融合社交地理信息加权矩阵分解的兴趣点推荐算法

doi:10.13229/j.cnki.jdxbgxb.20211201

吉林大学学报(工学版) ›› 2023, Vol. 53 ›› Issue (9): 2632-2639.doi: 10.13229/j.cnki.jdxbgxb.20211201

融合社交地理信息加权矩阵分解的兴趣点推荐算法

何颖¹(),王卓然²,周旭³(),刘衍珩^1,²

^1.长春财经学院信息工程学院，长春 130122
^2.吉林大学计算机科学与技术学院，长春 130012
^3.吉林大学公共计算机教学与研究中心，长春 130012

收稿日期:2021-11-15 出版日期:2023-09-01 发布日期:2023-10-09
通讯作者: 周旭 E-mail:yinghe@ccufe.edu.cn;zhoux16@jlu.edu.cn
作者简介:何颖（1982-），女，副教授，博士.研究方向：移动网络应用.E-mail：yinghe@ccufe.edu.cn
基金资助:
国家自然科学基金项目(61806083);中央高校基本科研业务费项目(93K172021Z02)

Point of interest recommendation algorithm integrating social geographical information based on weighted matrix factorization

Ying HE¹(),Zhuo-ran WANG²,Xu ZHOU³(),Yan-heng LIU^1,²

^1.College of Information and Enignierring，Changchun University of Finance and Economics，Changchun 130122，China
^2.College of Computer Science and Technology，Jilin University，Changchun 130012，China
^3.Center for Computer Fundamental Education，Jilin University，Changchun 130012，China

Received:2021-11-15 Online:2023-09-01 Published:2023-10-09
Contact: Xu ZHOU E-mail:yinghe@ccufe.edu.cn;zhoux16@jlu.edu.cn

摘要/Abstract

摘要：

针对用户-兴趣点矩阵稀疏以及难于从隐反馈中获取用户对未访问位置的偏好而影响兴趣点推荐准确度的问题，本文提出了一种融合社交地理位置信息的加权矩阵分解兴趣点推荐算法（SGWMF）。首先，通过用户之间的相关性对社交信息进行幂律分布建模，基于用户好友的签到信息计算用户访问位置概率；其次，利用地理信息符合幂律分布特点重构用户访问位置偏好矩阵，缓解矩阵数据稀疏性问题；再次，为了增强加权矩阵分解模型的有效性，通过建模社交信息和地理信息挖掘出用户对未访问位置的偏好，并以隐反馈项的形式改进加权矩阵分解的目标函数；最后，在两个真实数据集上对算法性能进行对比验证，结果表明本文算法的性能要优于其他兴趣点推荐算法，推荐结果的准确性有明显提高。

关键词: 计算机应用, 社交地理信息, 加权矩阵分解, 兴趣点推荐

Abstract:

The point-of-interest （POI） recommendation services provided by the location-based social network （LBSN） have become an important means of mining users' preference for POIs. The sparsity of user-POI matrix is the primary problem to be solved， and a large number of unknown values in implicit feedback cannot reflect user preferences. To improve recommendation precision， this paper proposes a point of interest recommendation algorithm integrating social geographical information based on weighted matrix factorization （SGWMF）. The social information is modeled through the power-law distribution. The check-in information of the user's friends is converted into the user's visit location preference. Secondly， the power-law distribution of geographical information is used to construct the user's visit location preference matrix to alleviate the data sparsity problem. Thirdly， in order to extend the effectiveness of the model， we improve the objective function by adding implicit feedback term. Finally， the experimental results on two datasets show that it has better performance than other POI recommendation algorithms and can improve the accuracy of recommendation results.

Key words: computer application, social geographical information, weighted matrix factorization, point-of-interest （POI） recommendation

中图分类号:

TP391

何颖,王卓然,周旭,刘衍珩. 融合社交地理信息加权矩阵分解的兴趣点推荐算法[J]. 吉林大学学报(工学版), 2023, 53(9): 2632-2639.

Ying HE,Zhuo-ran WANG,Xu ZHOU,Yan-heng LIU. Point of interest recommendation algorithm integrating social geographical information based on weighted matrix factorization[J]. Journal of Jilin University(Engineering and Technology Edition), 2023, 53(9): 2632-2639.

图/表 8

表1

参数表"

参数	定义	参数	定义
$U$	数据集中所有用户的集合	$R$	用户-地点访问频率矩阵
$u$	某个用户 $u ∈$ $U$	$r u, l$	用户 $u$ 在地点 $l$ 的访问频率
$L$	数据集中所有地点的集合	$O u$	用户 $u$ 的地点簇类
$l$	某个地点 $l ∈$ $L$	$B u$	用户 $u$ 的中心位置集
$C$	用户签到0/1矩阵	$b n$	用户 $u$ 在簇 $n$ 下的中心位置
$S$	用户社交关系矩阵	$z$	用户好友的签到频率
$s u, u'$	用户 $u$ 与用户 $u'$ 有好友关系

表1

表2

图1

图2

图3

图4

图5

图6

参考文献 14

1	Zhao S, King I, Lyu M R. A Survey of Point-of-interest Recommendation in Location-based social Networks[J/OL]. [2021-11-05].
2	程龙, 李涵. 基于矩阵分解的推荐算法研究综述[J]. 北京信息科技大学学报: 自然科学版, 2021, 36(2): 38-45, 51.
	Cheng Long, Li Han. A review of recommendation algorithms based on matrix factorization[J]. Journal of Beijing Information Science & Technology University, 2021, 36(2): 38-45, 51.
3	张青博, 王斌, 崔宁宁, 等. 基于注意力机制的规范化矩阵分解推荐算法[J].软件学报, 2020, 31(3): 778-793.
	Zhang Qing-bo, Wang Bin, Cui Ning-ning, et al. Attention-based regularized matrix factorization for recommendation[J]. Journal of Software, 2020, 31(3): 778-793.
4	Ma H, Zhou D, Liu C, et al. Recommender systems with social regularization[C]∥Proceedings of the Forth International Conference on Web Search and Web Data Mining, WSDM, Hong Kong, China, 2011: 287-296.
5	Xu C, Ding AS, Zhao K. A novel POI recommendation method based on trust relationship and spatial-temporal factors[J]. Electronic Commerce Research & Applications, 2021, 48: 101060.
6	任星怡, 宋美娜, 宋俊德. 基于位置社交网络的上下文感知的兴趣点推荐[J]. 计算机学报, 2017, 40(4): 824-841.
	Ren Xing-yi, Song Mei-na, Song Jun-de. Context-aware point-of-interest recommendation in location-based social networks[J]. Chinese Journal of Computers, 2017, 40(4): 824-841.
7	李昆仑, 翟利娜, 赵佳耀, 等. 融合信任关系与评论文本的矩阵分解推荐算法[J]. 小型微型计算机系统, 2021, 42(2): 285-290.
	Li Kun-lun, Zhai Li-na, Zhao Jia-yao, et al. Matrix factorization recommendation algorithms by exploiting trust relationship and review text[J]. Journal of Chinese Computer Systems, 2021, 42(2): 285-290.
8	Hu Y, Volinsky K Y. Collaborative filtering for implicit feedback datasets[C]∥2008 8th IEEE International Conference on Data Mining, Pisa, Italy, 2008: 263-272.
9	Lian D, Zhao C, Xie X, et a1. GeoMF: joint geographical modeling and matrix factorization for point-of-interest recommendation[C]∥ACM Sigkdd International Conference on Knowledge Discovery and Data Mining, New York, USA, 2014: 831-840.
10	Guo L, Wen Y, Liu F. Location perspective-based neighborhood-aware POI recommendation in location-based social networks[J]. Soft Computing, 2019, 23(22): 11935-11945.
11	夏英, 张金凤. 融合社交关系和局部地理因素的兴趣点推荐[J].计算机工程与应用, 2021, 57(15): 133-139.
	Xia Ying, Zhang Jin-feng. POI Recommendation fusing social relations and local geographic factors[J]. Computer Engineering and Applications, 2021, 57(15): 133-139.
12	Cheng C, Yang H, King I, et a1. Fused matrix factorization with geographical and social influence in location-based social networks[C]∥AAAI Conference on Artificial Intelligence, Ontario, Canada, 2012: 17-23.
13	Liu B, Xiong H, Papadimitriou S, et a1. A general geographical probabilistic factor model for point of interest recommendation[J].IEEE Transactions on Knowledge & Data Engineering, 2015, 27(5): 1167-1179.
14	Liu Y, Wei W, Sun A, et a1. Exploiting geographical neighborhood characteristics for location recommendation [C]∥CIKM'14:Proceedings of the 23rd ACM International Conference on Conference on Information and Knowledge Management, Shanghai, China, 2014: 739-748.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

参数	数据集
参数	Gowalla	Brightkite
签到数量	1 278 274	4 747 281
用户数量	18 737	51 406
兴趣点数量	32 510	772 966
好友关系数量	86 985	428 156
用户-兴趣点的矩阵密度/10^-5	130	2.7084

[1]	霍光,林大为,刘元宁,朱晓冬,袁梦,盖迪. 基于多尺度特征和注意力机制的轻量级虹膜分割模型[J]. 吉林大学学报(工学版), 2023, 53(9): 2591-2600.
[2]	张云佐,董旭,蔡昭权. 拟合下肢几何特征的多视角步态周期检测[J]. 吉林大学学报(工学版), 2023, 53(9): 2611-2619.
[3]	肖明尧,李雄飞,朱芮. 基于NSST域像素相关分析的医学图像融合[J]. 吉林大学学报(工学版), 2023, 53(9): 2640-2648.
[4]	赵亚慧,李飞雨,崔荣一,金国哲,张振国,李德,金小峰. 基于跨语言预训练模型的朝汉翻译质量评估[J]. 吉林大学学报(工学版), 2023, 53(8): 2371-2379.
[5]	车翔玖,徐欢,潘明阳,刘全乐. 生物医学命名实体识别的两阶段学习算法[J]. 吉林大学学报(工学版), 2023, 53(8): 2380-2387.
[6]	王连明,吴鑫. 基于姿态估计的物体3D运动参数测量方法[J]. 吉林大学学报(工学版), 2023, 53(7): 2099-2108.
[7]	张则强,梁巍,谢梦柯,郑红斌. 混流双边拆卸线平衡问题的精英差分进化算法[J]. 吉林大学学报(工学版), 2023, 53(5): 1297-1304.
[8]	张振海,季坤,党建武. 基于桥梁裂缝识别模型的桥梁裂缝病害识别方法[J]. 吉林大学学报(工学版), 2023, 53(5): 1418-1426.
[9]	刘培勇,董洁,谢罗峰,朱杨洋,殷国富. 基于多支路卷积神经网络的磁瓦表面缺陷检测算法[J]. 吉林大学学报(工学版), 2023, 53(5): 1449-1457.
[10]	姜宇,潘家铮,陈何淮,符凌智,齐红. 基于分割方法的繁体中文报纸文本检测[J]. 吉林大学学报(工学版), 2023, 53(4): 1146-1154.
[11]	于鹏,朴燕. 基于多尺度特征的行人重识别属性提取新方法[J]. 吉林大学学报(工学版), 2023, 53(4): 1155-1162.
[12]	潘弘洋,刘昭,杨波,孙庚,刘衍珩. 基于新一代通信技术的无人机系统群体智能方法综述[J]. 吉林大学学报(工学版), 2023, 53(3): 629-642.
[13]	何颖,樊俊松,王巍,孙庚,刘衍珩. 无人机空地安全通信与航迹规划的多目标联合优化方法[J]. 吉林大学学报(工学版), 2023, 53(3): 913-922.
[14]	吴振宇,刘小飞,王义普. 基于DKRRT^*-APF算法的无人系统轨迹规划[J]. 吉林大学学报(工学版), 2023, 53(3): 781-791.
[15]	陶博,颜伏伍,尹智帅,武冬梅. 基于高精度地图增强的三维目标检测算法[J]. 吉林大学学报(工学版), 2023, 53(3): 802-809.

融合社交地理信息加权矩阵分解的兴趣点推荐算法

Point of interest recommendation algorithm integrating social geographical information based on weighted matrix factorization

RICH HTML

PDF (PC)

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 14

相关文章 15

Metrics

本文评价

推荐阅读 10