摘要：傳統(tǒng)的興趣點(diǎn)推薦算法都是通過(guò)用戶簽到信息建模用戶與興趣點(diǎn)之間的偏好直接進(jìn)行興趣點(diǎn)的推薦及優(yōu)化，針對(duì)傳統(tǒng)方法存在高維稀疏、噪聲、計(jì)算復(fù)雜度高和無(wú)法建模用戶興趣的動(dòng)態(tài)變化等問(wèn)題，提出基于LBPR-NET的融合時(shí)空特征的興趣點(diǎn)推薦模型.首先引入時(shí)間特征建模用戶興趣的動(dòng)態(tài)變化，通過(guò)觀察用戶不同時(shí)刻在興趣點(diǎn)類別之間的轉(zhuǎn)移關(guān)系，并采用List-BPR方法進(jìn)行興趣點(diǎn)類別建模，根據(jù)ListNet方法優(yōu)化興趣點(diǎn)類別排序列表，克服了高維稀疏問(wèn)題，降低計(jì)算復(fù)雜度;其次，在類別內(nèi)部通過(guò)啟發(fā)式算法篩選出興趣點(diǎn)的候選集，降低了噪聲.實(shí)驗(yàn)結(jié)果表明，該模型能有效提高推薦質(zhì)量和準(zhǔn)確率.

關(guān)鍵詞：興趣點(diǎn)推薦；時(shí)空上下文信息；貝葉斯個(gè)性化排序；張量分解；ListNet

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)志碼：A

POI Recommendation Model Fusing Spatiotemporal

Features Based on LBPR-NET

CHENG Shu-yu

（School of Information Engineering， Anhui Vocational College of

Electronics and Information Technology， Bengbu 233060， Anhui， China）

Abstract：The traditional POI recommendation algorithms directly recommend and optimize POIs by modeling the preferences between users and POIs through user check-in information. The traditional methods have problems such as high-dimensional sparsity， noise， high computational complexity， and inability to model the dynamic changes of user interests. To solve these problems， this paper proposes a POI recommendation model based on LBPR-NET， which integrates spatiotemporal features. This model divides POI recommendation into two steps. Firstly， time features are introduced to model the dynamic changes of user interests. By observing the transfer relationship between the POI categories at different moments of the user， List-BPR method is used to model the POI category， and the ListNet method is used to optimize the POI category ranking List， which overcomes the high-dimensional sparsity problem and reduces the computational complexity. Secondly， in the corresponding category， the heuristic algorithm is used to filter out the candidate set of POI to reduce the noise. Experiments show that the model can effectively improve the quality of recommendation， and has better performance than other related algorithms in terms of accuracy.

Key words：POI recommendation; spatiotemporal context information; Bayesian personalized ranking; tensor decomposition; ListNet

傳統(tǒng)的興趣點(diǎn)推薦算法都是通過(guò)對(duì)用戶簽到信息建模與興趣點(diǎn)之間的偏好直接進(jìn)行興趣點(diǎn)的推薦及優(yōu)化，所采用的方法有協(xié)同過(guò)濾^［1］、矩陣分解^［2］、貝葉斯個(gè)性化排序（BPR）^［3］等.由于用戶簽到的信息高維稀疏，直接進(jìn)行興趣點(diǎn)的推薦會(huì)存在計(jì)算復(fù)雜度高且推薦精確度低等問(wèn)題.為了解決這個(gè)問(wèn)題，多數(shù)研究者融合社交、地理、時(shí)間、評(píng)論等多源信息來(lái)提高推薦的質(zhì)量.在地理、時(shí)間信息上，趙薇等^［4］提出融合時(shí)空信息的興趣點(diǎn)推薦模型，該模型

利用地理關(guān)系模塊捕獲用戶軌跡中的地理因素，通過(guò)神經(jīng)網(wǎng)絡(luò)聯(lián)合學(xué)習(xí)，針對(duì)用戶不同時(shí)間段推薦了不同的訪問(wèn)地點(diǎn).王營(yíng)麗等^［5］提出融合時(shí)間特征的矩陣分解模型，該模型將用戶簽到矩陣按時(shí)間戳分解成不同的關(guān)系矩陣，利用張量分解對(duì)多個(gè)關(guān)系矩陣分解求得用戶在單位時(shí)間訪問(wèn)興趣點(diǎn)的偏好.徐翔俊等^［6］提出一種面向時(shí)序特征的興趣點(diǎn)推薦模型，在基于用戶協(xié)同過(guò)濾方法基礎(chǔ)上結(jié)合時(shí)間和地理空間相近性特征預(yù)測(cè)用戶在單位時(shí)間訪問(wèn)某興趣點(diǎn)的概率.

以上方法都是利用用戶簽到頻率計(jì)算用戶對(duì)興趣點(diǎn)的偏好并進(jìn)行推薦，但用戶的簽到頻率高維稀疏，存在推薦準(zhǔn)確性不高、負(fù)樣本補(bǔ)全會(huì)引入噪聲等問(wèn)題，黃振華等^［7］提出了基于排序?qū)W習(xí)的興趣點(diǎn)推薦算法，將簽到頻率作為特征學(xué)習(xí)，構(gòu)建用戶興趣偏好模型，得到用戶在興趣點(diǎn)上的偏好排名，根據(jù)偏好排名進(jìn)行興趣點(diǎn)推薦，該方法能根據(jù)已有的用戶簽到頻率學(xué)習(xí)未簽到興趣點(diǎn)的簽到頻率，能有效解決數(shù)據(jù)稀疏問(wèn)題，更好反映用戶的偏好.

實(shí)際上，用戶的日?；顒?dòng)通?？梢杂门d趣點(diǎn)類別層次過(guò)渡模式代表.直觀地說(shuō)，人們傾向于先知道自己要去干什么（如吃飯），然后再根據(jù)個(gè)人偏好去確定具體地點(diǎn).例如，一個(gè)購(gòu)物愛(ài)好者經(jīng)常訪問(wèn)商場(chǎng)購(gòu)買(mǎi)各種商品，一個(gè)美食家通常喜歡尋找好餐館.事實(shí)上，興趣點(diǎn)類別數(shù)量遠(yuǎn)遠(yuǎn)小于興趣點(diǎn)的數(shù)量，通過(guò)預(yù)測(cè)類別可以大大降低數(shù)據(jù)維度，減少計(jì)算復(fù)雜性.

本文融合時(shí)空上下文信息，應(yīng)用LBPR-NET的興趣點(diǎn)推薦模型，利用數(shù)據(jù)的連續(xù)性，觀察興趣點(diǎn)類別間的轉(zhuǎn)移關(guān)系，將時(shí)間、當(dāng)前時(shí)刻興趣點(diǎn)類別和下一時(shí)刻興趣點(diǎn)類別的相互關(guān)系作為特征向量，利用列表級(jí)貝葉斯個(gè)性化排序（List-BPR）方法預(yù)測(cè)下一時(shí)刻用戶要訪問(wèn)的興趣點(diǎn)類別，并在相應(yīng)類別里，通過(guò)啟發(fā)式算法篩選出興趣點(diǎn)的候選集，整個(gè)推薦模型框架如圖1所示.

1 興趣點(diǎn)類別預(yù)測(cè)

在描述本模型之前，先定義本文用到的符號(hào)：U={μ₁，μ₂，…μ_M}代表用戶集合；L={ι₁，ι₂，…ι_N}代表興趣點(diǎn)位置集合；C={c_1，，c₂，…c_S}代表興趣點(diǎn)類別集合；C^μ_t={C^μ₁，C^μ₂…C^μ_t-1}表示每個(gè)用戶μ在t時(shí)刻之前簽到的興趣點(diǎn)類別集合，其中C^μ_t-1C，表示用戶μ在t-1時(shí)刻簽到的興趣點(diǎn)類別.矩陣分解（MF）和馬爾科夫鏈^［8］（MC）是興趣點(diǎn)預(yù)測(cè)常用的兩種方法，矩陣分解通過(guò)將觀測(cè)到的用戶-興趣點(diǎn)矩陣進(jìn)行低秩分解模擬用戶對(duì)興趣點(diǎn)的偏好，但是忽略了數(shù)據(jù)的連續(xù)性信息，馬爾科夫鏈通過(guò)觀察用戶近期的行為（興趣點(diǎn)時(shí)間序列）來(lái)預(yù)測(cè)下一個(gè)時(shí)間點(diǎn)的行為，馬爾科夫鏈模型如圖2所示.

本文模型，首先根據(jù)每個(gè)用戶在馬爾科夫鏈上的簽到行為，觀察用戶在不同時(shí)間段的興趣點(diǎn)類別之間的轉(zhuǎn)移概率；再利用貝葉斯個(gè)性化排序方法獲取個(gè)性化的興趣點(diǎn)類別排名列表listgt;u，i用來(lái)預(yù)測(cè)用戶下一個(gè)時(shí)間段的興趣點(diǎn)類別，利用ListNet方法優(yōu)化模型參數(shù)；最后結(jié)合空間特征用List-BPR方法進(jìn)行興趣點(diǎn)類別建模.通過(guò)ListNet方法優(yōu)化興趣點(diǎn)類別排序列表，克服了高維稀疏問(wèn)題，降低計(jì)算復(fù)雜度;其次，在相應(yīng)類別里，通過(guò)啟發(fā)式算法篩選出興趣點(diǎn)的候選集.

1.1 時(shí)間特征分析

將時(shí)間特征加入到現(xiàn)有的推薦模型中，建模用戶興趣點(diǎn)的動(dòng)態(tài)變化，讓模型學(xué)習(xí)到時(shí)間變化的特征，為用戶在特定時(shí)間點(diǎn)進(jìn)行興趣點(diǎn)推薦，能更好滿足用戶的需求.本文通過(guò)對(duì)簽到數(shù)據(jù)中時(shí)間信息的分析，得到時(shí)間的差異性和連續(xù)性特征.

時(shí)間的差異性表現(xiàn)在用戶簽到興趣點(diǎn)位置是隨時(shí)間變化的^［9］，本文將一天（24小時(shí)）以小時(shí)為單位劃分為等長(zhǎng)的時(shí)間段T={1，2，…，24}，時(shí)間t∈T 且t 為整數(shù)，例如2014-10-24 00：30：00 表示簽到發(fā)生在時(shí)間段t = 1.

時(shí)間的連續(xù)性表現(xiàn)在用戶在相鄰的時(shí)間段具有相似的簽到偏好，如11：00-13：00是午飯和午休時(shí)間，用戶在這個(gè)連續(xù)的時(shí)間段可能會(huì)簽到餐廳、賓館等相似的地方.本文應(yīng)用余弦相似性計(jì)算用戶在任意兩個(gè)連續(xù)時(shí)間段t和t-1之間簽到記錄的相似性，計(jì)算公式為：

1.2 興趣點(diǎn)類別建模

興趣點(diǎn)類別預(yù)測(cè)主要任務(wù)可以表述為通過(guò)觀察用戶μ在馬爾科夫鏈上從當(dāng)前t∈T時(shí)刻所在的興趣點(diǎn)類別i轉(zhuǎn)移到下一時(shí)刻興趣點(diǎn)類別j的轉(zhuǎn)移概率，構(gòu)建個(gè)性化時(shí)間序列的轉(zhuǎn)移矩陣，矩陣中的缺失值采用最大似然估計(jì)法估計(jì)轉(zhuǎn)移概率，通過(guò)基于Listwise的貝葉斯個(gè)性化排序算法得到類別排序列表，應(yīng)用ListNet方法對(duì)該列表進(jìn)行優(yōu)化，預(yù)測(cè)下一個(gè)興趣點(diǎn)的類別.類別之間的轉(zhuǎn)移可以用馬爾科夫鏈模型來(lái)觀察，通常長(zhǎng)度為m的馬爾科夫鏈定義為：

本文中采用列表級(jí)排序方法，該方法優(yōu)化目標(biāo)是預(yù)測(cè)興趣點(diǎn)類別的排序列表^［10］，我們將排序列表定義為listgt;_t，i，長(zhǎng)度為k的排序列表為：j^（1）gt;_t，i…j^（k）， 其中j^（k）表示類別處于排序列表中的第k個(gè)位置.圖4描述了傳統(tǒng)的Pairwise-BPR算法與Listwise-BPR算法之間的區(qū)別，轉(zhuǎn)移張量χ包含了用戶從當(dāng)前時(shí)刻所在類別i轉(zhuǎn)移到下一時(shí)刻類別j的歷史簽到信息，“？”表示未觀測(cè)到轉(zhuǎn)移.傳統(tǒng)的BPR通常創(chuàng)建一個(gè)訓(xùn)練數(shù)據(jù)集 D^BPR_χ，LBPR創(chuàng)建一個(gè)訓(xùn)練數(shù)據(jù)集 D^LBPR_χ，分別表示為：

以（t1，i1）時(shí)刻（灰色欄）為例，右側(cè)傳統(tǒng)BPR轉(zhuǎn)移矩陣中，用“+”表示類別之間存在轉(zhuǎn)移.j_Agt;_t1，i1j_B表示從t1時(shí)刻所在的類別i1轉(zhuǎn)移到下一個(gè)類別時(shí).相對(duì)于類別j_B，如果值為“+”表示用戶更喜歡去類別j_A的興趣點(diǎn)，值為“-”則相反，為“？”表示無(wú)法預(yù)測(cè)，可以推斷出（t1，i1）時(shí)刻類別偏好成對(duì)為：

而這個(gè)結(jié)果恰好是左側(cè)LBPR推斷出的列表長(zhǎng)度為2的類別排序結(jié)果的子集；再以（t1，i5）時(shí)刻為例，該欄所有類別之間都存在轉(zhuǎn)移，但用BPR方法卻無(wú)法預(yù)測(cè)類別偏好成對(duì)，LBPR則預(yù)測(cè)了類別排序，排序列表為 j₄gt;_μ，i5j₁gt;_μ，i5j₅gt;_μ，i5j₂gt;_μ，i5j₃.

通過(guò)積極的例子（觀察到的轉(zhuǎn)變）和消極的例子（未觀察到的轉(zhuǎn)換）作為成對(duì)，將排序?qū)W習(xí)問(wèn)題轉(zhuǎn)化成一個(gè)二元分類問(wèn)題.相比之下，LBPR采用類別列表 D^LBPR_χ作為訓(xùn)練數(shù)據(jù)優(yōu)化排序列表而不是排序?qū)?，以進(jìn)一步探索在BPR中已觀察到的轉(zhuǎn)移過(guò)渡順序.

根據(jù)排名的定義，即在轉(zhuǎn)移矩陣中轉(zhuǎn)移概率越大則排名越高，可得到等價(jià)式為：

其中：j^k表示類別處于排序列表中的第k個(gè)位置；x_{t，i，j}^k表示t時(shí)刻從當(dāng)前的類別i轉(zhuǎn)移到下一時(shí)刻類別j^k的轉(zhuǎn)移概率.為了使排序結(jié)果最優(yōu)，引入貝葉斯公式優(yōu)化分解模型中的參數(shù)，其公式為：

基于Listwise-BPR的排序?qū)W習(xí)方法是將整個(gè)興趣點(diǎn)類別列表看作學(xué)習(xí)的實(shí)例，通過(guò)定義似然函數(shù)來(lái)獲取目標(biāo)函數(shù).本文采用ListNet方法，應(yīng)用概率模型構(gòu)造似然函數(shù)，概率模型為L(zhǎng)uce模型^［11］.ListNet方法主要思想是對(duì)于一組興趣點(diǎn)類別列表對(duì)象，根據(jù)對(duì)象的評(píng)分函數(shù)（這里采用指數(shù)函數(shù)），應(yīng)用Luce模型得到對(duì)象所有排列方式的概率值，從而得到每種評(píng)分函數(shù)的排列概率分布.評(píng)分函數(shù)有相關(guān)性判斷條件和排序函數(shù)兩種，應(yīng)用交叉熵來(lái)衡量這兩個(gè)概率分布的相似性，進(jìn)而構(gòu)造似然函數(shù)，其公式為：

3.1 空間特征

在分析了用戶簽到行為與興趣點(diǎn)距離之間的關(guān)系后，我們發(fā)現(xiàn)用戶訪問(wèn)興趣點(diǎn)的偏好隨著興趣點(diǎn)之間距離的增加而降低.本文采用冪率分布來(lái)表示用戶訪問(wèn)興趣點(diǎn)的偏好和下一個(gè)興趣點(diǎn)與已知興趣點(diǎn)之間的距離，計(jì)算用戶訪問(wèn)興趣點(diǎn)的偏好公式為：

其中：d_l′，l表示兩個(gè)興趣點(diǎn)之間的距離，a和 k分別為冪率分布的參數(shù).采用最小二乘法對(duì)上式中參數(shù)進(jìn)行估計(jì).

3.2 類別排序影響

4 實(shí)驗(yàn)及結(jié)果分析

4.1 實(shí)驗(yàn)設(shè)置

（1） 實(shí)驗(yàn)數(shù)據(jù)集

本文采用的數(shù)據(jù)集為Foursquare上的CA的LBSN用戶簽到數(shù)據(jù)集，該數(shù)據(jù)集包含了4 163個(gè)用戶在35個(gè)興趣點(diǎn)類別的483 813條用戶簽到信息.

對(duì)數(shù)據(jù)集中的每個(gè)用戶隨機(jī)選取60%的簽到數(shù)據(jù)作為訓(xùn)練集，其他的數(shù)據(jù)作為測(cè)試集，進(jìn)行算法性能的評(píng)估，數(shù)據(jù)集信息如表1所列.

（3）PRME，對(duì)類別進(jìn)行預(yù)測(cè)，采用傳統(tǒng)的pairwise-BPR優(yōu)化算法優(yōu)化興趣點(diǎn)成對(duì)；

（4）LBPR-MLE，采用張量分解和貝葉斯個(gè)性化排序方法預(yù)測(cè)下一個(gè)興趣點(diǎn).

5 結(jié)語(yǔ)

本文針對(duì)下一個(gè)興趣點(diǎn)推薦提出基于時(shí)空上下文信息的Listwise-BPR興趣點(diǎn)推薦模型，該模型將興趣點(diǎn)的推薦分成兩步：首先，利用用戶歷史簽到連續(xù)性信息和時(shí)間特征對(duì)某時(shí)刻興趣點(diǎn)類別之間的轉(zhuǎn)移關(guān)系建模，利用Listwise-BPR方法優(yōu)化興趣點(diǎn)類別排序列表，預(yù)測(cè)下一個(gè)時(shí)刻用戶要訪問(wèn)的興趣點(diǎn)類別;其次，在相應(yīng)類別里，通過(guò)啟發(fā)式算法篩選出興趣點(diǎn)的候選集.實(shí)驗(yàn)結(jié)果表明，提出的模型在LSBN數(shù)據(jù)集上相比其他算法有更高的準(zhǔn)確率，有效緩解了高維稀疏、計(jì)算復(fù)雜度高等問(wèn)題.

參考文獻(xiàn)：

［1］ 邢長(zhǎng)征，朱金俠，孟祥福，等.興趣點(diǎn)推薦方法研究綜述［J］.計(jì)算機(jī)科學(xué)，2021，48（Sup.2）：176-183.

［2］ 李旭，李景文，姜建武.基于矩陣分解的上下文感知興趣點(diǎn)推薦方法［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2022，43（1）：3108-3115.

［3］ 郭承湘，趙雨佳，朱新華.基于排序?qū)W習(xí)的連續(xù)興趣點(diǎn)推薦［J］.廣西大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，46（3）：683-691.

［4］ 趙薇，李建波，呂志強(qiáng)，等.融合時(shí)間和地理信息的興趣點(diǎn)推薦研究［J］.復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2022，19（4）：25-31.

［5］ 王營(yíng)麗，姜聰聰，馮小年，等.時(shí)間感知的興趣點(diǎn)推薦方法［J］.計(jì)算機(jī)科學(xué)，2021，48（9）：43-49.

［6］ 徐翔俊，聶仁燦.基于位置的社會(huì)網(wǎng)絡(luò)中面向時(shí)序特征的興趣點(diǎn)推薦算法［J］.計(jì)算機(jī)應(yīng)用研究，2015，32（7）：1959-1978.

［7］ 黃震華.基于排序?qū)W習(xí)的推薦算法研究綜述［J］.軟件學(xué)報(bào)，2016（3）：691-707.

［8］ RENDLE S，F(xiàn)REUDENTHALER C，SCHMIDT-THIEME L.Factorizing personalized markov chains for next-basket recommendation［C］// The 19th International Conference on World Wide Web，USA，ACM，2010：811-820.

［9］ 郭紹翠，童向榮，楊旭.社交網(wǎng)絡(luò)下基于列表級(jí)排序?qū)W習(xí)的推薦算法［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（6）：1763-1768.

［10］ JING H，XIN L，LIAO L.Category-aware next point-of-interest recommendation via listwise bayesian［J］.Journal of computational science，2018，28：206-216.

［11］ RANIMI B.Behavior-based location recommendation on location-based social networks［J］.Geoinformatica：An international journal of advances of computer science for geographic，2020，24（3）：71-79.

［責(zé)任編輯：李 嵐］