摘 要：基于位置的社交網(wǎng)絡(luò)（LBSNS）的快速發(fā)展提供了大量的記錄數(shù)據(jù)，這能夠提供許多服務(wù)，比如，信息點(diǎn)（POI）推薦。在本文中，我們研究了一個(gè)新的POI推薦的問題，使新的信息點(diǎn)基于用戶的當(dāng)前位置來被推薦。這個(gè)挑戰(zhàn)在于精確的了解用戶的序列信息和個(gè)性化推薦模型是有難度的。為此目的，我們求助于公制嵌入方法的推薦，這就避免了矩陣分解技術(shù)的缺點(diǎn)。我們提出了一個(gè)個(gè)性化的排名指標(biāo)嵌入方法（PRME）來模擬個(gè)性化序列。實(shí)驗(yàn)基于兩個(gè)現(xiàn)實(shí)世界LBSN數(shù)據(jù)集，結(jié)果顯示為我們的新算法優(yōu)于最先進(jìn)的POI推薦方法。

關(guān)鍵詞：社交網(wǎng)絡(luò)、信息點(diǎn)、馬爾可夫鏈算法、數(shù)據(jù)集

1. Introduction

隨著基于位置的社交網(wǎng)絡(luò)（LBSNS）的日益普及，用戶想通過記錄POIs來分享他們的位置。大量的記錄數(shù)據(jù)提供了機(jī)會(huì)來更好地了解用戶的移動(dòng)性的行為，在此基礎(chǔ)上推薦的POI將成為有價(jià)值的。 POI的推薦是很有價(jià)值的，它可以幫助用戶探索他們周圍的環(huán)境。POI推薦的重要性是已經(jīng)引起了大量的對(duì)開發(fā)推薦技術(shù)感興趣的研究。

相比于POI推薦，下一個(gè)POI推薦目前受到的關(guān)注較少。除了用戶的偏好，下一個(gè)POI推薦額外考慮了用戶的記錄序列信息。因?yàn)槿梭w行為表現(xiàn)出的有序模式，有序行為對(duì)POI的推薦很重要。我們分析兩個(gè)真實(shí)世界的數(shù)據(jù)集來驗(yàn)證用戶的有序行為。我們開發(fā)了一個(gè)公制嵌入算法來模擬POI的有序轉(zhuǎn)移。為了模擬個(gè)性化序列信息，我們提出了一種新穎的PRME算法，它既考慮到有序轉(zhuǎn)移也考慮到用戶偏好。

2. Related Work

定位推薦最近吸引了深入的研究關(guān)注。大多數(shù)以前的方法是基于協(xié)同過濾（CF）技術(shù)。其中最流行的CF算法是基于用戶的CF，它利用相似用戶簽入的用于建議的目的。在基于CF算法主要利用用戶的喜好提出建議。目前，地域的影響力已經(jīng)融合與CF的算法，以提高POI建議。例如，混合高斯分布和冪律分布已經(jīng)提出來建模地域影響。

3. Next New POI Recommendation

我們使用兩個(gè)可公開獲得的數(shù)據(jù)集。第一個(gè)數(shù)據(jù)集是在新加坡Foursquare的簽到，而第二個(gè)是在加利福尼亞州和內(nèi)華達(dá)州Gowalla的簽到數(shù)據(jù)集。我們用這兩個(gè)數(shù)據(jù)集一年的數(shù)據(jù)。每辦理入住手續(xù)是<用戶的形式的元組； POI；時(shí)間>。各個(gè)POI與緯度和經(jīng)度相關(guān)聯(lián)。我們剔除誰擁有簽入少于10個(gè)興趣點(diǎn)的用戶，以及已經(jīng)訪問了少于10個(gè)用戶的興趣點(diǎn)。

3.1 Observations on real-world datasets

觀察1：新的位置的探索，圖1示出的新的POI對(duì)所有用戶上兩個(gè)數(shù)據(jù)集，每50天平均比率。例如，該比率在第100天是POI的比例拜訪，但沒有被訪問過在先前天第100天。新的POI的比例是相當(dāng)高的（大部分在0.4以上的比例）的兩個(gè)數(shù)據(jù)集，這意味著人們總是喜歡探索新的興趣點(diǎn)。這種觀察是根據(jù)最近的研究結(jié)果[連等人，2013]。

觀察2：暫時(shí)影響，圖2（a）示出兩個(gè)連續(xù)的簽入的時(shí)間差的累積分布函數(shù)（CDF）。圖2（a）表明，50%以上的連續(xù)檢查插件發(fā)生在少于24小時(shí)。與此同時(shí)，許多連續(xù)的簽入發(fā)生在較長(zhǎng)的時(shí)間。為25%以上的連續(xù)的簽到，他們的時(shí)間差異超過48小時(shí)大。

（圖1顯示了新的POI對(duì)所有用戶上兩個(gè)數(shù)據(jù)集，每50天平均比率）

觀察3：空間影響，我們計(jì)算了兩個(gè)連續(xù)簽入的地理距離并繪制在圖2（b）的CDF分布，這表明70%連續(xù)簽到有不足10公里的兩個(gè)數(shù)據(jù)集。該CDF曲線增加快時(shí)，距離小，這意味著大多數(shù)簽到發(fā)生在附近地區(qū)。該結(jié)果表明用戶的下一個(gè)動(dòng)作由它們的當(dāng)前的位置的影響。這一發(fā)現(xiàn)是根據(jù)所報(bào)告的結(jié)果。

.（圖（a）顯示兩個(gè)連續(xù)的記錄數(shù)據(jù)之間的時(shí)間差的累積分布函數(shù)圖（b）顯示了兩個(gè)連續(xù)的記錄數(shù)據(jù)之間的地理位置距離的累積分布函數(shù)）

3.2 Next new POI problem definition

當(dāng)兩個(gè)簽入發(fā)生在很短的時(shí)間內(nèi)，馬爾可夫鏈屬性存。根據(jù)觀測(cè)1，用戶傾向于訪問新的POI為他們的勘探利益，這表明這表明新的POI為用戶的問題是有意義的。

根據(jù)一個(gè)很短的時(shí)間周期和新的POI用戶意愿內(nèi)連續(xù)屬性，我們正式定義下面N2-POI建議問題。

對(duì)于一組用戶的U和一組的POI L，C是歷史校驗(yàn)數(shù)據(jù)，并且 是一組POI中的用戶U已經(jīng)訪問過。鑒于用戶u當(dāng)前POIlC 時(shí)， N2-POI問題是推薦一套POI ，可實(shí)現(xiàn)用戶U接下來的訪問和興趣點(diǎn)是新的用戶

4 Personalized Ranking Metric Embedding

為了模擬順序信息，我們需要在馬爾可夫鏈模型的轉(zhuǎn)移概率。然而，由于該數(shù)據(jù)稀疏，這是不可行通過使用標(biāo)準(zhǔn)計(jì)數(shù)方法估計(jì)的轉(zhuǎn)換。度量嵌入模型可以用來處理數(shù)據(jù)稀疏和推廣到未觀察到的數(shù)據(jù)。我們代表每個(gè)POI作為一個(gè)潛在的空間中的一個(gè)點(diǎn)。我們假設(shè)在潛在空間的POI之間的歐幾里德距離反映了轉(zhuǎn)換概率。距離越大，轉(zhuǎn)場(chǎng)的強(qiáng)度越低。

I

where ，

在度量嵌入模型，將各個(gè)POI升具有在K維空間中的位置X（l）。鑒于觀察到的連續(xù)的POI轉(zhuǎn)換，目標(biāo)是學(xué)習(xí)所有POI的位置。我們涉及的一對(duì)，li和lj的轉(zhuǎn)移概率，以歐氏距離的公式定義。

其中 ，K為潛在空間和Z（LI）的維數(shù)， 是正常化術(shù)語。

5.Conclusion and FutureWork

在本文中，我們研究了下一個(gè)新的POI推薦的問題。我們提出了一個(gè)新穎的成對(duì)公制嵌入來模型化連續(xù)的POI轉(zhuǎn)移。我們進(jìn)一步發(fā)展出PRME-G，這個(gè)模型連接了三個(gè)因素：連續(xù)轉(zhuǎn)移，個(gè)人偏好和地域的影響力。我們的算法性能表現(xiàn)在兩個(gè)數(shù)據(jù)集中進(jìn)行大量的實(shí)驗(yàn)。幾個(gè)有趣的未來發(fā)展方向可以作進(jìn)一步的探索，例如產(chǎn)品的推薦和朋友的推薦。

References

[Chen et al.， 2012] Shuo Chen， Josh L Moore， Douglas Turnbull， and Thorsten Joachims. Playlist prediction via metric embedding. In KDD， pages 714–722， 2012.

[Chen et al.， 2013] Shuo Chen， Jiexun Xu， and Thorsten Joachims. Multi-space probabilistic sequence modeling. In KDD， pages 865–873， 2013.

[Chen et al.， 2015] Xuefeng Chen， Yifeng Zeng， Gao Cong， Shengchao Qin， Yanping Xiang， and Yuanshun Dai. On information coverage for location category based point-ofinterest recommendation. In AAAI， pages 37–43， 2015.

[Cheng et al.， 2012] Chen Cheng， Haiqin Yang， Irwin King， and Michael R Lyu. Fused matrix factorization with geographical and social influence in location-based social networks. In AAAI， 2012.

[Cheng et al.， 2013] Chen Cheng， Haiqin Yang， Michael R Lyu， and Irwin King. Where you like to go next： Successive point-of-interest recommendation. In IJCAI， pages 2605–2611， 2013.

作者簡(jiǎn)介：

尹榮（1992.8.4—）， 男，漢，上海，本科，中國(guó)電信股份有限公司上海分公司、助理工程師、項(xiàng)目管理。