电子信息技术

本发明公开一种基于跨域关联的兴趣点推荐方法，着重解决POI推荐领域存在的数据稀疏问题和冷启动用户的问题。通过分析客观的电子商务数据集反应用户的购买偏好，映射到POI领域进行辅助推荐。能够很好的解决协同过滤技术中存在的不足。本发明考虑了用户在某一段时间内的兴趣迁移问题，能够更加充分地反应用户在不同季节时间段的购买偏好变化。

技术亮点

本发明所要解决的是现有协同过滤推荐方法存在数据稀疏性和冷启动用户的问题，提供一种基于跨域关联的兴趣点推荐方法。为解决上述问题，本发明是通过以下技术方案实现的：一种基于跨域关联的兴趣点推荐方法，包括步骤如下：步骤1、将用户在源域和目标域中的数据分别存储到源域矩阵和目标域矩阵中，其中源域矩阵的内容是用户购买物品及其购买次数，目标域矩阵的内容是用户签到兴趣点及其签到次数；步骤2、采用LDA模型对每个用户的源域矩阵和目标域矩阵分别进行用户的购买偏好和签到偏好分布进行分析，得到每个用户的购买偏好分布和签到偏好分布；

该发明公开了一种基于跨域关联的兴趣点推荐方法，通过将用户兴趣点数据与地理位置数据进行关联，利用图嵌入技术对数据进行建模，并使用基于图嵌入的推荐算法进行兴趣点推荐。

这种推荐方法具有以下应用前景：

帮助用户发现新的兴趣点：通过将用户的兴趣点与其他数据进行关联，可以发现用户可能感兴趣的新地点。

提高推荐准确性：通过利用图嵌入技术对数据进行建模，可以更准确地捕捉数据之间的关系，从而提高推荐的准确性。

提供个性化推荐：通过考虑用户的历史行为和兴趣点，可以为用户提供个性化的推荐。

总之，这种基于跨域关联的兴趣点推荐方法具有广泛的应用前景，可以为用户提供更准确、更个性化的推荐。

1、采用用户在电子商务领域的购买记录数据对用户偏好进行分析来辅助跨域推荐。常用的推荐技术都是基于项目评分、用户评论等显式的用户消费行为数据进行分析的。其中基于项目评分的研究通常采用矩阵分解的方法，基于用户评论的研究通常采用隐语义模型对用户的偏好进行分析。本发明采用用户隐式的消费行为购买记录数据，因为这个数据集相对于评分或评论数据来说更加客观并且更加密集。通过建立LDA模型，分析得到用户在电子商务数据集中的购买主题偏好分布以及用户在POI数据集中的签到主题偏好分布。将用户的数据存储在矩阵中，每一个用户的一行数据视作一篇文档采用模型来进行分析。

2、增加时间维度，将用户一年内的历史购物记录数据和POI签到数据划分为四个时间段进行分析。考虑到用户当前临时的购买行为也可能受到多种因素的影响，并且用户的购买偏好是阶段性的，例如用户在在某个时间段内需要为结婚做准备，那么在这个时间段内，婚庆主题的用品会占据很大的购买比重。本发明将用户在一年内的购买记录分为四个季度，对用户在不同时间段内的偏好分别进行分析。

3、基于用户的主题相似度学习用户的映射函数。考虑到传统的学习所有共同用户的分布会产生一定的数据冗余，并且会增加时间复杂度。本发明通过计算目标域冷启动用户在源域中的主题相似度来选择用来学习共同用户的函数，用户的主题相似度通过余弦相似度来衡量。最后得到夹角的值越小，代表两个用户的主题向量越相似。

4、基于跨域关联技术进行POI推荐。跨域推荐的实现是基于两个域之间存在一定的联系上实现的，考虑到用户在电子商务数据集中的偏好分布在一定程度上能够反映用户到达一个位置后可能发送的签到服务，基于这样的联系，本发明将用户在电子商务领域的偏好分布迁移到POI领域进行推荐。