基于位置社交網(wǎng)絡(luò)的POI推薦影響因素分析與研究

韓欣欣

摘要：近年來(lái)，隨著定位技術(shù)的成熟，基于位置的社交網(wǎng)絡(luò)（Location-Based Social Networks，LBSN）應(yīng)運(yùn)而生。LBSN的出現(xiàn)使得傳統(tǒng)的社交網(wǎng)絡(luò)更加接近現(xiàn)實(shí)。位置網(wǎng)絡(luò)所包含的位置信息是相當(dāng)重要的，綜合分析位置信息可以識(shí)別用戶的行為偏好，為用戶推薦可能感興趣的位置，即POI推薦，也是目前LBSN的熱門(mén)研究方向。由于涉及隱私問(wèn)題，用戶的歷史位置數(shù)據(jù)存在高度稀疏性。因此，如何提升POI的推薦質(zhì)量也是LBSN服務(wù)所面臨的挑戰(zhàn)。本文考慮融合地理位置因素、社交關(guān)系、時(shí)間因素、空間因素、熱門(mén)地區(qū)等，針對(duì)POI推薦所面臨的冷啟動(dòng)以及推薦精度等問(wèn)題進(jìn)行分析與研究，對(duì)該領(lǐng)域在未來(lái)提升POI推薦質(zhì)量提供參考。

關(guān)鍵詞：社交網(wǎng)絡(luò);位置信息;稀疏性;融合;POI推薦

中圖分類(lèi)號(hào)：TP311 ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）24-0047-02

傳統(tǒng)的推薦系統(tǒng)主要應(yīng)用于好友推薦和商品推薦，將位置這一特性加入社交網(wǎng)絡(luò)，使得傳統(tǒng)的推薦系統(tǒng)變得豐富多彩，同時(shí)，也帶來(lái)了許多商機(jī)。由于Web2.0技術(shù)的發(fā)展以及智能移動(dòng)終端設(shè)備的普及，越來(lái)越多的用戶愿意通過(guò)社交網(wǎng)絡(luò)去分享自己的經(jīng)歷，如Foursquare、Gowalla、微博、微信、ins等熱門(mén)網(wǎng)站，用戶通過(guò)分享位置、照片、文本信息等記錄自己的行為軌跡，這些與位置信息相關(guān)的數(shù)據(jù)構(gòu)成用戶-興趣點(diǎn)矩陣，可以用來(lái)挖掘用戶的興趣偏好，在未來(lái)的某個(gè)時(shí)刻為其推薦可能感興趣的位置。與傳統(tǒng)的推薦系統(tǒng)不同，POI推薦面臨數(shù)據(jù)稀疏的挑戰(zhàn)，具有一定的復(fù)雜性。目前已有的POI推薦模型中，大多數(shù)僅僅考慮到一種相關(guān)影響因素，因此如何通過(guò)分析用戶的歷史行為記錄，對(duì)用戶偏好建模，準(zhǔn)確有效地為用戶推薦感興趣的位置，是服務(wù)的主要任務(wù)。

1基于位置的社交網(wǎng)絡(luò)簡(jiǎn)述

LBSN將位置信息嵌入社交網(wǎng)絡(luò)，可以從圖論的角度分析，把用戶和位置作為兩種類(lèi)別的節(jié)點(diǎn)，因此由用戶行為產(chǎn)生的數(shù)據(jù)形成邊，主要有用戶與用戶的關(guān)聯(lián)度、位置與位置的關(guān)聯(lián)度、用戶與位置的聯(lián)系。將該網(wǎng)絡(luò)形式化描述為：U={u1，u2，…un}，L={l1，l2，…ln}，其中，U是該網(wǎng)絡(luò)中的用戶集合，從每個(gè)用戶位置數(shù)據(jù)中提取幾種特征屬性，L是位置點(diǎn)集合，每個(gè)位置用對(duì)應(yīng)的經(jīng)度緯度信息表示。

2相關(guān)研究

目前，興趣點(diǎn)推薦主要包括連續(xù)位置推薦和非連續(xù)位置推薦。連續(xù)位置推薦是根據(jù)行為軌跡推薦下一時(shí)刻位置，比如李梅一般會(huì)在晚上六點(diǎn)鐘下班后去公司附近餐廳吃飯，吃過(guò)飯后會(huì)去家附近的健身房鍛煉一個(gè)小時(shí)，在周末經(jīng)常會(huì)去附近景點(diǎn)打卡或者購(gòu)物。這是一種基于位置感知的推薦，Cheng 等人[1]將個(gè)人簽到序列看作馬爾科夫模型，并考慮地理區(qū)域限制，實(shí)現(xiàn)了短期的興趣點(diǎn)推薦。非連續(xù)位置推薦，也即是單個(gè)位置推薦，對(duì)用戶的行為偏好建模，通過(guò)協(xié)同過(guò)濾技術(shù)向用戶推薦沒(méi)有訪問(wèn)過(guò)的位置。位置信息是基于位置的社交網(wǎng)絡(luò)不同于傳統(tǒng)社交網(wǎng)絡(luò)的關(guān)鍵，用戶在各種社交網(wǎng)絡(luò)中簽到分享與所處位置維度、時(shí)間段以及流行度等因素有著重要的聯(lián)系。Li 等人[2]分析了用戶行為模式隨著時(shí)間的變化趨勢(shì)，考慮用戶的長(zhǎng)期偏好和短期偏好，提出一種基于時(shí)間感知的連續(xù)興趣點(diǎn)推薦算法。文獻(xiàn)[3]將地理位置影響引入 LBSNs 的興趣點(diǎn)推薦中，采用冪律概率模型捕捉興趣點(diǎn)對(duì)之間的地理位置影響，通過(guò)樸素貝葉斯方法計(jì)算擬推薦興趣點(diǎn)的地理位置對(duì)目標(biāo)用戶的影響分?jǐn)?shù)，再使用統(tǒng)一的協(xié)同過(guò)濾方法進(jìn)行興趣點(diǎn)推薦。Cho 等人[4]采用高斯分布模型，將用戶訪問(wèn)地點(diǎn)劃分為工作-住宅區(qū)域，同時(shí)考慮時(shí)間因素與空間因素，提出基于社交網(wǎng)站的用戶移動(dòng)軌跡模型。

3 POI推薦影響因素的分析與研究

3.1 地理位置

在位置社交網(wǎng)絡(luò)中，位置因素的影響權(quán)重占比較大，對(duì)用戶選擇興趣點(diǎn)其決策性的作用。許多研究工作模擬用戶在位置網(wǎng)絡(luò)中簽到曲線，發(fā)現(xiàn)用戶的位置偏好與距離呈一定的冪律分布、高斯分布、泊松分布等。 實(shí)際生活中，同樣用戶優(yōu)先考慮近鄰位置，比如以居住位置為中心，在興趣點(diǎn)推薦過(guò)程中使用距離計(jì)算函數(shù)，通過(guò)設(shè)定一定的距離限制過(guò)濾掉位置相對(duì)較遠(yuǎn)的位置點(diǎn)，一定程度上減少冗余數(shù)據(jù)。針對(duì)推薦效率，可以選擇將興趣點(diǎn)聚類(lèi)，畢竟類(lèi)別數(shù)量遠(yuǎn)小于興趣點(diǎn)數(shù)量。因此基于以上分析，可以將用戶位置轉(zhuǎn)移概率類(lèi)比距離相關(guān)函數(shù)進(jìn)行興趣點(diǎn)推薦。

3.2 社交關(guān)系

在推薦系統(tǒng)中，用戶是推薦對(duì)象的主體，因此，用戶間社交關(guān)系在興趣點(diǎn)推薦過(guò)程中也是相當(dāng)重要的。用戶簽到矩陣高度稀疏，通過(guò)計(jì)算好友相似度將用戶聚類(lèi)，主要以基于用戶的協(xié)同過(guò)濾推薦，相關(guān)研究發(fā)現(xiàn)，好友間訪問(wèn)興趣點(diǎn)的行為有很強(qiáng)的關(guān)聯(lián)性，當(dāng)好友推薦某一個(gè)餐廳或者電影院時(shí)，用戶更傾向于嘗試，這取決于社交關(guān)系中好友間的信任值。用戶間信任值越大，產(chǎn)生的影響越大。LBSN中，通過(guò)研究好友在某一位置的簽到信息分布，Ui、Uj分別表示用戶i和用戶j，E表示關(guān)系邊，W（i，j）表示兩用戶間信任值，Sim（i，j）表示兩用戶間的相似度。目前，用戶間相似度計(jì)算方法有很多，經(jīng)典的有歐式距離、余弦相似度、Pearson相關(guān)系數(shù)、Jaccard 相似性。

3.3 時(shí)間因素

基于位置的社交網(wǎng)絡(luò)中，時(shí)間偏好也會(huì)對(duì)興趣點(diǎn)偏好產(chǎn)生一定的影響， 在推薦興趣點(diǎn)時(shí)，給時(shí)間因子分配一定的權(quán)重也會(huì)提高推薦質(zhì)量。一天可以分為24個(gè)時(shí)間戳，不同時(shí)間戳內(nèi)用戶有不同的行為偏好，構(gòu)建時(shí)間因子模型可以在位置網(wǎng)絡(luò)中捕捉到密集時(shí)間戳，計(jì)算不同時(shí)間戳之間的距離，將距離進(jìn)行排序（類(lèi)似權(quán)重W），得出用戶日常活動(dòng)偏好以預(yù)測(cè)POI。基于以上提出的位置相似度、好友相似度，時(shí)間因子也有時(shí)間相似度，采用平滑相似度和矩陣填充的方式可以解決簽到數(shù)據(jù)稀疏性問(wèn)題，提高模型的推薦效果。目前，時(shí)間因素的研究在基于位置的服務(wù)領(lǐng)域具有很大的需求。研究表明，時(shí)間因素對(duì)興趣點(diǎn)偏好選擇的作用集中表現(xiàn)在：1）時(shí)間關(guān)聯(lián)度;2）時(shí)間獨(dú)立性;3）時(shí)間連續(xù)性;4）時(shí)間循環(huán)性。

3.4 基于時(shí)間因素的流行度

針對(duì)遠(yuǎn)距離異地場(chǎng)景，用戶歷史簽到數(shù)據(jù)稀疏導(dǎo)致推薦精度低。引入流行度因素分析，可以在一定程度上緩解這種問(wèn)題。興趣點(diǎn)流行度是該興趣點(diǎn)是否是熱門(mén)區(qū)域，簡(jiǎn)單定義為一定時(shí)間下訪問(wèn)該位置頻次的多少劃定，通常采用HITS鏈接分析模型獲取流行度高的興趣點(diǎn)，該模型有兩個(gè)主要的度量值中心度（ Hub） 和權(quán)威度（ Authority），興趣點(diǎn)的中心度越高，說(shuō)明訪問(wèn)該位置的用戶越多，權(quán)威度越高，說(shuō)明該用戶有較高的可信性。興趣點(diǎn)流行度數(shù)學(xué)定義如下：P（li）=V（i）/Vmax（i）（i∈U），其中P（li）表示該興趣點(diǎn)li的流行度，V（i）表示興趣點(diǎn)li處被簽到記錄的次數(shù)，Vmax（i）表示相同類(lèi)別興趣點(diǎn)中最大的簽到頻次。

由于在位置社交網(wǎng)絡(luò)中用戶行為偏好是動(dòng)態(tài)的，流行度也會(huì)隨時(shí)間而變化，一般小吃街在晚上八點(diǎn)至十點(diǎn)活動(dòng)量較大，購(gòu)物街在周末比較聚集，咖啡館在中午屬于熱點(diǎn)區(qū)域等。因此，在分析興趣點(diǎn)流行度因素時(shí)，融合時(shí)間因素將流行度密度曲線按照不同時(shí)間段劃分，可以得出不同時(shí)間段下興趣點(diǎn)的流行度，提高推薦精度。

4多因素融合框架構(gòu)建

在LBSN中，POI推薦受多重因素影響，深入分析各因素的潛在影響，初步構(gòu)建一種融合多因素的POI推薦框架通過(guò)建模分析形成一種線性加權(quán)模型，設(shè)置調(diào)節(jié)各因素的權(quán)重參數(shù)，通過(guò)算法優(yōu)化實(shí)驗(yàn)不斷調(diào)整參數(shù)，與現(xiàn)有較優(yōu)的算法相比較，達(dá)到提高推薦精度的效果。

5 POI推薦所面臨的挑戰(zhàn)

POI推薦是基于位置服務(wù)的重要研究方向，目前，國(guó)內(nèi)外已經(jīng)做出大量相關(guān)研究，但是仍然面臨一些問(wèn)題，主要有：1）簽到數(shù)據(jù)稀疏面臨的冷啟動(dòng)問(wèn)題;2）數(shù)據(jù)特征提取;3）異地遠(yuǎn)距離場(chǎng)景推薦精度低;4）用戶簽到信息涉及隱私問(wèn)題有待保護(hù)。

6結(jié)束語(yǔ)

本文針對(duì)基于位置服務(wù)的POI推薦所存在的推薦精度低等問(wèn)題進(jìn)行相關(guān)研究，分析了地理位置、社交關(guān)系、時(shí)間因素以及流行度因素對(duì)POI推薦的影響，提出一種線性加權(quán)融合多因素的POI推薦模型，考慮模型多參數(shù)的優(yōu)化調(diào)整。在此基礎(chǔ)上，下一步將繼續(xù)深入分析影響POI興趣點(diǎn)推薦的因素，例如簽到文本信息所包含的情感因素等，并綜合以上幾種因素完善自己的推薦算法設(shè)置實(shí)驗(yàn)進(jìn)行驗(yàn)證，達(dá)到POI推薦精確度和準(zhǔn)確度提高的目的。

參考文獻(xiàn)：

[1] Cheng C，Yang H Q，Lyu M R，et al.Where You like to go next：successivepoint-of-interest recommendation[C]//Proceedings of the Twenty-Third International Joint Conference on ArtificialIntelligence，2013：2605-2611.

[2] Li X，Jiang M M，Hong H T，et al.A time-aware personalized point-of-interest recommendation via high-order tensor factorization[J].ACM Transactions on Information Systems， 2017，35（4）：1-23.

[3] YeM，YinP F，Lee W C，et al.Exploiting geographical influence for collaborative point-of-interest recommendation[C]//Proceedings of the 34th international ACM SIGIRconference on Research and development in InformationRetrieval，July 24-28， 2011. Beijing， China. New York： ACM Press， 2011： 325-334.

[4] E Cho， S A Myers， Leskovec J. Friendship and mobility： user movement in location-based social networks[C]//Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining，ACM， 2011：1082-1090.

【通聯(lián)編輯：代影】