基于位置社交网络的个性化兴趣点推荐

社交网络中基于位置的推荐算法研究社交网络已经成为人们日常生活中不可或缺的一部分，人们通过社交网络与朋友、家人和其他人交流、分享生活、获取信息。

社交网络中的信息量庞大，用户的需求也日益多元化，因此如何为用户提供个性化的推荐服务成为了一个重要问题。

基于位置的推荐算法作为一种有效的推荐技术，在社交网络中得到了广泛应用和研究。

基于位置的推荐算法可以根据用户的地理位置信息为其推荐与位置相关的内容、活动或服务。

这种算法可以利用用户的地理位置信息来了解用户的兴趣爱好、偏好和行为习惯，从而提供更加准确、有针对性的推荐。

下面将介绍一些常见的基于位置的推荐算法。

第一种算法是基于用户位置的推荐算法。

这种算法通过收集用户的地理位置信息，了解用户所处位置的特征，然后根据用户所在位置周边的社区、商店、景点等资源为用户推荐相应内容。

例如，在一个社交网络中，用户在某个社区中发布了一条帖子，系统可以根据用户所在的位置向其推荐该社区中其他用户的帖子或相关的社区活动。

这种算法可以帮助用户更好地了解身边的社区资源，促进社区的交流和发展。

第二种算法是基于位置相似度的推荐算法。

这种算法通过计算用户之间的位置相似度来为用户推荐内容。

位置相似度可以通过计算用户之间的地理距离或位置特征之间的相似程度来衡量。

例如，在一个社交网络中，系统可以根据用户的地理距离，将用户划分为不同的群组，然后为每个群组推荐不同的内容。

这种算法可以帮助用户发现和交流与自己位置相近的用户，促进用户之间的互动和社区的融合。

第三种算法是基于位置历史记录的推荐算法。

这种算法通过分析用户的位置历史记录，了解用户的日常活动和行为习惯，从而为用户推荐合适的内容。

例如，在一个社交网络中，系统可以根据用户的位置历史记录，为用户推荐与其历史记录相似的内容或活动。

这种算法可以帮助用户发现新的兴趣爱好、了解其他用户的日常活动，并提升用户的使用体验。

除了以上介绍的算法，还有一些其他的基于位置的推荐算法也值得关注和研究。

位置社交网络中的连续兴趣点推荐摘要：如今基于位置的社交网络成为研究热点，随着移动设备和社交媒体的普及，越来越多的人加入到这个社交网络中。

在这个社交网络中，位置和兴趣是两个重要的因素。

然而，现有的位置社交网络往往无法满足用户的需求。

为了解决这个问题，本文提出了一种基于连续兴趣点的推荐方法。

该方法利用用户的历史兴趣点和当前位置，推荐用户可能感兴趣的下一个连续兴趣点。

实验结果表明，该方法比传统的基于位置和兴趣的推荐方法更准确和实用。

关键词：位置社交网络，连续兴趣点，推荐，位置，兴趣1.引言位置社交网络（LSN）在过去几年中迅速发展，成为研究热点。

LSN的基本思想是将用户的位置作为社交关系的起点，然后在此基础上提供不同类型的社交功能，如发现附近的人、发现附近的活动等。

然而，现有的LSN系统往往无法满足用户的需求，这主要是因为LSN系统没有充分利用用户的历史数据和个人兴趣。

2.相关工作随着人们对LSN系统的需求增加，越来越多的研究开始关注LSN推荐技术。

现有的LSN推荐技术主要包括基于地理位置的推荐、基于社交网络的推荐、基于行为模式的推荐等。

3.系统设计本文提出了一种基于连续兴趣点的推荐方法。

该方法利用用户的历史兴趣点和当前位置，推荐用户可能感兴趣的下一个连续兴趣点。

基于该方法，我们设计了一个系统。

4.实验结果为了评估我们的系统，进行了一系列实验。

实验结果表明，我们的系统比传统的方法更准确和实用。

5.讨论与未来工作本文提出了一种基于连续兴趣点的推荐方法，并设计了一个系统进行实验评估。

未来工作可以从以下几个方面展开：6.结论本文提出了一种基于连续兴趣点的推荐方法，并设计了一个系统进行实验评估。

实验结果表明，该方法比传统的方法更准确和实用。

这个方法可以应用于LSN系统中，为用户提供更优质的服务基于连续兴趣点的推荐方法的设计思路是将用户的历史兴趣点和当前位置结合起来，利用机器学习的方法建立模型，预测下一个推荐的兴趣点。

兴趣点推荐研究摘要：兴趣点(Point-Of-Interest, POI)推荐是基于位置的社交网络(Location-Based Social Networks, LBSN)中一项重要的服务，并且兴趣点数据作为时空数据的典型更是得到了广泛关注。

文章分析了兴趣点推荐的影响因素，对传统兴趣点推荐方法进行了总结。

关键词：兴趣点推荐；影响因素；室内地图随着智能设备应用的普及和移动定位服务技术的不断进步，各类兴趣点(商场、餐厅、公园、博物馆、旅游景点、娱乐场所等)大量涌现。

兴趣点推荐是一个基于上下文信息的位置感知的个性化推荐。

兴趣点推荐关联用户和兴趣点，旨在为用户推荐一些新的感兴趣的位置，基于位置社交网络的兴趣点推荐为人们提供更好的定位服务起着重要的作用。

一、兴趣点推荐类型从推荐目标来讲，大致可分为日常兴趣点推荐、旅行兴趣点推荐以及下一个兴趣点推荐。

其中，日常兴趣点推荐主要是利用用户日常的访问记录，挖掘用户偏好，为用户推荐日常生活范围内可能感兴趣的兴趣点。

旅行兴趣点推荐则是为用户推荐旅行地陌生环境中的兴趣点(一般情况下，首先推荐的是旅行地标志性景点)。

下一个兴趣点推荐侧重于通过分析用户的移动序列轨迹，预测用户下一步可能感兴趣的兴趣点。

从方法上讲，大致可分为基于模型的推荐和基于深度神经网络的推荐。

模型兴趣点推荐，是利用概率统计模型或者机器学习方法，在训练集上构建用户特征模型，以此来进行推荐，代表性的模型是基于矩阵分解的模型(MF)。

深度神经网络在结构上类似于生物神经网络，因此可以高效、精准地抽取用户-兴趣点之间深层隐含的特征，并能够学习用户-兴趣点之间的多层抽象表示。

从需求上讲，可分为大众兴趣点推荐和个性化兴趣点推荐。

大众兴趣点推荐，是利用大众偏好为用户推荐兴趣点。

个性化兴趣点推荐主要是利用用户自己过往的签到数据和行为偏好，并结合上下文信息，进行个性化推荐。

从兴趣点推荐考虑的因素来讲，传统方法主要考虑用户-兴趣点的评分矩阵，但仅仅依赖评分矩阵进行的兴趣点推荐往往是偏颇的、不适宜的，因为用户的选择会随着时间、地理位置、天气和社交关系的变化而不断变化，其中地理位置是一个十分重要的影响因素。

社交网络中的用户兴趣分析与个性化推荐研究随着社交网络的快速发展和用户群体的不断扩大，如何通过用户兴趣分析和个性化推荐，提供更加优质和精准的信息内容，已经成为了社交网络领域的重要研究课题。

本文将基于此任务名称，探讨社交网络中的用户兴趣分析与个性化推荐的研究现状和挑战。

一、社交网络中的用户兴趣分析1. 用户兴趣表示方法用户兴趣是指用户在社交网络中对某一特定话题或领域的喜好程度。

为了精准地了解用户的兴趣，常用的方法有以下几种：（1）行为分析：通过分析用户在社交网络上的行为，如浏览记录、点赞、评论等，挖掘用户兴趣信息。

例如，根据用户的浏览记录，可以推断出用户对哪些领域的内容感兴趣。

（2）内容分析：通过对用户发布的内容进行分析，提取用户兴趣标签和关键词。

例如，用户在社交网络上发布了关于旅行的帖子，可以推断用户对旅行的兴趣。

（3）社交关系分析：通过分析用户的社交网络关系，挖掘用户兴趣信息。

例如，如果用户与其他用户频繁互动，并评论他们的帖子，可以认为用户对这些用户的兴趣相似。

2. 用户兴趣分类方法针对社交网络中广泛存在的用户兴趣，可以通过分类方法将其进行归类。

常见的分类方法有以下几种：（1）基于内容的分类：通过对用户发布内容的主题、关键词等进行分析，将用户的兴趣进行分类。

例如，将用户兴趣分为旅行、美食、运动等。

（2）基于行为的分类：通过分析用户在社交网络上的行为，将用户的兴趣进行分类。

例如，将用户兴趣分为浏览、点赞、评论等。

（3）基于社交关系的分类：通过分析用户的社交网络关系，将用户的兴趣进行分类。

例如，将用户兴趣分为与朋友交流、关注名人等。

二、社交网络中的个性化推荐1. 个性化推荐算法个性化推荐是指根据用户的兴趣和偏好，为其推荐最合适的信息内容。

在社交网络中，个性化推荐算法扮演着至关重要的角色。

常见的个性化推荐算法有以下几种：（1）基于内容的推荐：通过分析用户的历史行为和发布内容的特征，将与用户兴趣相似的内容推荐给用户。

移动互联网中基于位置服务的个性化推荐研究随着移动互联网的发展和普及，基于位置服务的个性化推荐成为了研究的热点之一。

在这一领域中，不同的应用场景和技术手段都在不断地被探索和尝试。

本文将就移动互联网中基于位置服务的个性化推荐这一问题展开讨论。

一、基于位置服务的个性化推荐的概念和特点基于位置服务的个性化推荐，是指根据用户的当前位置信息，结合用户的历史记录、兴趣偏好和个人特征等信息，向用户推荐具有相关性的服务、商品、信息或活动等。

这种推荐方式可以提高用户的满意度和效率，既能满足用户的需求，又能帮助商家增加销量，促进社会经济发展。

基于位置服务的个性化推荐具有以下特点：1.个性化：根据用户的不同需求和个性化特征进行推荐，满足用户的个性化需求。

2.及时性：根据用户的当前位置信息和关注领域，及时向用户推荐相关内容。

3.多样性：根据用户的历史记录、兴趣偏好和个人特征等，综合考虑推荐的多样性和新颖性。

4.实用性：推荐的内容需要具有实用性和操作性，可以满足用户的需求并激活用户的行动。

二、基于位置服务的个性化推荐的应用领域基于位置服务的个性化推荐的应用领域非常广泛，其中较为典型的应用场景包括：1.餐饮美食推荐：可以根据用户的当前位置和喜好偏好，推荐周围的餐厅、美食、特色小吃等。

2.购物推荐：可以根据用户的偏好和购买历史，推荐周围的商铺、商品和促销活动等。

3.旅游推荐：可以根据用户的兴趣爱好和偏好，推荐周围的景点、旅行线路和地方美食等。

4.交通出行推荐：可以根据用户的交通出行需求和时刻表，推荐周围的公共交通、打车出行和自驾路线等。

5.房产租赁推荐：可以根据用户的工作和生活需要，推荐周围的房屋租赁、小区信息和生活服务等。

三、基于位置服务的个性化推荐的技术手段基于位置服务的个性化推荐需要对用户的位置信息、历史记录、兴趣偏好和个人特征等进行处理和分析。

常用的技术手段包括：1.位置服务定位：通过GPS、基站信号等技术手段获取用户的位置信息。

基于位置的社交网络的个性化兴趣点推荐算法研究作者：李丹霞来源：《科技风》2020年第17期摘要：目前随着科技的发展，通过一系列的探索可以发现，用户的兴趣会随着时间和地理位置的变化而产生一定变化，因而提出具有混合时空和流行度特征兴趣点的推荐算法是非常重要的。

基于此，本文主要讨论了在位置基础上的社交网络个性化兴趣点推荐算法的探索策略。

关键词：位置;社交网络;个性化兴趣点;推荐算法随着互联网的扩张，数据量也出现了大幅度的增加，人们已经摆脱了数据比较匮乏的时期，进入到一个大数据的时期，并顺应这个时代会产生两种角色，即数据的消费者和数据生产者。

这两种角色目前面临的挑战是极大的，而对数据的消费者来说，怎样才能够在互联网当中准确搜索出自身需求的数据是非常困难的，而对于互联网数据生产者来说，怎样才能够让发布数据更为有效也是一件非常困难的事情。

一、推荐算法的相关技术（一）协同过滤推荐一般来说，协同过滤推荐可以分成两个步骤，首先就是帮助指定的用户a来发现自己所具备的一些类似喜好的临近用户b群体。

其次就是向a推荐必选题所偏爱的且a并不了解的东西，协同过滤推荐中主要之处就是要寻找最近的一些b群体，但群体当中的个体和目标用户的距离主要就是通过个体及目标的相似程度来进行衡量的，相似程度越多，那么二者之间的距离就相对越近，则b群体对物品所有的打分就会更具参考性，用户对于物品的打分如果更高，那么就证明用户对于物品的兴趣程度也会更高，每一个用户对物品所进行的打分可以由一些维度向量以表示，而用户之间的相似程度可以由对应维度向量的相似程度来进行衡量。

协同过滤推荐中的基于物品的协同过滤算法，其主要原理就是向目标用户推荐之前所感兴趣的一些物品以及相似的物品，且物品之间相似度的计算主要通过对用户的分析和行为记录来获得，若a物品和b物品相互之间的相似度高，一般则体现在喜欢a物品的用户很有可能也会喜欢b物品，比如在亚马逊当中就是按照统计数据表来表明消费品移动用户的相关消费概率，在物品基础上的协同过滤算法，首先就是要按照喜欢物品的用戶数来估算出物品之间的相似程度，之后再结合上一个步骤，让用户偏好的行为给予用户来推荐其较感兴趣的物品。

基于社交网络的个性化推荐技术研究个性化推荐技术是指根据用户的个人喜好、兴趣和行为，向用户推荐符合他们个体需求的信息、产品或服务。

基于社交网络的个性化推荐技术，则是在用户个人喜好的基础上，结合社交网络中的信息和关系，实现更加准确和精准的个性化推荐。

社交网络已经成为人们获取信息、交流和建立关系的重要平台。

在社交网络中，用户之间通过好友、粉丝和关注等关系进行相互连接，并在平台上生成丰富的社交行为数据。

这些数据包含了用户的个人喜好、兴趣、社交关系以及交互行为，为个性化推荐提供了宝贵的资源和数据基础。

在基于社交网络的个性化推荐技术研究中，首先需要实现对用户的行为数据的采集和分析。

通过收集用户在社交网络平台上的行为数据如点赞、评论、转发等，可以了解用户的偏好和兴趣。

同时，基于这些数据可以分析用户与好友、关注者之间的关系，发现共同的兴趣点和相似的用户群体。

其次，在个性化推荐技术中，协同过滤是一种常用的方法。

在基于社交网络的个性化推荐中，可以借助社交网络中的用户关系和社交行为，利用协同过滤算法为用户推荐可能感兴趣的信息或内容。

通过分析用户与好友之间的兴趣关系、相似性以及用户对社交行为的反馈，可以将朋友的喜好和兴趣与用户自身的兴趣进行相互融合，生成个性化推荐结果。

此外，社交网络中的用户产生丰富的文本数据，包括用户的个人资料、动态状态、微博内容等。

基于这些文本数据，可以应用文本挖掘和自然语言处理技术，提取其中的关键词、主题或情感信息，进一步进行推荐。

例如，根据用户的微博内容和文本信息，了解用户端午节喜欢的食品、活动偏好，从而为其推荐与端午节相关的美食、文化活动等。

而基于社交网络的个性化推荐技术研究还可以应用图算法来分析社交网络中用户的关系。

通过构建用户之间的关系图，可以发现用户之间的社交群体、影响力用户等，进一步推测用户的兴趣。

利用图算法可以挖掘用户关系图中的社区结构，找出用户群体间的共同兴趣和相似性，从而为用户提供更加精准和个性化的推荐服务。

第40卷第4期计算机学报V o l. 40 N o. 4 2017 年4月C H I N E S E J O U R N A L O F C O M P U T E R S A p r. 2017基于位置社交网络的上下文感知的兴趣点推荐任星怡宋美娜宋俊德(北京邮电大学计算机学院信息网络工程研究中心教育部重点实验室北京100876)摘要随着基于位置社交网络（L o c a tio n-B a s e d S o cia l N e tw o r k s，L B S N)的快速发展，兴趣点（P o in t-o f-In te r e s t，P O I)推荐为基于位置的服务提供了前所未有的机会.兴趣点推荐是一种基于上下文信息的位置感知的个性化推 荐.然而用户-兴趣点矩阵的极端稀疏给兴趣点推荐的研究带来严峻挑战.为处理数据稀疏问题，文中利用兴趣点的 地理、文本、社会、分类与流行度信息，并将这些因素进行有效地融合，提出一种上下文感知的概率矩阵分解兴趣点推 荐算法，称为T G S O P M F.首先利用潜在狄利克雷分配（L a te n t D ir ic h le t A llo c a tio n,八)模型挖掘兴趣点相关的文本信息学习用户的兴趣话题生成兴趣相关分数；次提出一种自适应带宽核评估方法构建地理相关性生成地理相 关分数；后通过用户社会关系的幂律分布构建社会相关性生成社会相关分数；另外结合用户的分类偏好与兴趣 点的流行度构建分类相关性生成分类相关分数，最后利用概率矩阵分解模型（P ro b a b ilis tic M a t r ix F a c to riz a tio n，P M F)，将兴趣、地理、社会、分类的相关分数进行有效地融合，从而生成推荐列表推荐给用户感兴趣的兴趣点.该文 在-个真实L B S N签到数据集上进行实验，结果表明该算法相比其他先进的兴趣点推荐算法具有更好的推荐效果.关键词基于位置的社交网络；兴趣点推荐;话题模型；地理相关性；社会相关性；分类相关性；会媒体中图法分类号T P311 犇[号10.11897/S P.J.1016.2017. 00824Context-Aware Point-of-Interest Recommendationin Location-Based Social NetworksR E N X i n g-Y i S O N G M e i-N a S O N G J u n-D e(.Engineering Research Center o f Information N etw orks，M inistry o f Education，School o f Computer Science，Beijing UniversiLy o f Posts and Telecommunications，Beijing100876)Abstract T h e r a p id d e v e lo p m e n t o f lo c a t io n-b a s e d s o c ia l n e t w o r k s(L B S N s)h a s p r o v id e d a n u n p r e c e d e n t e d o p p o r t u n i t y f o r b e t t e r lo c a t io n-b a s e d s e r v ic e s t h r o u g h P o i n t-o f-I n t e r e s t(P O I) r e c o m m e n d a t io n.P O I r e c o m m e n d a t io n is a p e r s o n a liz e d，l o c a t io n-a w a r e，a n d c o n t e x t d e p e n d e d r e c o m m e n d a t io n.H o w e v e r，e x t r e m e s p a r s i t y o f u s e r-P O I m a t r i x c r e a te s a s e v e r e c h a lle n g e.I n t h i s p a p e r，w e p r o p o s e a c o n t e x t-a w a r e p r o b a b i l i s t i c m a t r i x f a c t o r i z a t i o n m e t h o d c a lle d T G S C-P M F f o r P O I r e c o m m e n d a t i o n，e x p l o i t i n g g e o g r a p h ic a l i n f o r m a t i o n，t e x t i n f o r m a t i o n，s o c ia li n f o r m a t i o n，c a t e g o r ic a l i n f o r m a t i o n a n d p o p u l a r i t y i n f o r m a t i o n，i n c o r p o r a t i n g t h e s e f a c t o r se f f e c t i v e l y.F i r s t，w e e x p l o i t a n a g g r e g a t e d L a t e n t D i r i c h l e t A l l o c a t i o n (L D A)m o d e l t o le a r n t h ei n t e r e s t t o p ic s o f u s e r s a n d i n f e r t h e i n t e r e s t P O I s b y m i n i n g t e x t u a l i n f o r m a t i o n a s s o c ia te d w i t hP O I s a n d g e n e r a t e i n t e r e s t r e le v a n c e s c o r e.S e c o n d,w e p r o p o s e a k e r n e l e s t i m a t i o n m e t h o d w i t ha n a d a p t iv eb a n d w i d t h t o m o d e l t h e g e o g r a p h ic a l c o r r e l a t i o n s a nd ge n e r a t e g e o g r a p h ic a l r e le v a n c es c o r e.T h i r d,w e b u i l d s o c ia l r e le v a n c e t h r o u g h t h e p o w e r-l a w d i s t r i b u t i o n o f u s e r s o c ia l r e la t i o n s t o g e n e r a t e s o c ia l r e le v a n c e s c o r e.T h e n?w e m o d e l t h e c a t e g o r ic a l c o r r e l a t i o n s w h i c h c o m b in e t h ec a t e g o r y b ia s o f u s e r s a nd t he p o p u l a r i t y of P O I s i n t o c a t eg o r ic a l r e le v a n c e s c o r e.F u r th e r，w e收稿日期：2016-05-18;在线出版日期：2016-09-28.本课题得到国家科技重点支撑项目（2014BAK15B01)资助.任星怡，女，1983年生，博 士研究生，主要研究方向为推荐系统、数据挖掘、大数据.E-mail:x y r@bupt.e c宋美娜，女，1974年生，博士，教授，主要研究领域为服务计算、云计算、超大规模信息服务系统.宋俊德，男，9年生，博士，教授，主要研究领域为服务科学与工程、云计算、大数据、物联网、IC T关键技术.4期任星怡等：基于位置社交网络的上下文感知的兴趣点推荐825e x p lo i t p r o b a b i l i s t i c m a t r i xf a c t o r i z a t i o n m o d e l (P M F)t o i n t eg r a t e th ei n t e r e s t,g e o g r a p h i c a l,s o c ia l a n d c a te g o r ic a l r e le v a n c e s c o re s f o r P O I r e c o m m e n d a t io n.F i n a l l y,w e im p le m e n t e x p e r im e n t s o n a r e a l L B S N c h e c k-in d a ta s e t.E x p e r im e n t a l r e s u lts s h o w t h a t T G S C-P M F a c h ie v e s s ig n if ic a n t ly s u p e r io r r e c o m m e n d a t io n q u a lit y c o m p a r e t o o t h e r s t a t e-o f-t h e-a r t P O I r e c o m m e n d a t io n te c h n iq u e s.Keywords lo c a t io n-b a s e d s o c ia l n e t w o r k；p o i n t-o f-i n t e r e s t r e c o m m e n d a t io n；t o p i c m o d e l；g e o g r a p h ic a l c o r r e l a t i o n s；s o c ia l c o r r e l a t i o n s；c a t e g o r ic a l c o r r e l a t i o n s;s o c ia l m e d iai引言随着城市的快速发展，兴趣点（如商场、餐厅、博 物馆、娱乐场所、酒店、旅游景点等）的数量也随之增 长，它为人们提供了更多体验生活的机会.在日常生 活中，人们通常喜欢探索居住城市与邻近的地方，根 据自己的个人兴趣选择与自己偏好相关的兴趣点.由于兴趣点与用户偏好的数据中包含大量有价值的 信息，可以用于兴趣点推荐中[1].同时在大量的兴趣 点中如何有效地帮用户做出满意的决策是一个困难 的问题，通常被认为“选择麻痹为了解决这个问题，兴趣点推荐任务将帮助用户过滤掉不感兴趣的 位置并减少决策时间2基于位置服务应用的日益流行，关于空间、时间、社会和内容等方面的兴趣点推荐，基于位置的社交网 络为研究人们移动行为提供了前所未有的机会[3].典 型的基于位置的社交网站，如国外的F o u r s q u a r e、Y e l p、G o w a l l a,国内的街旁、嘀咕等，人们可以使用 智能手机、平板电脑等移动设备对当前访问的兴趣 点签到，并与好友分享自己的签到信息和体验，导致 “W4”的信息布局（即什么人、什么地点、什么时间、什么事件），对应4个不同层次的信息[4].的确，兴趣 点推荐服务旨在为用户推荐一些新的感兴趣的位 置，基于位置社交网络的兴趣点推荐为人们提供更 好的定位服务起着重要的作用.不同于传统推荐任务，兴趣点推荐是一个基于 上下文信息的位置感知的个性化推荐.通过下面的 场景进行详细描述.例如，星怡居住在中国北京，早 晨她通常会去她家附近的庆丰包子铺吃早餐，中午 她通常会去她工作地点附近的东北风味餐馆吃午 餐，晚上在回家之前她通常会约她的朋友去酒吧娱 乐，周末她有时会与家人去朝阳公园散步或者去西单 购物.现在，如果星怡想去杭州度假，那么在旅行中什 么样的兴趣点她会感兴趣呢？这样的兴趣点推荐一 定是基于上下文信息的位置感知的个性化推荐.相比传统推荐系统的发展，兴趣点推荐系统的 发展更加复杂.兴趣点推荐面临一些新的挑战.首 先，用户-兴趣点的签到矩阵是高稀疏的，因为在基 于位置的社交网络中用户访问兴趣点只占有非常小 的比例，因此兴趣点推荐面临数据稀疏性问题[5].其 次，随着不同的时间与不同的地理位置，用户的兴趣 是动态变化的.然后，兴趣点推荐包含不同类型的上 下文信息，如兴趣点的文本信息、兴趣点的地理坐 标、用户的签到时间、用户的社会关系、兴趣点的分 类信息、兴趣点的流行度等，与传统推荐不同的是兴 趣点相关的文本信息是不完整的且模糊的.依据上述挑战，本文提出一种上下文感知的概 率矩阵分解兴趣点推荐算法，并结合兴趣话题、地理 相关性、社会相关性与分类相关性.本文中我们的贡献总结如下：⑴本文利用兴趣点的地理、文本、社会、分类 与流行度信息，并有效地融合这些因素，提出一种上 下文感知的兴趣点推荐算法，称为T G S C-P M F.⑴本文利用主题模型挖掘兴趣点相关的文本 信息，学习用户的兴趣话题；出一种自适应带宽核 评估方法确定用户的个性化兴趣点签到分布，构建 兴趣点之间的地理相关性；过用户社会关系的幂 律分布构建用户之间的社会相关性；结合用户的分 类偏好与兴趣点的流行度构建分类相关性.⑴本文提出一种分数匹配方法，将兴趣相关 分数、地理相关分数、社会相关分数以及分类相关分 数进行有效地匹配，然后将匹配后的偏好分数融合 到概率矩阵分解模型中，从而提出一种新的上下文 感知的概率矩阵分解算法进行兴趣点推荐.⑴本文使用一个真实的L B S N签到数据集进 行大量的实验评估T G S C-P M F的推荐效果，实验 结果证明T G S C-P M F优于其他先进的兴趣点推荐 技术.本文第2节介绍L B S N中兴趣点推荐技术的相 关工作；3节提出T G S C-P M F兴趣点推荐算法；第4节介绍实验的方案设计与性能对比，验证该算826计算机学报2017 年法的有效性；5节总结并探讨将来的研究工作.2相关工作2.1兴趣点推荐随着基于位置社交网络的快速发展，兴趣点推 荐可为人们提供更好的基于位置的服务，受到学术 界和工业界的广泛关注.基于记忆的协同过滤技术，如基于用户的协同过滤和基于项目协同过滤被应 用到兴趣点推荐中.Y e等人[2]关于兴趣点推荐采用 线性插值的方法结合地理与社会影响应用到基于用 户的协同过滤框架中.L e v a n d o s k i等人[6]考虑旅行 的距离并扩展基于项目协同过滤方法.用户-用户 和项目项目之间的相似度需要共享的签到数据来 计算，并且兴趣点推荐的签到数据具有高稀疏性，基 于记忆的协同过滤方法很容易遭受数据稀疏问题.因此，应用基于记忆的协同过滤技术不能有效地进 行兴趣点推荐.基于模型的协同过滤技术同样被应 用到兴趣点推荐中.L m等人[7]基于贝叶斯非负矩 阵分解结合地理影响与文本信息提出-种地理概率 因素分析框架.但是在他们的工作中，只考虑了显示 反馈.最近，考虑关于签到数据的隐式反馈，L a等 人[8]提出一种结合地理影响的加权矩阵分解方法. 另外，C a o等人[9]通过随机游走方法计算元路径特 征值，以度量实例路径中的首尾节点间关联度，利用 监督学习方法获得各个特征的权值，计算特定用户 在兴趣点的签到概率.2.2基于文本信息的兴趣点推荐为了更好地理解L B S N的模式并改善其服务，当前更多的研究开始探索文本信息.一些研究采用 话题模型或者地理潜在因素获取区域或者P O I s的潜在特征[113].F a r r a h i等人1应用话题模型挖掘 移动手机的文本数据来识别人们日常位置驱动的行 程.关于基于位置的社交网络，Y e等人1利用个体 位置的显示模式和相似位置间的隐式相关性，提出 一种用分类标签标注位置的语义注释研究.Y m等 人[16]利用位置与位置相关的文本提出一种潜在地 理话题分析方法有利于发现有意义的地理话题.F e r r a r i等人1分析T w i t t e r上的帖子并利用话题 模型提取城市模式，例如热点地区和人群行为.这些 关于探索文本信息的兴趣点推荐研究，一种直接的 方法是结合话题模型的协同过滤技术.A g a r w a l等 人[18]利用每个项目相关的词语和用户特征来正则 化项目因素和用户间的相关评分.P e n n a c c h i o t t i等人1利用话题模型研究社会媒体用户的兴趣并推 荐给与用户兴趣相似的新朋友.由于兴趣点相关的 文本信息通常是不完整的且模糊的，本文利用文本 信息并采用话题模型来处理这个问题.2.3基于地理信息的兴趣点推荐事实上地理邻近性显著地影响用户在兴趣点上 的签到行为，地理信息被集中用于兴趣点推荐.一种 方法是简单地考虑用户当前的位置，过滤离用户较 远的P O I s [23另一种方法是应用地理潜在特征或者主题模型推断区域或者P O I s的潜在特征[8,24].更复杂的方法是评估签到过的P O I s的地 理相关性作为所有用户共同的距离分布，即一种多 中心高斯分布[25]、一种幂律分布[2’14’6°]或者一种 关于每个用户的个性化非参数分布[31].特别是，关 于每个用户的地理经纬度坐标，当前工作_采用固定带宽核密度评估方法建模兴趣点的地理签到分 布.更进-步，本文提出-种自适应带宽核评估方法 加强已获取的签到分布的能力，预测一个用户与一 个未签到的P0I之间的相关分数.2.4基于社会信息的兴趣点推荐利用用户之间的社会关系可以提高基于位置社 交网络的兴趣点推荐系统的质量.因为在P O I s上 社会朋友比陌生人更有可能分享共同的偏好.当前 大部分研究是从用户之间的社会关系中获取相似 度，并将其与传统的基于记忆或者基于模型的协同 过滤技术相结合.例如，一些文献[21-22, 31-34]将 用户的相似性无缝连接到基于用户的协同过滤技术 中，然而其他一些研究[，33利用潜在因素模型的 权重或者用户之间的相似性作为正则化项.本文利 用用户之间的社会相关性，聚集P O I s上用户朋友 的签到频率或者评价，基于所有用户历史签到数据 来评估社会签到频率或者评价的分布，并将其转换 成社会相关分数.2.5基于分类信息的兴趣点推荐用户访问过的P O I s的分类信息隐式地显现了P O I s上的用户行为.利用P O I s的分类信息构建用 户的特别偏好是有用的.然而，关于兴趣点推荐只有 少量研究利用分类信息.H u等人2利用矩阵分解 技术结合每个分类的潜在向量，基于P0I的分类潜 在向量推算用户对P0I的相关分数.L m等人2将 P O I s的分类聚类成组，从用户历史签到数据中构建 用户-分类转换矩阵替代用户-P0I签到矩阵，应用 矩阵分解技术发现下一个用户可能签到的t o p-々分 类.Y m g等人3通过P O I s上标注的标签获取P O I s任星怡等：基于位置社交网络的上下文感知的兴趣点推荐827 4期的分类权重，基于分类的偏好与权重的内积评估用 户与P O I s间的相关分数.R a h i m i等人[37]通过P O I 的分类信息获取用户的偏好，以此简单识别用户对 P O I的喜好.Z h a o等人3聚类用户到各个社区中，每个社区作为加权的分类向量，通过社区中的用户，每个维度代表一个特定的P O I分类的签到数量，应 用基于用户的协同过滤方法并利用用户所在社区的 分类向量进一步计算用户间的相似性.2.6基于流行度信息的兴趣点推荐P O I s的流行度反映了 P O I s所提供的服务和产 品的质量.在兴趣点推荐中利用P O I s的流行度是 有用的.当前大多数研究认为P O I s的流行度为用 户对P O I s的普遍先验喜好.Y i n g等人3对于未签 到的P O I s,在完全二部图中，利用用户的先验喜好 作为用户与P O I s之间的加权边.其它一些研究工 作[5，利用地理信息获取先验喜好调整后验喜好.然而，一方面，在这些研究中，先验喜好不是个性 化的用户偏好.因此，在实践中得益于P O I s的流行 度是有限的.另一方面，当前一些研究[2°’24’27,3分 开地构建分类的影响和P O I s的流行度，因此，在这 种情况下，关于兴趣点推荐的分类和流行度信息可 能不会被充分利用.本文提出一种融合用户的分类 偏好和P O I s的流行度，并将其转换成用户与P O I 间的分类相关分数.3上下文感知的兴趣点推荐3.1问题陈述与模型框架本节定义数据结构、阐述研究问题并展示模型 框架.从L B S N的丰富信息中提取数据结构即P O I s 上的用户历史签到数据，包括P O I s的文本信息、P O I s的地理信息、用户的社会信息、P O I s的分类信 息以及P O I s的流行度.表1列出本文的关键符号.表1本文中的关键符号符号意义U在L B S N上所有用户的集合M；某用户：M UL在L B S N上所有P O I s的集合某P O I，L具有一对经纬度地理坐标（：犼，：犼）c在L B S N上所有P O I s的分类的集合c g某分类,e cw文本相关的唯一词的集合狑；某唯一词：6W^lui x |L|签到矩阵S|U x|U|社会关系矩阵C u i x ici分类偏好矩阵犘i c ix il i流行度矩阵为了便于说明，={m!，，…，MM}为用户的集合，M代表用户的数量.L=仏，Z2，…，/#}为P O I s的集 合,代表P O I s的数量.匸={1，2，，，£，为分类 的集合…代表分类的数量•W=，……W为文本信息相关的所有唯一词的集合…是唯一词的 数量.M为用户M，在P O I上的签到频率或者评 价..为与P O I Z,相关的文本项目.为与用户M,签到过的P O I s相关的文本项目图1模型框架定义1.签到矩阵.给定一个L B S N上的P O Is 的用户历史签到数据，构建一个签到矩阵J?|u|X I l，矩阵中的每个元素^+代表用户M U在位置，L上的签到频率或者评价…和L分别是L B S N上 的用户和P O I s的集合.定义2.社会关系矩阵.给定一个LBSN上的 用户之间的社会关系，构建一个社会关系矩阵S|U|X I U，如果在两个不不的用户M,，M,e u之间存 在社会关系，则=1;否则，…，■…=°定义3.分类偏好矩阵.给定一个L B S N上 的P O I s的用户历史签到数据与P O I s的分类信息，构建一个分类偏好矩阵C|u|x|c|，矩阵中的每个元素 …代表用户M方问属于分类《c的p〇i s的频 率…是P O I s的分类集合，通常在L B S N上是预先 定义的.请注意一个P O I可以属于多个分类.定义4.流行度矩阵.给定一个L B S N上的 P O I s的用户历史签到数据，构建一个流行度矩阵 P ICI x l，矩阵巾的每个元素〜代雜麵輔者所有用户在P O I /,上的总评价即在分类,C上 的P O I Z,的流行度.828计算机学报2017 年定义5.地理坐标.一个p〇iz,e L是与一对地理经纬度坐标(^,)相关的.本文模型框架如图1所示.⑴用户与PO I的话题配置.该方法有效地利用POI相关的文本信息及上下文信息，更好地配置用户与POI之间的话题模型；⑴地理相关性模型.给定一个用户访问过的POIs，首先评估用户所在位置经纬度坐标的个性化签到分布，然后构建用户已访问的POIs和未签到的POIs之间的地理相关性，最后计算用户对任一未签到的P0I的地理相关分数；⑴社会相关性模型.给定一个未签到的P0I，首先聚集用户朋友的社会签到频率或者评价，然后基于所有用户历史签到数据评估社会签到频率或者评价的分布，最后将其转化成用户对未签到的P0I的社会相关分数；⑷分类相关性模型.首先从用户访问过的POIs的分类标签中获取用户的偏好，其次利用用户的偏好在相对应的分类标签中对未签到的P0I的流行度进行加权，基于所有用户历史签到数据评估流行度的分布，然后将用户对未签到的P0I的加权流行度映射成分类相关分数，因此分类相关性即考虑所有POIs 的流行度又考虑所有POIs的分类信息从而有利于兴趣点推荐，其表示POIs的质量；⑴分数匹配.首先兴趣相关分数是关于话题的P0I的兴趣匹配用户的个性化兴趣话题；次，根据用户签到的所有POIs 的地理坐标，构建POIs之间的地理相关性，利用地理相关性生成某用户对某未签到的P0I的地理相关分数；后在用户朋友已访问的POIs之间，利用社会相关性生成某用户对某未签到的PO I的社会相关分数；一步在用户已访问的POIs与未签到的P0I之间的分类与流行度中，利用分类相关性生成某用户对某未签到的POI的分类相关分数；最后对兴趣相关分数、地理相关分数、社会相关分数与分类相关分数进行匹配生成偏好分数；⑴TGSC-PMF模型.将匹配后的偏好分数融合到概率矩阵分解模型中，从而提出一种新的上下文感知的概率矩阵分解算法进行兴趣点推荐生成推荐列表.3.2配置用户与POI的话题模型3.2. 1话题提取本文话题提取的目的是基于用户签到的POIs 的文本信息，基于LDA算法3.关于兴趣点推荐，我们提出一种聚合LDA模型学习用户的兴趣.通过话题分布提取用户和POI的配置文件.我们构建一个聚合LDA模型如图2所示.我们聚集与同一P0I有关的所有文本评论到一个P0I文档即心，同样我们聚集同一用户签到过的P O I s的所有文本评 论到一个用户文档即 这样我们获得一个大量的文档集合，每一个文档对应一个P0I或者一个用 户.此模型有两个潜在变量：⑴文档-话题分布0; ⑷话题-词语分布我们可以从用户感兴趣的话题以及与这些话题相关的P O I s的文本评论中获取 信息.图2聚合L D八模型本质上每一个用户或者P0I是由话题的多项 分布所代表，在统一的话题模型框架中，每一个话题 与文本词语的多项分布相关.因此，的话题代表 用户的兴趣话题.用户的兴趣话题多项分布表示为0.每个兴趣话题的文本项目多项分布表示为f 聚合LDA的生成过程如下：1. 针对每个话题沒{1，•••，}，提取一个文本项目项分布，，6D i r(/3).2. 针对用户《，的文档、⑴提取一个兴趣话题分布0 6 I T⑷）⑵针对文档^的每个词语:①提取一个话题)②提取一个词语狑犱〜Mult⑵犱)于是构成了矩阵0M X K和矩阵U于学习 后的矩阵0M X K和矩阵U-步推断用户U勺兴趣话题分布f t和p〇I的话题分布心.因此，我们可以计算话题的相似性.3.2.2模型参数学习在聚合LDA模型中，有两个未知的兴趣参数 集合：文档-话题分布0和话题-词语分布潜在变量z对应唯一词到话题中的配置.如图2所示，给定 两个超参数《和/?，所有用户文档的完全似然模型 如下：M犖犿力⑷，二J J I狆⑵狀，）•P⑵犿，\d m) •p(d m\a) •p(<I>\j3)⑴任星怡等：基于位置社交网络的上下文感知的兴趣点推荐829 4期请注意如式⑴所示，在聚合L D A的完全似然 模型中，直接评估0和@是很难计算的.在参数评 估的过程中，我们只需要对矩阵0M X K和矩阵@KXV 保持跟踪.对于这些矩阵，我们使用吉布斯采样[4°]来评估话题-词语分布与用户-话题分布.首先需要 采样潜在变量Z的条件分布如下：p(zt=k I W,=V U t，Z-t，w)cc狀⑴爾计数狀，表明排除项目*对应的话题或者文档.伴随着采样结果，我们使用d k=K n(’+an；⑴)+Ka犽一i和必狑=vn狀+口来评估0和必，⑴是关于话免狀⑴+vp狑~i题々的词配置频率，⑴是关于用户的文档心的话题观察计数.是唯一词的数量，是话题的数 量.这里我们设置a和是两个对称的先验.接下来，给定训练模型M:{0，}和超参数a 和/?，根据一个P O I的文档^推导话题分布P I ^，M).类似上述的聚合L D A模型的参数评估，我们同样使用吉布斯采样方法提取每个P O I的话题 分布.吉布斯采样的完全条件分布如下：p(zdi=k\w t=v u t,Z-t,W-t,M)CC⑴⑴犼，犻+a)⑴）然后，P O I,的文档C犾的话题分布是T T,t = Kn"+a，狀>是文档犱的题观察计数.狀⑴)-\~Kak-13.2.3兴趣相关分数我们定义用户^和P O I,之间的兴趣相关分 数作为用户话题分布艮和P O I话题分布^的相似性.通过兴趣相关分数计算P O I的兴趣与用户的个 性化兴趣的匹配程度.我们使用Jensen-Shannon散 度测量上述两个多项话题分布之间的相似性.用户 m,和P〇I之间的对称Jensen-Shannon散度如下：犇犛⑴，/,)=2°犻"m)+2⑴"m)⑷M=2(ft+7犼）和犇⑴ I I .)是 K ullback-Leibler 距 离.兴趣相关分数定义如下：S⑷，））=1—D犑⑷，犾)⑴我们在配置用户与P O I的话题模型中采用兴 趣相关分数模型的目是通过话题提取与参数学习的过程，获取用户对P O Is的兴趣偏好生成兴趣相 关分数，为了能够更好地与本文接下来所提的地理 相关分数、社会相关分数与分类相关分数进行分数 匹配生成偏好分数，从而更加有效地融合兴趣点推 荐的文本、地理、社会、分类与流行度信息.3.3兴趣点推荐的地理相关性模型P O Is的地理邻近性在用户签到行为中起着重 要的作用.换言之，邻近的P O Is比偏远的P O Is的地理相关性要强.因此，我们利用用户已签到的POIs和用户未签到的P O Is之间的地理相关性来评 估用户对未签到的P O I的地理相关分数.为构建 P01s之间的地理相关性，基于每个用户签到过的 P〇I S，我们在地理坐标上评估个性化签到分布.我 们采用核带宽到每个签到数据点，并且从底层的签 到数据中可以学习出自适应带宽.自适应核评估方 法包括3个步骤：试点估计、当地带宽决策、自适应 核评估地理相关分数.3.3. 1试点估计首先，我们基于固定带宽核密度估计发现一个 试点估计.让込={，/2,…，为用户〜签到过的 P O Is的集合.中的每个P O I/,都与一对经纬度 坐标⑷，犻相关.特别是，我们利用用户在P O U 上的签到频率或者评价⑷r v，，作为，权重，因为一个P O I的签到频率或者评价高就暗示着此P O I对用户更重要.用户在一个未签到的P O I犾上的签到分布的试点估计给定如下：/犌。

基于位置社交网络融合多种情景信息的兴趣点推荐研究摘要：本文旨在研究一种基于位置社交网络的兴趣点推荐方法，该方法融合了用户兴趣、位置、社交关系等多种情景信息，以满足用户的个性化兴趣需求。

首先，本文对当前兴趣点推荐方法的研究现状进行了梳理和分析。

随后，提出一种基于用户兴趣模型的兴趣点推荐算法，将用户的兴趣建模为多层次的兴趣子空间，并通过引入时间衰减因素实现了动态兴趣建模。

同时，本文还研究了基于位置和社交关系的兴趣点推荐算法，包括位置投票和社交关系加权两种算法。

最后，通过实验验证了所提出的兴趣点推荐方法的有效性和性能优越性。

关键词：位置社交网络；兴趣点推荐；动态兴趣模型；位置投票；社交关系加权一、引言随着移动互联网的快速发展，移动设备的普及和定位技术的成熟，越来越多的人们开始利用移动设备获取周边信息、开展社交活动以及享受个性化服务。

而其中一个重要的应用场景就是基于位置的兴趣点推荐，即向用户推荐符合其兴趣和位置需求的地点、商家、景点等信息。

近年来，研究者们已经提出了许多关于兴趣点推荐的方法，包括基于内容、社交、位置等方面的算法。

但是现有的兴趣点推荐算法仍然存在一些问题，比如兴趣模型的建立比较简单，缺乏动态性、可解释性和准确度；位置信息的使用比较单一，缺乏对不同位置的兴趣度差异的考虑，社交关系的使用也较为有限，在兴趣点推荐中的作用并不明显。

为了克服上述问题，本文提出了一种基于位置社交网络的兴趣点推荐方法，该方法融合了用户兴趣、位置、社交关系等多种情景信息，以满足用户的个性化兴趣需求。

具体来说，本文提出了基于用户兴趣模型的兴趣点推荐算法，将用户的兴趣建模为多层次的兴趣子空间，并通过引入时间衰减因素实现了动态兴趣建模。

同时，本文还研究了基于位置和社交关系的兴趣点推荐算法，包括位置投票和社交关系加权两种算法。

最后，通过实验验证了所提出的兴趣点推荐方法的有效性和性能优越性。

二、研究现状当前，兴趣点推荐已经成为一个热门的研究领域。

社交网络中的用户兴趣推荐与个性化服务引言：随着互联网技术的快速发展，社交网络平台成为人们获取信息、分享思想和建立社交关系的重要渠道。

然而，面对海量的信息和庞杂的用户群体，如何满足用户个性化需求成为社交网络平台面临的重要挑战。

为了提供更好的用户体验，社交网络平台需要根据用户的兴趣进行精准推荐和个性化服务。

本文将探讨社交网络中用户兴趣推荐和个性化服务的方法和技术。

一、用户兴趣推荐的方法和技术1.基于内容的推荐算法基于内容的推荐算法通过分析用户的历史行为和喜好，构建用户兴趣模型。

算法将用户的兴趣与社交网络上的内容进行匹配，推荐用户感兴趣的内容。

这种方法的优点在于可以大量利用用户的行为数据，但是在面对信息过载和用户兴趣多样化时，推荐结果可能不够准确。

2.基于社交网络关系的推荐算法基于社交网络关系的推荐算法通过分析用户在社交网络中的关系网络，推荐用户感兴趣的内容和社交关系。

算法将用户的邻居（朋友、关注的人等）的兴趣和行为考虑在内，提高了推荐的准确性和个性化程度。

然而，这种方法需要解决社交网络关系的数据收集和用户隐私保护的问题。

3.混合推荐算法混合推荐算法结合了基于内容和基于社交网络关系的推荐方法。

通过综合利用用户的兴趣、行为和社交网络关系，推荐更准确、个性化的内容和社交关系。

这种方法需要综合考虑算法的复杂度和计算资源的消耗。

二、个性化服务的方法和技术1.用户画像构建通过分析用户的个人资料、行为数据和兴趣标签，构建用户的画像。

用户画像可以包括用户的年龄、性别、职业、兴趣爱好和社交网络关系等信息。

通过用户画像，社交网络平台可以更好地了解用户的需求和喜好，提供个性化的服务。

2.定制化推荐基于用户画像和兴趣模型，社交网络平台可以为用户提供定制化的推荐服务。

例如，根据用户的兴趣爱好推荐相关的话题、社群和活动；根据用户的社交网络关系推荐适合的好友和社交互动；根据用户的职业和地理位置推荐相关的职业机会和商业活动等。

定制化推荐可以提高用户的满意度和参与度。