社交關系與地理位置信息融合的GRU興趣點推薦模型

吳忠權　錢萌　程樹林

關鍵詞：興趣點推薦；社交關系強度；位置社交網絡；圖嵌入；門控循環神經網絡

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2023）20-0043-04

0 引言

隨著移動互聯網的發展和智能終端的廣泛使用，很多應用程序都會涉及社交功能以及位置信息。因此，基于位置的社交網絡，如微博、Foursquare等得到迅猛發展。在位置社交網絡中，平臺允許用戶與他人建立社交關系和分享地理位置信息，這些地理位置信息記錄了用戶訪問的興趣點（Point of Interest，POI） ，如餐館、超市、旅游景點等。然而在LBSN中，興趣點的數量成千上萬，用戶很難快速找到自己感興趣的地點。因此，興趣點推薦成為位置社交網絡中一個重要研究分支。它通過算法對用戶社交行為以及POI相關信息分析，捕獲用戶的個性化偏好，從而幫助用戶發現新的興趣點和活動，提高用戶的滿意度。此外，POI推薦還可以為商家提供廣告投放的機會，從而帶來商業價值。

傳統的POI推薦方法通常是基于序列的個性化推薦[1–3]，如FPMC[4]模型通過馬爾科夫鏈和矩陣分解的組合對用戶的序列行為和總體興趣進行建模，但是馬爾科夫鏈難以捕獲較長的序列信息并且計算復雜度較高。隨著深度學習的發展和廣泛應用，一些研究將RNN類模型[5–8]應用到用戶順序簽到行為建模，取得了更好的效果。在LBSN中，社交關系和時空信息能夠提供有價值的信息，這些信息有助于更準確地預測用戶的興趣，并向他們推薦更合適的地點。例如，如果一個用戶好友在某個時間去了某個地點并在社交媒體上發布了關于此地點的評論，則該評論可能會吸引用戶好友的注意，并對他們未來興趣點的選擇產生影響。此外，利用用戶所在的位置和時間信息也能夠更好地為用戶推薦合適的 POI。例如，如果用戶周末在城市中心，則可以向他們推薦當地的商場或餐館，而不是在郊區的購物中心或餐館。因此，本文提出了基于社交關系與地理位置信息相融合的GRU興趣點推薦模型，為目標用戶推薦感興趣的興趣點。

1 相關工作

傳統的POI推薦根據所應用的方法主要集中在兩個方面，即基于協同過濾方法相關的POI推薦和基于序列模型相關的POI推薦。

1.1 基于協同過濾方法相關的POI推薦

Zhang等人[9]提出了一種個性化的有效地理位置推薦框架iGeoRec。該框架一方面可以為每個用戶計算個性化的位置概率分布；另一方面通過似然估計方法預測用戶訪問下一位置的概率。Lian等人[10]提出了一種結合地理模型和加權矩陣分解的興趣點推薦算法GeoMF。該算法認為人類的位置活動具有空間聚集現象。然而，基于矩陣分解的算法難以捕捉到用戶的動態興趣偏好，因此不適合于用戶簽到序列的建模。

1.2 基于序列模型相關的POI推薦

常見的基于序列的POI推薦算法主要是對馬爾科夫鏈、樹模型、循環神經網絡RNN等進行了擴展。在馬爾科夫鏈模型方面，如Cheng等人[11]提出了FPMC- LR模型，該模型結合了位置轉移矩陣的馬爾科夫鏈和用戶地理距離從而實現地點推薦。在循環神經網絡方面，如Liu等人[12]將RNN改進為ST-RNN的模型，該模型學習空間和時間信息來模擬個人軌跡以進行下一位置推送。但以上模型沒有對用戶社交關系信息進行建模，忽略了社交信息對用戶興趣偏好的影響。

3.3 實驗環境和參數設置

本文使用Python 3.8 實現了相關模型，并在Py? Torch 1.8中進行了實驗。實驗中，本文所提出的模型SG-GRU中的異構圖構建部分參數設置如下：默認社交關系權重ε 為0.5，POI先后訪問時間間隔參數默認為一天，即θ 為24 h，最大空間間隔參數D 在Gowalla 數據集中設置為140 74 m，在Brightkite數據集中設置為15 150 m。圖嵌入過程中，最小出入度閾值ρ 設置為400，學習率為0.002 5，嵌入維度d 為128，負采樣數為5。序列模型使用雙層GRU，其中隱藏層大小設置為128，學習率設置為0.001。所有實驗運行環境為Ubuntu18.04，GPU為Nvidia RTX 5000 16GB。

3.4 對比模型

為了驗證本文所提出模型的性能，選取以下3個經典模型進行對比，所有模型參數均使用對應論文提供的最佳參數：

1） Rank-GeoFM[17]：該模型是一種基于排名的因子分解模型，通過地理和時間影響加權來獲取用戶和POI的嵌入。

2） SAE-NAD[18]：利用自注意力編碼器區分用戶興趣偏好，利用鄰域感知解碼器并結合地理上下文信息進行POI推薦。

3） GEAPR[19]：考慮了用戶屬性、鄰居影響和地理位置信息，結合注意力機制進行POI推薦。

3.5 綜合實驗

首先，筆者對所有模型分別在兩個數據集上進行c5a次ll@綜k、合F1實-s驗ocr，e最@k終指取標平，如均表值2作和表為3所示。

在表2的Gowalla數據集上，本文提出的SG-GRU 模型在Precision@k，Recall@k和F1-score@k指標上顯著優于現有基準模型。對比最優的基準模型GEAPR，本文算法SG-GRU模型在F1-score@5和F1-score@10 上分別提升了17.3%和5.2%。同樣在表3的Brightkite 數據集上，本文提出的SG-GRU模型也優于其他基準模型，對比最優的基準模型GEAPR，SG-GRU在F1- score@5和F1-score@10上分別提升了8.3%和7.2%。

在表2的Gowalla數據集上，本文提出的SG-GRU 模型在Precision@k，Recall@k和F1-score@k指標上顯著優于現有基準模型。對比最優的基準模型GEAPR，本文算法SG-GRU模型在F1-score@5和F1-score@10 上分別提升了17.3%和5.2%。同樣在表3的Brightkite 數據集上，本文提出的SG-GRU模型也優于其他基準模型，對比最優的基準模型GEAPR，SG-GRU在F1- score@5和F1-score@10上分別提升了8.3%和7.2%。此外，所有模型在Brightkite數據集上的綜合性能都優于Gowalla數據集，這是因為Brightkite數據集中的用戶平均簽到記錄長度長于Gowalla數據集，可以使模型學習到更多的用戶行為及興趣偏好。

4 結論

利用深度學習中的GRU網絡研究了位置社交網絡中的興趣點推薦問題，提出了融合社交關系與地理位置信息的GRU興趣點推薦模型。基于異構圖對用戶社交關系、用戶與興趣點的關系以及興趣點之間的關系進行了建模。同時，根據用戶社交關系強度以及POI之間地理位置信息對異構圖邊的權重進行度量，并利用權重對異構圖進行了優化，從而通過圖嵌入的方法，更好地表達了用戶和POI的特征信息。最后運用門控循環神經網絡對用戶簽到序列信息進行建模，捕捉用戶的動態興趣演化，預測用戶下一個興趣點的訪問概率，實現用戶POI的TOP-K推薦。在兩個公開數據集Gowalla和Brightkite上進行了相應的實驗，結果表明，本文提出的模型在Precision@k、Recall@k、F1-socre@k指標上優于基準模型，有效地提升了興趣點推薦的精度。在未來的工作中，將考慮整合用戶情感等更多的上下文信息對模型進行改進，從而進一步提高推薦質量。