究熱點。興趣點推薦與傳統(tǒng)的商品推薦有以下不同：1）興趣點具有位置信息，并且位置信息在用戶選擇興趣點時起著重要作用。例如用戶可能由于位置信息更傾向于距離較近的興趣點；2）興趣點推薦中的簽到矩陣比普通商品推薦中的評分矩陣更加稀疏；3）用戶對一個興趣點的喜好更可能隱藏在評論文本中，而傳統(tǒng)的商品推薦中用戶的喜好通常顯式體現(xiàn)在用戶對商品的評分中。

興趣點推薦方面研究主要分為以下3類，第一類是下一個興趣點推薦(next POI recommendation)[5,8-9]。文獻[8]提出了一種多上下文集成的深度神經網絡模型(MCIDNN)提高下一個位置預測的精度，該模型考慮了用戶簽到序列信息、用戶偏好和輸入上下文(位置信息、時間信息等)之間的相互作用。文獻[5]提出了一種個性化排序度量嵌入方法(PRME)，對個性化的簽到序列進行建模,并且進一步提出了一個整合序列信息、個體偏好和地理位置影響的PRME-G模型。文獻[6,10]采用基于一階馬爾可夫鏈對序列模式進行建模，但由于計算復雜度較高，該模型僅使用近期簽到記錄進行預測，忽略了長、短期序列上下文的影響。文獻[11]提出了用一個三階張量來模擬用戶連續(xù)簽到行為的模型，利用softmax函數(shù)將個性化馬爾可夫鏈與潛在模式融合，提出了一種貝葉斯個性化排序(BPR)方法。文獻[12]提出了Distance2Pre模型，利用GRU模型整合用戶不同地理距離偏好，在此基礎上進行下一個興趣點預測，提出了線性和非線性兩種方式整合用戶距離偏好分數(shù)。不同于日常興趣點推薦，下一個興趣點推薦側重于分析用戶的歷史移動序列軌跡，預測用戶下一時段可能訪問的興趣點。

第2類為遠途旅行興趣點推薦(remote POI recommendation)[7]。文獻[13]針對位置的情感屬性，提出了一種興趣點挖掘方法，首先使用Sentiment-based POI Mining(基于情感的興趣點挖掘)算法挖掘具有明顯情感屬性的興趣點，然后使用Sentiment-based POI Recommendation(基于情感的興趣點推薦)算法向用戶推薦興趣點。文獻[14]通過合并興趣點可用性(興趣點可能只在某個時間窗口內可用)的約束和不確定旅行時間(兩個興趣點之間的旅行時間不確定)的約束來縮減搜索空間，為用戶提供個性化的旅行推薦。遠途旅行興趣點推薦也會受地理因素和個人偏好的影響，但更傾向于考慮大眾偏好。

第3類為日常興趣點推薦(general POI recommendation)[1,15]。文獻[16]通過利用用戶和興趣點之間的位置相關性、社會相關性和類別相關性進行興趣點推薦。文獻[3]指出地理位置上的朋友、社交網絡中的朋友以及在同一地點簽到過的朋友對興趣點的選擇都具有影響。文獻[17]提出將用戶-項目交互數(shù)據(jù)構建成二部圖，使用圖神經網絡學習用戶和項目的嵌入向量。在用戶和項目的嵌入向量中以嵌入傳播的方式顯式注入了協(xié)作信號。STAR-GCN[18]模型學習用戶和項目的低維嵌入向量再輸入到網絡中，為了預測冷啟動問題中的節(jié)點嵌入向量，STAR-GCN屏蔽了部分用戶和項目的嵌入向量，然后通過圖編碼-解碼器重構這些被屏蔽的嵌入向量，有效緩解了冷啟動問題。文獻[15]結合位置因素和時間因素構建了用戶的興趣動態(tài)變化模型，以獲得更加準確的興趣點推薦效果。矩陣分解方法在興趣點推薦中也得到了廣泛的應用，例如文獻[19]整合了用戶的社交關系和位置信息到概率矩陣分解(probabilistic matrix factorization)中。文獻[20]提出了基于加權矩陣分解模型的興趣點推薦方法。由于用戶簽到行為存在空間聚合現(xiàn)象，該方法從二維核密度估計的角度，描述了空間聚合的影響并將其整合到矩陣分解模型中。但需要指出的是，上述研究[3,15,21]都使用潛在特征向量代表用戶和興趣點，用戶在興趣點上的交互被建模為各自對應的潛在向量的內積。然而，使用簡單的內積作為用戶和興趣點的交互函數(shù)，并不能有效捕捉用戶交互數(shù)據(jù)的復雜結構(因為內積只是線性地結合了多個潛在特征的乘法),從而導致推薦效果不夠理想。矩陣分解將用戶和興趣點映射到同一潛在特征空間中，如果用戶和興趣點潛在向量的維數(shù)過小，無法在潛在特征空間中體現(xiàn)用戶和用戶之間的相似性、興趣點和興趣點之間的相似性，進而使用內積作為交互函數(shù)進行推薦也會造成一定的排名誤差。解決該問題的方法之一是使用大量的潛在因子，然而這可能對模型的泛化能力產生不利影響，特別是在稀疏的數(shù)據(jù)集上容易產生數(shù)據(jù)過擬合問題。深度學習在圖形圖像處理[22]、自然語言處理[23]等領域取得突破，為推薦系統(tǒng)的研究帶來了新的機遇。但據(jù)我們所知，很多研究都是將深度學習用于建模上下文信息[21]，例如評論信息、類別信息等，并使用內積作為用戶和興趣點的交互函數(shù)。神經網絡已經被證明有擬合任何連續(xù)函數(shù)的能力[24]，受文獻[25]的啟發(fā)，本文利用深度神經網絡從用戶簽到數(shù)據(jù)中學習用戶和項目的交互函數(shù)。

2 問題定義和解決方案

2.1 問題定義

定義1 興趣點集合。興趣點是與地理位置相關的地點，一個興趣點集合用V={v1,v2,···,vn}表示，V中的每個對象 vi由一個二元組(λ, K)組成，其中 vi.λ表 示興趣點 vi的 位置信息，即 vi.λ=(lati,loni)，lati和 loni分別代表興趣點的經度和緯度， vi.K是vi中 的 文 本 信 息 集 合，vi.K=[a1,a2,···,ao]，其 中ai(i∈1,2,···,o)是文本信息中的一個關鍵字。

定義2 簽到矩陣。簽到矩陣由用戶對興趣點的簽到數(shù)據(jù)構成，如果用戶數(shù)為m，興趣點數(shù)為n，則簽到矩陣為Rm×n，如果用戶i訪問過興趣點j，簽到矩陣對應位置rij(rij∈Rm×n)為1，否則，置0。簽到矩陣中的每個元素都反映了用戶和興趣 點之間的交互。

2.2 解決方案

本文提出的模型主要分為以下3個階段:

1)興趣點聚類。采用K-means算法，根據(jù)興趣點的位置信息，對興趣點進行聚類，使得位置相近的興趣點被聚為一類。每類興趣點有一個相應的類標簽，用于興趣點與用戶的屬性之間進行顯式關聯(lián)關系分析。

2)用戶-興趣點之間的耦合關系挖掘。通過卷積神經網絡模型學習用戶與興趣點在屬性上的顯式關聯(lián)關系；使用另外一個神經網絡模型，根據(jù)用戶對興趣點的簽到數(shù)據(jù)，學習用戶與興趣點之間的隱式關聯(lián)關系；最后，將用戶和興趣點的顯式和隱式關聯(lián)關系集成到一起，表征用戶-興趣點之間的耦合關系。

3)將2)中學習到的用戶-興趣點耦合關系輸入 到一個全連接網絡中，進行興趣點推薦。

3.1 基于K-means算法的興趣點聚類

基于K-means算法的興趣點聚類的基本思想是：首先，從興趣點集合中隨機選取k個興趣點作為初始的聚類中心；然后，計算每個興趣點與各個聚類中心之間的距離，把每個興趣點分配給距離它最近的聚類中心，聚類中心以及分配給它們的興趣點就代表一個聚類，每個聚類的聚類中心根據(jù)聚類中現(xiàn)有的興趣點被重新計算；上述過程將不斷重復直到滿足K-means聚類的終止條件。

基于K-means算法的興趣點聚類的處理過程如下:

1)從興趣點集合中隨機選擇k個興趣點作為初始聚類中心。

2)計算剩余興趣點到聚類中心的歐式距離ρ，將最接近的興趣點放入類別中，形成新的類，ρ的計算方法為

其中，vi.λ=(lati,loni)和vj.λ=(latj,lonj)是興趣點數(shù)據(jù)

集V={v1,v2,…,vn}中的兩個興趣點。

3)取當前聚類中所有興趣點經緯度的均值作為新的中心點，更新距離聚類中心最近的興趣點。

4)直到目標函數(shù)收斂或聚類中心不變，否則將轉移到2)。

5)輸出興趣點聚類結果。表1給出了興趣點v1、v2、v3、v4、v5的位置信息以及文本信息。假設需要將這5個興趣點聚為3類，首先隨機選取v1、v2、v5作為聚類中心，通過計算得到v3到v1、v2、v5的歐氏距離分別為17 227.781 345 8、3 553 977.144 9、13 387 365.177 6 m，v4到v1、v2、v5的歐氏距離分別為3 385 341.322 16、153 131.434 74、10 085 102.605 5 m，所以將v1、v3聚為一類，v2、v4聚為一類，v5單獨成為一類。然后選取每個類的中心點為新的聚類中心，即(33.427 796 53，-112.046 954 5)、(40.705 609 95，-80.790 294 85)、v5，計算得到v1到這3個新的聚類中心的距離為8 611.093 741 63、3 461 882.261 76、13 370 426.099 6 m，v2為3 546 225.507 02、76 593.790 297 2、9 936 164.797 2 m，v3為8 616.704 789 23、3 477 389.386 85、13 387 365.177 6 m，v4為3 393 095.487 84、76 541.502 450 9、10 085 102.605 5 m，得到新的聚類，即v1、v3聚為一類，v2、v4聚為一類，v5單獨成為一類，可以看出聚類沒有發(fā)生變化，則聚類中心還為(33.427 796 53，-112.046 954 5)、(40.705 609 95，-80.790 294 85)、v5，由于聚類中心未發(fā)生變化，則聚類過程終止。根據(jù)聚類情況，每個興趣點都可以分配一個所屬聚類的類標簽。

表 1 興趣點信息Table 1 The information of POIs

3.2 興趣點推薦模型的構建

3.2.1 用戶-興趣點的顯式關聯(lián)關系評估

基于用戶-興趣點耦合關系的興趣點推薦模型由局部和全局的用戶-興趣點顯式關聯(lián)關系以及用戶-興趣點隱式關聯(lián)關系集成到一個全連接網絡構成。

用戶的文本信息和興趣點的位置信息、文本信息分別作為各自的屬性信息，通過一個卷積神經網絡模型學習用戶-興趣點的顯式關聯(lián)關系。首先，將用戶和興趣點的屬性信息分別嵌入到向量uc={uc1,uc2,…,ucm}和vc={vc1,vc2,…,vcn}中，uci(vci)是uc(vc)中的第i個元素。在實際應用中，不同類型的用戶/興趣點的屬性信息通常采用不同的嵌入方式。

用戶或興趣點屬性信息的嵌入方式如圖1所示。對于興趣點，需要將其位置信息和文本信息進行集成嵌入，位置信息是基于K-means算法的興趣點聚類結果，興趣點屬于聚類結果中的哪一類則該位置為1，其余位置為0。文本信息做同樣處理，例如，對于表1中的興趣點v1，使用3.1節(jié)中的興趣點聚類結果，結合表1中的文本信息，則v1的嵌入向量為[1,0,0,1,0,0,0,0,1,0,0,0]，此向量的前3維為地理信息的聚類結果；依據(jù)順序嵌入向量中的第一維為聚類結果中的第一類，第二維為聚類結果中的第2類，以此類推；由于文本信息中State為4類，所以后4維分別為AZ、PA、OH、BW；嵌入向量中間的五維為文本信息中的City。嵌入向量的每一維度根據(jù)順序分別代表聚類結果中的第1類、第2類、第3類、Ahwatukee、McMcrray、Phoenix、Cuyahoga Falls、Stuttgart、AZ、PA、OH、BW，所以嵌入向量為[1,0,0,1,0,0,0,0,1,0,0,0]。同 理，用戶信息的嵌入向量也按此方法進行轉換。

圖 1 興趣點信息嵌入方式Fig. 1 Embedding method of POI

對于嵌入向量uc和vc，構造一個函數(shù)fΘ(uc,vc)來計算二者之間的關聯(lián)關系，代表了uc和vc之間的交互，其中 Θ 為f的參數(shù)，可以得到一個用戶-興趣點關聯(lián)矩陣，關聯(lián)矩陣中的每一個元素都代表了相應的用戶-興趣點之間的關聯(lián)關系。將關聯(lián)矩陣輸入到一個卷積神經網絡來學習局部的用戶-興趣點顯式關聯(lián)關系，得到局部的顯式關聯(lián)向量。

卷積神經網絡的模型由卷積層和池化層組成，卷積層和池化層可以提取更深層次的特征，其執(zhí)行方式為：

式中：* 為卷積算子;w為濾波器;b為w的偏置;g為非線性激活函數(shù);pooling為池化函數(shù)(例如，最大池化或者平均池化)。

在此基礎上，將用戶-興趣點的關聯(lián)矩陣展平成一個向量，作為一個全局的顯式關聯(lián)向量，并將其與局部的顯式關聯(lián)向量連接起來，進而綜合表 征用戶-興趣點的顯式關聯(lián)關系。

3.2.2 用戶-興趣點的隱式關聯(lián)關系評估

簽到矩陣中推斷出的潛在因素可以解釋為隱式的關聯(lián)關系，用戶可能通過潛在的因素衡量自己對興趣點的喜愛程度。與文獻[4]中的NeuMF類似，將用戶和興趣點的潛在因素連接到一個全連接的神經網絡模型中學習隱式的用戶-興趣點交互。用戶-興趣點隱式關聯(lián)模型將用戶標簽和興趣點標簽分別表示為one-hot向量u和v。受文獻[26]的啟發(fā)，采用全連接層作為嵌入層來學習低維向量，分別表示為u和v的p和q，嵌入過程為

權重矩陣Wu∈Rk×|U|和Wv∈Rk×|V|完全連接在輸入層和嵌入層之間。

將嵌入向量p和q輸入乘法層，乘法層進行p和q的乘積，乘法層的輸出用線性交互向量r表示：

r捕獲了用戶和興趣點之間的線性交互。然后，將向量r輸入到一個多層的全連接神經網絡模型學習更加抽象的用戶和興趣點之間的非線性交互，這里將多層的全連接神經網絡模型的每一層的輸出ai表示為

式中：w和b分別表示每一層的權重矩陣和偏差，ai表示用ReLU函數(shù)激活的每一層的輸出結果。

基于用戶-興趣點耦合關系的興趣點推薦模型結合了基于卷積神經網絡的局部和全局顯式關聯(lián)關系以及用戶-興趣點隱式關聯(lián)關系。如圖2所示，將其輸入到一個全連接層中進行處理，以生成最終的用戶-興趣點耦合向量。模型的總輸出 結果值由激活函數(shù)Sigmoid壓縮為[0,1]區(qū)間。

圖 2 基于用戶-興趣點耦合關系的興趣點推薦模型Fig. 2 A POI recommendation model based on user-POI coupling relationships

3.3 模型的訓練

為了學習模型參數(shù)，首先根據(jù)訓練數(shù)據(jù)訓練模型。步驟1中的類標簽通過3.1節(jié)根據(jù)興趣點的位置信息得到。訓練算法中輸入了batch_size的大小，所以步驟3中將訓練集分成n個batch，每batch_size個數(shù)據(jù)組成一個batch。用戶和興趣點的屬性信息嵌入向量uc和vc中分別嵌入了用戶的文本信息和興趣點的位置信息、文本信息。計算用戶和興趣點的嵌入向量q和p通過式(3)和(4)得到?；谟脩?興趣點耦合關系的興趣點推薦模型的訓練算法如算法1。

算法1 基于用戶-興趣點耦合關系的興趣點推薦模型的訓練算法

輸入 簽到矩陣，興趣點的文本信息集合u.K，用戶的文本信息集合v.K，興趣點的位置信息v.λ，batch_size的大小；

輸出 參數(shù)集合Θ。

1)根據(jù)興趣點的位置信息計算類標簽；

2)初始化模型參數(shù)集合Θ；

3)將訓練集分成n個batch；

4) for batch in 訓練集；

5) for (u,v) in batch do

計算用戶和興趣點的屬性信息嵌入向量uc和vc；

計算用戶和興趣點的嵌入向量q和p；

學習用戶-興趣點的顯式關聯(lián)關系和隱式關聯(lián)關系；

6)計算預測輸出；

7) 計算損失L；

8) for 每個θin Θ do

9) end for

10) end for

11) end for

12) return Θ

4 實驗及評價

4.1 數(shù)據(jù)集

本文實驗數(shù)據(jù)集采用2016年的Yelp數(shù)據(jù)集，據(jù)統(tǒng)計，2016年Yelp數(shù)據(jù)集中有2 100萬用戶和10 200萬條與地理位置相關的評論信息[27]。表2給 出了本文的實驗數(shù)據(jù)統(tǒng)計信息。

表 2 實驗數(shù)據(jù)信息Table 2 Information of experimental data

4.2 比較方法

將基于用戶-興趣點耦合關系的興趣點推薦模型(簡稱為UPC-POIR)分別與以下4個模型進行對比，其中global UPC-POIR和local UPC-POIR也為本文提出的模型，現(xiàn)對5種模型進行介紹：

1)UPC-POIR：為本文提出的基于用戶-興趣點耦合關系的興趣點推薦模型，集成了用戶和興趣點在屬性上的的顯式關聯(lián)關系以及簽到矩陣中的隱式關聯(lián)關系。其中用戶和興趣點在屬性上的顯式關聯(lián)關系同時考慮了局部和全局的用戶-興趣點顯式關聯(lián)關系。

2)global UPC-POIR：集成了全局的用戶-興趣點顯式關聯(lián)關系和簽到矩陣中的隱式關聯(lián)關系。全局的用戶-興趣點顯式關聯(lián)關系是將用戶-興趣點關聯(lián)矩陣展平得到。

3)local UPC-POIR：集成了局部的用戶-興趣點顯式關聯(lián)關系和簽到矩陣中的隱式關聯(lián)關系。局部的用戶-興趣點顯式關聯(lián)關系是將用戶-興趣點關聯(lián)矩陣輸入到卷積神經網絡模型中得到。

4)BPR[28]：使用貝葉斯個性化排序(BPR)損失優(yōu)化的矩陣分解，只利用用戶-興趣點的直接交互作為交互函數(shù)的目標值。

5)NeuMF[4]：該推薦模型是利用多層神經網絡實現(xiàn)的矩陣分解，是近年來新提出的經典推薦模型。該模型使用了元素層面上用戶和項目嵌入的串聯(lián)的多個隱藏層來捕獲它們的非線性特征交互，能夠更有效的捕獲用戶與項目之間的隱式/潛在關聯(lián)關系。

4.3 實驗設置

基于用戶-興趣點耦合關系的興趣點推薦模型使用Python語言基于Keras框架實現(xiàn)，電腦配置為CPU i7-8700K3.7 GHz，操作系統(tǒng)為Ubuntu 18.04.1。在實驗中，學習率設置為0.001，采用Adam作為優(yōu)化器，所有偏置的初始值都設置為0。參數(shù)初始化采用隨機正態(tài)分布(均值和標準差分別為0和0.01)初始化嵌入矩陣，采用glorotuniform作為全連通層的初始化器。

在k-means聚類算法中，本文分別實現(xiàn)了位置因素的聚類個數(shù)k為10、20、30、40、50、60、70、80、90、100。經過實驗測試，當聚類個數(shù)為50時，推薦效果最佳。

在學習局部顯式關聯(lián)關系的過程中，卷積層中卷積核的數(shù)量和卷積核的大小分別設置為8和(3,3)，激活函數(shù)采用Relu函數(shù)。

在最終輸出層之前，對全連通層中的神經元個數(shù)分別設置為16、32、64、128、256進行試驗，測試結果表明，神經元個數(shù)為64時推薦性能最佳。

4.4 評價標準

對于每個用戶，本文從數(shù)據(jù)集中隨機選擇一個用戶交互(簽到行為)過的興趣點作為測試項，用戶交互過的其他興趣點作為訓練項。隨機生成了39個興趣點(不在用戶交互過的興趣點集合中)組成測試集，讓每個模型為每個用戶對這40個興趣點進行排序，然后評估推薦算法性能。

該實驗采用top-k命中率(HR@K)和歸一化折現(xiàn)累積收益(NDCG@K)[4]作為評價指標。

4.5 實驗結果分析

本文提出的UPC-POIR需要先確定基于K-means算法的興趣點聚類中的k。圖3和圖4分別給出了當推薦列表中興趣點的個數(shù)為10時UPC-POIR、local UPC-POIR、global UPC-POIR的HR以及NDCG的變化情況。通過圖3和圖4可以看出，當k=50時，3個模型中UPC-POIR的HR和 NDCG取得了最大值，所以本實驗中固定k=50。

圖 3 興趣點推薦中HR@K的情況Fig. 3 HR@K results of POI recommendation

圖 4 興趣點推薦中NDCG@K的情況Fig. 4 NDCG@K results of POI recommendation

表3描述了當推薦列表中興趣點個數(shù)為10時，UPC-POIR、local UPC-POIR、global UPCPOIR、BPR和NeuMF的HR和NDCG的情況。實驗結果表明，UPC-POIR顯著提高了推薦性能，例如HR比local UPC-POIR、global UPC-POIR分別提高了18.17%和13.36%，NDCG分別提高了13.88%和9.48%。UPC-POIR與NeuMF相比也有明顯的提高，原因是UPC-POIR不僅使用神經網絡模型改善矩陣分解來學習交互函數(shù)，并且考慮了用戶和興趣點屬性之間的關聯(lián)關系，而NeuMF沒有考慮用戶和興趣點屬性之間的關聯(lián)關系。BPR由于使用內積這種線性函數(shù)作為交互函數(shù)，因此推薦效果不如UPC-POIR，從而也體現(xiàn)了使用非線性函數(shù)建模交互函數(shù)能夠顯著提高推薦準確性。

表 3 Top-10推薦中HR和NDCG的情況Table 3 HR@10 and NDCG@10 for Top-10 point-of-interest recommendation

圖5和圖6描述了推薦列表中興趣點的個數(shù)分別為2、4、6、8、10時的HR和NDCG的情況。實驗結果表明，local UPC-POIR、global UPCPOIR都有助于提高推薦性能，但是綜合來講U PC-POIR取得了最佳推薦性能。

圖 5 Top-k興趣點推薦中HR的情況Fig. 5 HR@K results of Top-k POI recommendation

圖 6 Top-k興趣點推薦中NDCG的情況Fig. 6 NDCG@K results of top-k POI recommendation

5 結束語

本文提出了一個基于用戶-興趣點耦合關系的興趣點推薦模型，模型綜合考慮了用戶和興趣點之間的耦合關系，集成了用戶與興趣點之間的顯式和隱式關聯(lián)關系，通過一個卷積神經網絡模型，實現(xiàn)了用戶屬性與興趣點屬性的顯式關聯(lián)關系捕獲，將簽到矩陣輸入到神經網絡模型中學習隱式關聯(lián)關系。實驗結果表明，與現(xiàn)有興趣點推薦模型相比，本文提出的推薦模型達到了更好的推薦效果。在接下來的工作中，將考慮用戶和興趣點的更多屬性，如用戶的社交信息、用戶對興趣點的評論信息等，嘗試通過圖嵌入技術解決興趣點推薦中的冷啟動問題，進一步提升推薦的準確性。