第2期 孟祥福，等：用户一兴趣点耦合关系的兴趣点推荐方法 ·229· 置信息，使得基于位置的社交网络(LBSNs)和兴 的显式和隐式关联关系集成到同一个框架中，综 趣点推荐(POI recommendation)技术得到了研究 合表征用户-兴趣点之间的耦合关系，在此基础 者的广泛关注。协同过滤是推荐系统中广泛使 上利用深度神经网络进行精准推荐。 用的方法，其基本思想是：通过分析用户的兴趣 本文的主要贡献：1)由于位置信息在兴趣点 偏好找到与某个用户偏好相似的其他用户，然 推荐中具有重要作用，提出将位置信息作为划分 后综合这些相似用户对兴趣点的评价，预测该 兴趣点类别的主要标准，进而采用K-means算法 用户对兴趣点的偏好程度。然而，在大规模数 对兴趣点进行聚类；2)提出了基于用户-兴趣点 据集中，用户对兴趣点的评价非常稀疏，仅依赖 耦合关系的兴趣点推荐模型，该模型综合考虑了 评级矩阵进行协同过滤推荐很难得到准确合理 兴趣点与用户在各自属性上的显式关联关系以及 的推荐结果。 在签到数据中的隐式关联关系，从而提高推荐结 用户与兴趣点在属性信息上存在显式的关联 果质量；3)在Yelp数据集上进行了算法的效果与 关系。例如，年轻人在选择兴趣点时可能会选择 性能实验评价，验证了本文方法的有效性。 游乐场，而老年人通常会选择公园；此外，人们在 1相关工作 选择兴趣点时也受距离的影响，多数情况下会选 择距离较近的兴趣点。由此可见，用户的年龄 近年来，随着空间Web对象的迅速增多，兴 和兴趣点的位置信息在用户选择兴趣点时起着一 趣点推荐成为当前推荐系统领域的研究热点。兴 定作用，也就是说，用户的年龄属性和兴趣点的 趣点推荐与传统的商品推荐有以下不同：1)兴趣 位置属性之间存在着显式关联关系。此外，用户 点具有位置信息，并且位置信息在用户选择兴趣 与兴趣点之间也存在着隐式关联关系。例如，签 点时起着重要作用。例如用户可能由于位置信息 到行为反映了用户与兴趣点之间的交互关系，用 更倾向于距离较近的兴趣点；2)兴趣，点推荐中的 户可能由于某种潜在因素选择了某个兴趣点，签 签到矩阵比普通商品推荐中的评分矩阵更加稀 到矩阵反映的就是用户与兴趣点之间的隐式关联 疏；3)用户对一个兴趣点的喜好更可能隐藏在评 关系。现有的推荐模型，通常是根据用户对兴趣 论文本中，而传统的商品推荐中用户的喜好通常 点的签到矩阵或评分矩阵，利用基于矩阵分解的 显式体现在用户对商品的评分中。 协同过滤方法进行兴趣点推荐，很少有模型同时 兴趣点推荐方面研究主要分为以下3类，第 考虑用户与兴趣点在属性（或特征）上的显式关 -类是下一个兴趣，点推荐(next POI recommenda- 联关系和通过签到矩阵体现的隐式关联关系，这 tion)5,。文献[8]提出了一种多上下文集成的深 里将用户与兴趣点之间的显式和隐式关联关系综 度神经网络模型(MCIDNN)提高下一个位置预测 合称为耦合关系。 的精度，该模型考虑了用户签到序列信息、用户 为了解决上述问题，本文提出了基于用户-兴 偏好和输入上下文（位置信息、时间信息等）之间 趣点耦合关系的兴趣点推荐模型，该模型分别学 的相互作用。文献[5]提出了一种个性化排序度 习用户与兴趣点在属性上的显式关联关系和签到 量嵌入方法(PRME),对个性化的签到序列进行建 矩阵中的隐式关联关系，将二者进行集成，进而 模，并且进一步提出了一个整合序列信息、个体偏 实现兴趣点的准确推荐。最近的一些研究也提出 好和地理位置影响的PRME-G模型。文献[6,10] 了使用深度学习进行推荐，但是对用户与兴趣点 采用基于一阶马尔可夫链对序列模式进行建模， 之间的交互行为进行建模时仍然使用矩阵分解方 但由于计算复杂度较高，该模型仅使用近期签到 法。文献[4阐述了矩阵分解建模用户和项目之 记录进行预测，忽略了长、短期序列上下文的影 间的交互行为的局限性，因此本文提出使用神经 响。文献[11]提出了用一个三阶张量来模拟用户 网络来改善矩阵分解方法，从而更好地挖掘用户 连续签到行为的模型，利用softmax函数将个性 与兴趣点之间的隐式关联关系。此外，位置信息 化马尔可夫链与潜在模式融合，提出了一种贝叶 是兴趣点的基本属性，也是兴趣点推荐算法必须 斯个性化排序(BPR)方法。文献[12]提出了Dis 考虑的关键因素s刀。本文利用k-means算法根据 tance2Pre模型，利用GRU模型整合用户不同地理 兴趣点的位置信息对兴趣点进行聚类，得到合适 距离偏好，在此基础上进行下一个兴趣点预测， 的区域分块，使得每个兴趣点被分配一个其对应 提出了线性和非线性两种方式整合用户距离偏好 区域的位置标签。在此基础上，构建一个卷积神 分数。不同于日常兴趣点推荐，下一个兴趣点推 经网络模型，用来捕获用户属性与兴趣点属性之 荐侧重于分析用户的历史移动序列轨迹，预测用 间的显式关联关系。最后，将用户与兴趣点之间 户下一时段可能访问的兴趣点。置信息，使得基于位置的社交网络 (LBSNs) 和兴 趣点推荐 (POI recommendation) 技术得到了研究 者的广泛关注。协同过滤是推荐系统中广泛使 用的方法，其基本思想是：通过分析用户的兴趣 偏好找到与某个用户偏好相似的其他用户，然 后综合这些相似用户对兴趣点的评价，预测该 用户对兴趣点的偏好程度。然而，在大规模数 据集中，用户对兴趣点的评价非常稀疏，仅依赖 评级矩阵进行协同过滤推荐很难得到准确合理 的推荐结果[1-2]。 用户与兴趣点在属性信息上存在显式的关联 关系。例如，年轻人在选择兴趣点时可能会选择 游乐场，而老年人通常会选择公园；此外，人们在 选择兴趣点时也受距离的影响，多数情况下会选 择距离较近的兴趣点[3]。由此可见，用户的年龄 和兴趣点的位置信息在用户选择兴趣点时起着一 定作用，也就是说，用户的年龄属性和兴趣点的 位置属性之间存在着显式关联关系。此外，用户 与兴趣点之间也存在着隐式关联关系。例如，签 到行为反映了用户与兴趣点之间的交互关系，用 户可能由于某种潜在因素选择了某个兴趣点，签 到矩阵反映的就是用户与兴趣点之间的隐式关联 关系。现有的推荐模型，通常是根据用户对兴趣 点的签到矩阵或评分矩阵，利用基于矩阵分解的 协同过滤方法进行兴趣点推荐，很少有模型同时 考虑用户与兴趣点在属性 (或特征) 上的显式关 联关系和通过签到矩阵体现的隐式关联关系，这 里将用户与兴趣点之间的显式和隐式关联关系综 合称为耦合关系。 为了解决上述问题，本文提出了基于用户−兴 趣点耦合关系的兴趣点推荐模型，该模型分别学 习用户与兴趣点在属性上的显式关联关系和签到 矩阵中的隐式关联关系，将二者进行集成，进而 实现兴趣点的准确推荐。最近的一些研究也提出 了使用深度学习进行推荐，但是对用户与兴趣点 之间的交互行为进行建模时仍然使用矩阵分解方 法。文献 [4] 阐述了矩阵分解建模用户和项目之 间的交互行为的局限性，因此本文提出使用神经 网络来改善矩阵分解方法，从而更好地挖掘用户 与兴趣点之间的隐式关联关系。此外，位置信息 是兴趣点的基本属性，也是兴趣点推荐算法必须 考虑的关键因素[5-7]。本文利用 k-means 算法根据 兴趣点的位置信息对兴趣点进行聚类，得到合适 的区域分块，使得每个兴趣点被分配一个其对应 区域的位置标签。在此基础上，构建一个卷积神 经网络模型，用来捕获用户属性与兴趣点属性之 间的显式关联关系。最后，将用户与兴趣点之间 的显式和隐式关联关系集成到同一个框架中，综 合表征用户−兴趣点之间的耦合关系，在此基础 上利用深度神经网络进行精准推荐。 本文的主要贡献：1) 由于位置信息在兴趣点 推荐中具有重要作用，提出将位置信息作为划分 兴趣点类别的主要标准，进而采用 K-means 算法 对兴趣点进行聚类；2) 提出了基于用户−兴趣点 耦合关系的兴趣点推荐模型，该模型综合考虑了 兴趣点与用户在各自属性上的显式关联关系以及 在签到数据中的隐式关联关系，从而提高推荐结 果质量；3) 在 Yelp 数据集上进行了算法的效果与 性能实验评价，验证了本文方法的有效性。 1 相关工作 近年来，随着空间 Web 对象的迅速增多，兴 趣点推荐成为当前推荐系统领域的研究热点。兴 趣点推荐与传统的商品推荐有以下不同：1）兴趣 点具有位置信息，并且位置信息在用户选择兴趣 点时起着重要作用。例如用户可能由于位置信息 更倾向于距离较近的兴趣点；2）兴趣点推荐中的 签到矩阵比普通商品推荐中的评分矩阵更加稀 疏；3）用户对一个兴趣点的喜好更可能隐藏在评 论文本中，而传统的商品推荐中用户的喜好通常 显式体现在用户对商品的评分中。 兴趣点推荐方面研究主要分为以下 3 类，第 一类是下一个兴趣点推荐 (next POI recommenda￾tion)[5,8-9]。文献 [8] 提出了一种多上下文集成的深 度神经网络模型 (MCIDNN) 提高下一个位置预测 的精度，该模型考虑了用户签到序列信息、用户 偏好和输入上下文 (位置信息、时间信息等) 之间 的相互作用。文献 [5] 提出了一种个性化排序度 量嵌入方法 (PRME)，对个性化的签到序列进行建 模,并且进一步提出了一个整合序列信息、个体偏 好和地理位置影响的 PRME-G 模型。文献 [6,10] 采用基于一阶马尔可夫链对序列模式进行建模， 但由于计算复杂度较高，该模型仅使用近期签到 记录进行预测，忽略了长、短期序列上下文的影 响。文献 [11] 提出了用一个三阶张量来模拟用户 连续签到行为的模型，利用 softmax 函数将个性 化马尔可夫链与潜在模式融合，提出了一种贝叶 斯个性化排序 (BPR) 方法。文献 [12] 提出了 Dis￾tance2Pre 模型，利用 GRU 模型整合用户不同地理 距离偏好，在此基础上进行下一个兴趣点预测， 提出了线性和非线性两种方式整合用户距离偏好 分数。不同于日常兴趣点推荐，下一个兴趣点推 荐侧重于分析用户的历史移动序列轨迹，预测用 户下一时段可能访问的兴趣点。 第 2 期 孟祥福，等：用户−兴趣点耦合关系的兴趣点推荐方法 ·229·