论文部分内容阅读
位置社交服务的广泛使用使得兴趣点推荐获得了学术界与工业界的极大关注。兴趣点推荐指为用户推荐感兴趣的地点,包括商家、机构、公共场所等。在位置社交服务中,用户通常以签到的方式,与好友或者网友分享他们的经验或评论。在用户与位置服务进行互动时,会产生大量的数据,如评论、打分、社交关系、地理位置等信息,这些数据为挖掘用户偏好提供了基础。通过分析用户历史数据,兴趣点推荐技术可以帮助用户找到感兴趣的地点(探索城市)、减少决策时间、提供更好的用户体验,而且通过结合营销技术可增加商业利润。利用丰富的多源异构信息提升推荐系统用户体验的同时,也面临一些挑战。一方面,用户兴趣具有多样性;另一方面,与传统推荐系统类似,兴趣点推荐系统也面临数据稀疏性、冷启动等问题。由此,本文聚焦于如何利用多源异构信息去捕捉用户兴趣多样性,以及如何利用多源异构信息去解决数据稀疏性的问题。本文主要关注地理位置和社交关系两方面信息。为了解决上述问题,本文开展了基于地理位置和社交关系的兴趣点推荐技术研究,即通过利用地理位置和社交关系,精准刻画用户兴趣,从而对用户将要访问的地点进行准确预测与推荐。具体而言,本文主要研究内容、成果如下:针对用户兴趣多样性问题,本文提出基于用户心理和地理位置表现建模用户轨迹的兴趣点推荐算法。直观地,用户签到行为是用户心理的一种表现。具体而言,用户对多个地点的评价和访问并非独立存在,而是用户对一个商圈内多个商家综合比较后的喜爱与否的心理表现。基于此观察,本工作依据签到行为的比较性、差异性、局部性,利用签到次数与位置信息建模用户兴趣,准确地刻画用户心理。本工作结合经济学中的效用理论与幂律分布建模用户行为。具体而言,使用效用理论刻画比较性、差异性,采用幂律分布刻画局部性,利用效用理论去设计优化函数,然后融合幂律分布作出最后的预测。在Brightkite和Gowalla数据集上实验结果表明,基于用户心理和地理位置表现的兴趣点推荐算法优于对比算法。针对数据稀疏性问题,本文提出基于兴趣圈中专家关系的兴趣点推荐算法。依据社会学中的“同质性”理论,用户与其社交网络中的“好友”有相似性的偏好,很多学者通过融入社交关系来解决数据稀疏性问题。然而,融合社交关系的推荐方法鲜有考虑意见领导者(专家)的作用。本文设计一个基于兴趣圈中专家关系的兴趣点推荐算法,可以更好地解决推荐中的数据稀疏性问题。依据同质性理论,本文认为对于那些和“朋友”有不同兴趣爱好的用户,与他们在一个兴趣圈中专家对他们的影响更大。具体而言,本工作首先采用无监督的方法识别出社交网络中显式和隐式的专家。然后按照其访问地点的类型将用户划分到不同的兴趣圈,每个兴趣圈中的用户会受到领域内专家影响。最后,在目标函数中构建显示和隐示的专家正则化项去刻画专家影响,学习用户偏好。实验结果表明,基于兴趣圈中专家关系的兴趣点推荐算法优于对比算法,尤其在解决冷启动问题上算法性能优异。