基于位置的社交網(wǎng)絡(luò)的個(gè)性化興趣點(diǎn)推薦算法研究

摘 要：目前隨著科技的發(fā)展，通過(guò)一系列的探索可以發(fā)現(xiàn)，用戶的興趣會(huì)隨著時(shí)間和地理位置的變化而產(chǎn)生一定變化，因而提出具有混合時(shí)空和流行度特征興趣點(diǎn)的推薦算法是非常重要的?；诖耍疚闹饕懻摿嗽谖恢没A(chǔ)上的社交網(wǎng)絡(luò)個(gè)性化興趣點(diǎn)推薦算法的探索策略。

關(guān)鍵詞：位置;社交網(wǎng)絡(luò);個(gè)性化興趣點(diǎn);推薦算法

隨著互聯(lián)網(wǎng)的擴(kuò)張，數(shù)據(jù)量也出現(xiàn)了大幅度的增加，人們已經(jīng)擺脫了數(shù)據(jù)比較匱乏的時(shí)期，進(jìn)入到一個(gè)大數(shù)據(jù)的時(shí)期，并順應(yīng)這個(gè)時(shí)代會(huì)產(chǎn)生兩種角色，即數(shù)據(jù)的消費(fèi)者和數(shù)據(jù)生產(chǎn)者。這兩種角色目前面臨的挑戰(zhàn)是極大的，而對(duì)數(shù)據(jù)的消費(fèi)者來(lái)說(shuō)，怎樣才能夠在互聯(lián)網(wǎng)當(dāng)中準(zhǔn)確搜索出自身需求的數(shù)據(jù)是非常困難的，而對(duì)于互聯(lián)網(wǎng)數(shù)據(jù)生產(chǎn)者來(lái)說(shuō)，怎樣才能夠讓發(fā)布數(shù)據(jù)更為有效也是一件非常困難的事情。

一、推薦算法的相關(guān)技術(shù)

（一）協(xié)同過(guò)濾推薦

一般來(lái)說(shuō)，協(xié)同過(guò)濾推薦可以分成兩個(gè)步驟，首先就是幫助指定的用戶a來(lái)發(fā)現(xiàn)自己所具備的一些類似喜好的臨近用戶b群體。其次就是向a推薦必選題所偏愛(ài)的且a并不了解的東西，協(xié)同過(guò)濾推薦中主要之處就是要尋找最近的一些b群體，但群體當(dāng)中的個(gè)體和目標(biāo)用戶的距離主要就是通過(guò)個(gè)體及目標(biāo)的相似程度來(lái)進(jìn)行衡量的，相似程度越多，那么二者之間的距離就相對(duì)越近，則b群體對(duì)物品所有的打分就會(huì)更具參考性，用戶對(duì)于物品的打分如果更高，那么就證明用戶對(duì)于物品的興趣程度也會(huì)更高，每一個(gè)用戶對(duì)物品所進(jìn)行的打分可以由一些維度向量以表示，而用戶之間的相似程度可以由對(duì)應(yīng)維度向量的相似程度來(lái)進(jìn)行衡量。

協(xié)同過(guò)濾推薦中的基于物品的協(xié)同過(guò)濾算法，其主要原理就是向目標(biāo)用戶推薦之前所感興趣的一些物品以及相似的物品，且物品之間相似度的計(jì)算主要通過(guò)對(duì)用戶的分析和行為記錄來(lái)獲得，若a物品和b物品相互之間的相似度高，一般則體現(xiàn)在喜歡a物品的用戶很有可能也會(huì)喜歡b物品，比如在亞馬遜當(dāng)中就是按照統(tǒng)計(jì)數(shù)據(jù)表來(lái)表明消費(fèi)品移動(dòng)用戶的相關(guān)消費(fèi)概率，在物品基礎(chǔ)上的協(xié)同過(guò)濾算法，首先就是要按照喜歡物品的用戶數(shù)來(lái)估算出物品之間的相似程度，之后再結(jié)合上一個(gè)步驟，讓用戶偏好的行為給予用戶來(lái)推薦其較感興趣的物品。

（二）基于內(nèi)容的推薦

基于內(nèi)容的推薦主要就是來(lái)源于信息檢索的領(lǐng)域，按照用戶所感興趣的一些項(xiàng)目，挑選出類似的項(xiàng)目予以推薦，首先需要提取被推薦的項(xiàng)目，根據(jù)其各自的內(nèi)容特征和用戶的偏好來(lái)進(jìn)行相似度的計(jì)算，把一些相似度相對(duì)更高的項(xiàng)目推薦給用戶，比如在進(jìn)行電影推薦的過(guò)程當(dāng)中，推薦系統(tǒng)則會(huì)分析出用戶之前所看過(guò)的電影共性，之后從其他電影當(dāng)中選擇出與用戶的偏好比較相似的電影推薦，并計(jì)算被推薦項(xiàng)目的特性以及用戶喜好的特性，而相像程度的具體方法一般會(huì)使用相似度，且對(duì)于文本內(nèi)容特性的提取方法相對(duì)而言也已經(jīng)趨于成熟，比如新聞推薦。而對(duì)于多媒體數(shù)據(jù)內(nèi)容的特性提取，仍然也需要大幅度的探索。

二、混合時(shí)空以及流行度特征的興趣點(diǎn)推薦算法

（一）融合用戶協(xié)同過(guò)濾和時(shí)間特征的興趣點(diǎn)推薦

首先是預(yù)處理數(shù)據(jù)，其次就是對(duì)任意兩個(gè)時(shí)間點(diǎn)的相似度來(lái)進(jìn)行處理，再次就是平滑技術(shù)下的用戶相似度，最后則基于平滑技術(shù)與時(shí)間感知的用戶協(xié)同過(guò)濾。

（二）融合流行度和空間特征的興趣點(diǎn)推薦

首先就是最近零候選興趣點(diǎn)，用戶傾向于訪問(wèn)一些曾經(jīng)去過(guò)的地方，和目前的位置越接近則興趣就會(huì)更高，反之，隨著距離不斷地增加，用戶的興趣點(diǎn)也會(huì)因此而得到下降。其次就是要基于時(shí)間因素興趣點(diǎn)的流行度，每一個(gè)興趣點(diǎn)在一天當(dāng)中的不同時(shí)間點(diǎn)，用戶的簽到概率都是不一樣的，也就是興趣點(diǎn)的流行度是不一樣的。不同的興趣點(diǎn)在時(shí)間點(diǎn)不同的情況下，用戶的簽到概率也是有所區(qū)別的，使用后選興趣點(diǎn)在某一個(gè)時(shí)間點(diǎn)簽到的數(shù)量，以及這個(gè)候選興趣點(diǎn)長(zhǎng)期簽到的數(shù)量，就能夠選擇出一些較為有效的評(píng)估方法。

通過(guò)深入分析，分析在用戶歷史行為數(shù)據(jù)基礎(chǔ)上的計(jì)算方式，將時(shí)間、空間以及流行度的特征融在興趣點(diǎn)推薦當(dāng)中，而且分別能夠提出一些在不同時(shí)間點(diǎn)用戶簽到比較相似的時(shí)間平滑技術(shù)以及基于時(shí)間因素興趣點(diǎn)流行度的評(píng)價(jià)方法，能夠設(shè)計(jì)一種有效的算法，這個(gè)算法的優(yōu)點(diǎn)就在于不斷能夠讓推薦系統(tǒng)的計(jì)算量降低，同時(shí)也可以提高一些系統(tǒng)性能，讓其應(yīng)用價(jià)值達(dá)到更高。

三、基于隱含語(yǔ)義分析模型的興趣推薦算法

（一）興趣點(diǎn)推薦流程框架

首先就是數(shù)據(jù)采集層，每一條用戶的簽到數(shù)據(jù)都包括用戶的名稱、簽到的時(shí)間以及坐標(biāo)位置和用戶對(duì)興趣點(diǎn)的評(píng)論信息等，可以選擇公開(kāi)的數(shù)據(jù)來(lái)避免網(wǎng)絡(luò)數(shù)據(jù)帶來(lái)的數(shù)據(jù)不規(guī)范性，并且可以避免后續(xù)處理數(shù)據(jù)所帶來(lái)的一些復(fù)雜性。但是公開(kāi)數(shù)據(jù)集也是具有一定缺點(diǎn)的，可用的有效信息相對(duì)比較少，因此如何才能使用有效的信息來(lái)進(jìn)行新人推薦也是非常重要的。

其次就是數(shù)據(jù)分析層，數(shù)據(jù)采集層所提到公開(kāi)數(shù)據(jù)的有效信息量是比較少的，因此從一些比較有限的信息量當(dāng)中提取較為有用的信息特征，對(duì)設(shè)計(jì)較為高效的興趣點(diǎn)推薦算法都是非常關(guān)鍵的。本文主要可以從用戶的直觀與隱藏這兩個(gè)新區(qū)方面來(lái)分析用戶簽到的數(shù)據(jù)集，并了解到用戶簽到的行為特征主要包括有時(shí)間特征和空間特征，以及用戶過(guò)往的喜好行為特征和文本評(píng)論的特征，通過(guò)統(tǒng)計(jì)和分析原理發(fā)掘所得到的時(shí)間與其差異性、連續(xù)性的特征，以及最近聯(lián)合興趣點(diǎn)流行度相互之間的特征等，這些特征是推薦算法生成的一個(gè)基本條件，也是社交網(wǎng)絡(luò)個(gè)性化信息點(diǎn)推薦的一個(gè)最為實(shí)際的依據(jù)。

再次就是要按照用戶簽到數(shù)據(jù)所集中分析得到的信息特征、空間信息特征和用戶的行為偏好特征，以及文本評(píng)論的信息特征等。本文主要討論了融合用戶的協(xié)同過(guò)濾和時(shí)間特征在信息點(diǎn)的推薦融合流行度與空間特征，并且在信息點(diǎn)的推薦方面從用戶的直觀興趣與隱藏興趣這兩個(gè)方面來(lái)進(jìn)行融合各種不同的推薦，最后能夠得到在位置基礎(chǔ)上社交網(wǎng)絡(luò)個(gè)性化的興趣點(diǎn)推薦的算法，并給出一定的推薦結(jié)果。

最后就是實(shí)驗(yàn)分析層，實(shí)驗(yàn)分析層主要就是從實(shí)驗(yàn)的環(huán)境、實(shí)驗(yàn)評(píng)估指標(biāo)與參數(shù)的選取，以及對(duì)比實(shí)驗(yàn)這幾個(gè)方面來(lái)展開(kāi)，首先要選擇配置相對(duì)較高的硬件環(huán)境以及推薦系統(tǒng)設(shè)計(jì)比較常用的軟件語(yǔ)言，其次對(duì)設(shè)計(jì)出來(lái)的算法要選擇效果最為優(yōu)質(zhì)的參數(shù)，之后分別從推薦的精確率與召回率這兩個(gè)方面，來(lái)評(píng)估興趣點(diǎn)并推薦算法。挑選目前推薦效果較優(yōu)質(zhì)的推薦算法進(jìn)行相互對(duì)比，從而評(píng)估設(shè)計(jì)出算法的可能性。

（二）基于用戶歷史簽到行為偏好興趣點(diǎn)推薦算

用戶的行為歷史偏好是能夠改善推薦的一個(gè)最重要因素，這種算法可以有效地把用戶的興趣點(diǎn)映射到一個(gè)相對(duì)較低的美圖空間當(dāng)中來(lái)進(jìn)行解決，這種興趣點(diǎn)模型能夠在顯性反饋的信息上更加有效地解決評(píng)分和預(yù)測(cè)問(wèn)題，而隱性反饋信息其獨(dú)特之處就是只有正樣本沒(méi)有負(fù)樣本，而其次構(gòu)造損失函數(shù)來(lái)尋找比較合適的用戶隱含類別與興趣點(diǎn)，之后再優(yōu)化損失函數(shù)，最后就可以得到相關(guān)算法。

（三）基于文本信息的興趣點(diǎn)推薦算法

用戶的一些隱藏興趣可以由用戶點(diǎn)評(píng)興趣點(diǎn)的文本信息所存呈現(xiàn)出來(lái)，和一些具有客觀性文本相互之間的區(qū)別就是這些主觀色彩相對(duì)較濃厚的評(píng)論信息，富含有用戶對(duì)于興趣點(diǎn)的根本看法。對(duì)用戶來(lái)推薦一些比較新穎的興趣點(diǎn)是具有一些參考價(jià)值的，本文的中心意思在得到挖掘的過(guò)程中，一般來(lái)說(shuō)使用三層貝葉斯概率模型來(lái)進(jìn)行，且其主題模型可以從文檔和詞語(yǔ)之間發(fā)現(xiàn)一些比較潛在的關(guān)系，從而提高人們對(duì)于文本信息的處理能力。

四、結(jié)語(yǔ)

綜上所述，目前興趣點(diǎn)推薦算法能夠有效的評(píng)估不同用戶在系統(tǒng)當(dāng)中的興趣點(diǎn)，本文主要討論的一些較為經(jīng)典的推薦算法，對(duì)其在社交網(wǎng)絡(luò)當(dāng)中的一些概念進(jìn)行相關(guān)敘述，并估算用戶在某一個(gè)時(shí)間當(dāng)中，有可能會(huì)訪問(wèn)從未去過(guò)的位置概率，從而針對(duì)用戶的興趣點(diǎn)進(jìn)行一定的推薦，使系統(tǒng)能夠更加優(yōu)化并且可以滿足用戶的個(gè)性化需求，盡量緩解信息過(guò)載的問(wèn)題，而系統(tǒng)當(dāng)中的推薦性能也可以獲得全面發(fā)展。

參考文獻(xiàn)：

[1]王丹妮，劉穎.基于位置的社交網(wǎng)絡(luò)的個(gè)性化興趣點(diǎn)推薦算法研究[J].無(wú)線互聯(lián)科技，2018，15（15）：32-33.

[2]劉全飛.基于位置的社交網(wǎng)絡(luò)的個(gè)性化興趣點(diǎn)推薦算法研究[J].無(wú)線互聯(lián)科技，2018，15（11）：145-146.

[3]季軍.基于位置的社交網(wǎng)絡(luò)的個(gè)性化興趣點(diǎn)推薦算法研究[J].電腦知識(shí)與技術(shù)，2018，14（15）：14-15+21.

[4]李粉杰.基于位置的社交網(wǎng)絡(luò)的個(gè)性化興趣點(diǎn)推薦算法研究[J].科學(xué)技術(shù)創(chuàng)新，2018（11）：59-60.

作者簡(jiǎn)介：李丹霞，女，陜西延安人。