论文部分内容阅读
摘要：传统的协同过滤推荐算法一般基于用户对商品的评分而并未考虑用户的地理位置信息以及受到数据稀疏性问题的影响很大，该文针对以上问题，提出了一种基于用户地理位置的协同过滤推荐算法，根据用户的距离计算用户相似度，结合用户的评分信息对传统的user-based算法进行改进。实验结果表明，在对商品进行top-k推荐时，改进后的算法具有更好的推荐效果，推荐精确率和召回率都有所提升。
关键词：地理位置；距离；协同过滤；门店推荐；位置相似度
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）33-0012-03
随着移动互联网的快速发展，越来越多的用户通过手机等移动设备接入互联网，网络中的数据也呈现出爆炸增长的趋势，如何充分利用这些数据，为移动用户提供更好的推荐内容显得越来越重要。传统的推荐方式有基于内容的推荐、基于关联规则的推荐、协同过滤推荐、基于矩阵分解的推荐、集成学习推荐，其中协同过滤推荐是在移动推荐领域应用最广泛的推荐算法。传统的协同过滤算法面临很多的不足，如受用户评分标准不一致性和数据稀疏性影响较大，针对这些问题，我们考虑引入门店的地理位置信息，通过结合门店的距离[1]来实现更加精准的用户推荐。
一般来说，由于用户个体活动范围的局限性，用户倾向于选择固定地区的门店进行消费，距离该个体消费门店越远的店，其产生消费的成本越高，消费的概率也越低。目前一般的推荐系统并没有深入研究门店聚集性对用户消费产生的影响，本文综合用户喜好和门店的距离因素，提出了一种加入门店地理位置的协同过滤推荐算法[2][5]，用于为门店寻找合适的用户。
1数据与算法
1.1数据来源
本文数据集来自门店交易数据。门店每天产生交易流水，其中包含了丰富的用户行为记录，结合门店本身的地理位置信息，产生了包含地理位置的行为数据[3]。原始数据集为北京市某个商圈的所有门店消费记录以及门店的地理位置坐标，经过预处理过后，如表3所示。mid为门店ID，uid为用户ID，rating为门店对用户的评分，这里采用的是隐式评分，即只要有过消费记录，不论消费多少次，即把评分置为1，表名该门店的用户偏好。latitude为门店的纬度坐标，longitude为门店的经度坐标。
1.2推荐算法
传统的协同过滤算法是从门店-用户的二元评分矩阵中计算目标门店与其他门店的相似度，找到距离目标门店最近的n个门店，综合这n个门店对用户的评分，对目标门店对用户的评分，最终得出该门店的top-k用户推荐。
在计算目标门店与周围门店的相似度时，相似度的计算方式主要有两种：皮尔逊相似度和修正的余弦相似度。
一般采用的距离衰减函数主要有3种[9]，高斯衰减函数、指数衰减函数、幂函数衰减。如图1所示，可以看出，指数函数和幂函数在门店距离较近时衰减非常快，高斯函数在门店间距较低时衰减较为平滑，我们采用高斯衰减函数。
针对门店最近邻个数的取值，从实验结果图3、图4可以看出，最近邻个数越低，precision值越高，以top-k取值20为例，当nearest达到最低为3时，precision、recall、f1值最优，推荐效果最好。这说明用户在选择门店进行消费时，与门店的相关性很高。
综合以上试验结果可以看出，在精确度（precision）、召回率（recall）、f1这3个指标上，基于地理位置的协同过滤算法都要明显的优于传统协同过滤算法。
3结语
本文提出了一种基于门店地理位置的协同过滤推荐算法，通过计算门店地理位置的相似度，对比传统的通过皮尔逊相关系数与余弦距离的相似度计算方法，取最近邻的N个门店进行top-k用户推荐。实验结果表明，基于门店地理位置相似度的协同过滤算法在本数据集上要优于传统无改进的协同过滤算法。
参考文献：
[1] 刘树栋，孟祥武.基于位置的社会化网络推荐系统[J].计算机学报，2015（3802）：322-336.
[2]田恩菊.基于地理位置的朋友推荐研究[D].山东大学，2017.
[3] 任星怡，宋美娜，宋俊德.基于用户签到行为的兴趣点推荐[J].计算机学报，2017（4001）：28-51.
[4] 朱鵬军.基于用户行为特征的性别预测研究[J].电脑知识与技术，2018（1402）：158-160.
[5] LogeshRavi，SubramaniyaswamyVairavasundaram，SilviaConforto.ACollaborativeLocationBasedTravelRecommendationSystemthroughEnhancedRatingPredictionfortheGroupofUsers[J].ComputationalIntelligenceandNeuroscience，2016.
[6] JieBao，YuZheng，DavidWilkie，MohamedMokbel.Recommendationsinlocation-basedsocialnetworks：asurvey[J].GeoInformatica，2015（193）.
[7] HaidongZhong，ShaozhongZhang，LinglingHua，WentingYuan，XudongZhao.AConceptualandTechnologicalFrameworkonLocationBasedPersonalizedRecommendationforMobileE-commerce[J].JournalofConvergenceInformationTechnology，2013（810）.
[8] ACOLLABORATIVELOCATIONMODELFORCELLULARMOBILEPOSITIONLOCATION[J].JournalofElectronics，2004（06）：449-453.
[9] YuLiu，ChaoguiKang，SongGao，YuXiao，YuanTian.Understandingintra-urbantrippatternsfromtaxitrajectorydata[J].JournalofGeographicalSystems，2012（144）.
【通联编辑：光文玲】
关键词：地理位置；距离；协同过滤；门店推荐；位置相似度
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）33-0012-03
随着移动互联网的快速发展，越来越多的用户通过手机等移动设备接入互联网，网络中的数据也呈现出爆炸增长的趋势，如何充分利用这些数据，为移动用户提供更好的推荐内容显得越来越重要。传统的推荐方式有基于内容的推荐、基于关联规则的推荐、协同过滤推荐、基于矩阵分解的推荐、集成学习推荐，其中协同过滤推荐是在移动推荐领域应用最广泛的推荐算法。传统的协同过滤算法面临很多的不足，如受用户评分标准不一致性和数据稀疏性影响较大，针对这些问题，我们考虑引入门店的地理位置信息，通过结合门店的距离[1]来实现更加精准的用户推荐。
一般来说，由于用户个体活动范围的局限性，用户倾向于选择固定地区的门店进行消费，距离该个体消费门店越远的店，其产生消费的成本越高，消费的概率也越低。目前一般的推荐系统并没有深入研究门店聚集性对用户消费产生的影响，本文综合用户喜好和门店的距离因素，提出了一种加入门店地理位置的协同过滤推荐算法[2][5]，用于为门店寻找合适的用户。
1数据与算法
1.1数据来源
本文数据集来自门店交易数据。门店每天产生交易流水，其中包含了丰富的用户行为记录，结合门店本身的地理位置信息，产生了包含地理位置的行为数据[3]。原始数据集为北京市某个商圈的所有门店消费记录以及门店的地理位置坐标，经过预处理过后，如表3所示。mid为门店ID，uid为用户ID，rating为门店对用户的评分，这里采用的是隐式评分，即只要有过消费记录，不论消费多少次，即把评分置为1，表名该门店的用户偏好。latitude为门店的纬度坐标，longitude为门店的经度坐标。
1.2推荐算法
传统的协同过滤算法是从门店-用户的二元评分矩阵中计算目标门店与其他门店的相似度，找到距离目标门店最近的n个门店，综合这n个门店对用户的评分，对目标门店对用户的评分，最终得出该门店的top-k用户推荐。
在计算目标门店与周围门店的相似度时，相似度的计算方式主要有两种：皮尔逊相似度和修正的余弦相似度。
一般采用的距离衰减函数主要有3种[9]，高斯衰减函数、指数衰减函数、幂函数衰减。如图1所示，可以看出，指数函数和幂函数在门店距离较近时衰减非常快，高斯函数在门店间距较低时衰减较为平滑，我们采用高斯衰减函数。
针对门店最近邻个数的取值，从实验结果图3、图4可以看出，最近邻个数越低，precision值越高，以top-k取值20为例，当nearest达到最低为3时，precision、recall、f1值最优，推荐效果最好。这说明用户在选择门店进行消费时，与门店的相关性很高。
综合以上试验结果可以看出，在精确度（precision）、召回率（recall）、f1这3个指标上，基于地理位置的协同过滤算法都要明显的优于传统协同过滤算法。
3结语
本文提出了一种基于门店地理位置的协同过滤推荐算法，通过计算门店地理位置的相似度，对比传统的通过皮尔逊相关系数与余弦距离的相似度计算方法，取最近邻的N个门店进行top-k用户推荐。实验结果表明，基于门店地理位置相似度的协同过滤算法在本数据集上要优于传统无改进的协同过滤算法。
参考文献：
[1] 刘树栋，孟祥武.基于位置的社会化网络推荐系统[J].计算机学报，2015（3802）：322-336.
[2]田恩菊.基于地理位置的朋友推荐研究[D].山东大学，2017.
[3] 任星怡，宋美娜，宋俊德.基于用户签到行为的兴趣点推荐[J].计算机学报，2017（4001）：28-51.
[4] 朱鵬军.基于用户行为特征的性别预测研究[J].电脑知识与技术，2018（1402）：158-160.
[5] LogeshRavi，SubramaniyaswamyVairavasundaram，SilviaConforto.ACollaborativeLocationBasedTravelRecommendationSystemthroughEnhancedRatingPredictionfortheGroupofUsers[J].ComputationalIntelligenceandNeuroscience，2016.
[6] JieBao，YuZheng，DavidWilkie，MohamedMokbel.Recommendationsinlocation-basedsocialnetworks：asurvey[J].GeoInformatica，2015（193）.
[7] HaidongZhong，ShaozhongZhang，LinglingHua，WentingYuan，XudongZhao.AConceptualandTechnologicalFrameworkonLocationBasedPersonalizedRecommendationforMobileE-commerce[J].JournalofConvergenceInformationTechnology，2013（810）.
[8] ACOLLABORATIVELOCATIONMODELFORCELLULARMOBILEPOSITIONLOCATION[J].JournalofElectronics，2004（06）：449-453.
[9] YuLiu，ChaoguiKang，SongGao，YuXiao，YuanTian.Understandingintra-urbantrippatternsfromtaxitrajectorydata[J].JournalofGeographicalSystems，2012（144）.
【通联编辑：光文玲】