融合隐性和显性社交信息的连续兴趣点推荐方法研究

利用位置社交网络中的签到数据和用户社交关系开展对连续兴趣点推荐问题的研究。本文利用非负矩阵分解技术，构建用户的社交信息模型，考虑用户隐性和显性社交关系，将社交网络图转化为低维特征向量；改进LSTM结构，提出融合社交信息的连续兴趣点推荐模型SLSTM，该模型共享非负矩阵分解技术训练的图顶点向量，实现了图结构数据和签到序列数据的有效融合。在Gowalla和BrightKite签到数据集上进行实验，结果表明SLSTM模型优于目前主流的连续兴趣点推荐算法。在Gowalla数据集上，SLSTM模型在Recall@10指标的性能较SERM模型提高了17%，在BrightKite数据集上，Recall@10指标提高了15.2%，说明SLSTM模型在连续兴趣点推荐中的有效性。基于位置的社交网络包含丰富的上下文信息，本文只着重考虑了社交信息对推荐结果的影响。用户隐性社交关系对用户的行为偏好有重要影响；融合隐性和显性社交信息的连续兴趣点推荐方法具有较好的推荐结果。

近年来，随着移动定位技术的普及，许多在线社交网络应用引入了位置服务，将虚拟社交网络与真实地理位置连接起来，用户可以对自己访问的兴趣点进行打卡或签到(check-in)，使得位置社交网络(Location-based social network, LBSN)迅速发展[1]，如Yelp、滴滴、美团等。与此同时， 兴趣点的数量爆发式增长，如影院、酒店、餐厅等，大量的信息涌入用户视野，用户无法做出快速有效的选择。而兴趣点推荐应用的诞生，服务于用户的个性化需求，可以帮助用户快速选择感兴趣的位置，减少用户的决策时间，受到学者的重视。

现实中人类运动呈现序列模式的特点：在时间上，用户访问的兴趣点存在先后顺序；在空间上，用户访问的兴趣点存在远近关系。而当前兴趣点推荐研究大多忽视了用户签到数据的序列性和连续性。因此出现了通用兴趣点推荐的一个延伸问题——连续兴趣点推荐(successive POI recommendation) [2]，基于时间连续性特征的时空序列模式用于兴趣点推荐，其主要目的是在给定时间下，通过挖掘用户的历史签到记录以及其他类型的相关信息，预测用户下一个可能访问的地点。

连续兴趣点推荐对用户和兴趣点商家都有非常重要的应用价值。一方面，对于用户而言，连续兴趣点推荐是为用户推荐下一个可能感兴趣的兴趣点，时效性强，使得信息超载问题得到有效解决。另一方面，对于商家而言，连续兴趣点推荐可以帮助商家发现潜在的用户，为商家推广兴趣点或者服务，使服务更精确地呈现在用户眼前，有助于商家及时调整经营策略从而提高收入。