吳忠權(quán)　錢萌　程樹林

關(guān)鍵詞：興趣點(diǎn)推薦；社交關(guān)系強(qiáng)度；位置社交網(wǎng)絡(luò)；圖嵌入；門控循環(huán)神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2023）20-0043-04

0 引言

隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展和智能終端的廣泛使用，很多應(yīng)用程序都會(huì)涉及社交功能以及位置信息。因此，基于位置的社交網(wǎng)絡(luò)，如微博、Foursquare等得到迅猛發(fā)展。在位置社交網(wǎng)絡(luò)中，平臺(tái)允許用戶與他人建立社交關(guān)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(diǎn)（Point of Interest，POI） ，如餐館、超市、旅游景點(diǎn)等。然而在LBSN中，興趣點(diǎn)的數(shù)量成千上萬，用戶很難快速找到自己感興趣的地點(diǎn)。因此，興趣點(diǎn)推薦成為位置社交網(wǎng)絡(luò)中一個(gè)重要研究分支。它通過算法對(duì)用戶社交行為以及POI相關(guān)信息分析，捕獲用戶的個(gè)性化偏好，從而幫助用戶發(fā)現(xiàn)新的興趣點(diǎn)和活動(dòng)，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(jī)會(huì)，從而帶來商業(yè)價(jià)值。

傳統(tǒng)的POI推薦方法通常是基于序列的個(gè)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(duì)用戶的序列行為和總體興趣進(jìn)行建模，但是馬爾科夫鏈難以捕獲較長(zhǎng)的序列信息并且計(jì)算復(fù)雜度較高。隨著深度學(xué)習(xí)的發(fā)展和廣泛應(yīng)用，一些研究將RNN類模型[5–8]應(yīng)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(guān)系和時(shí)空信息能夠提供有價(jià)值的信息，這些信息有助于更準(zhǔn)確地預(yù)測(cè)用戶的興趣，并向他們推薦更合適的地點(diǎn)。例如，如果一個(gè)用戶好友在某個(gè)時(shí)間去了某個(gè)地點(diǎn)并在社交媒體上發(fā)布了關(guān)于此地點(diǎn)的評(píng)論，則該評(píng)論可能會(huì)吸引用戶好友的注意，并對(duì)他們未來興趣點(diǎn)的選擇產(chǎn)生影響。此外，利用用戶所在的位置和時(shí)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(dāng)?shù)氐纳虉?chǎng)或餐館，而不是在郊區(qū)的購(gòu)物中心或餐館。因此，本文提出了基于社交關(guān)系與地理位置信息相融合的GRU興趣點(diǎn)推薦模型，為目標(biāo)用戶推薦感興趣的興趣點(diǎn)。

1 相關(guān)工作

傳統(tǒng)的POI推薦根據(jù)所應(yīng)用的方法主要集中在兩個(gè)方面，即基于協(xié)同過濾方法相關(guān)的POI推薦和基于序列模型相關(guān)的POI推薦。

1.1 基于協(xié)同過濾方法相關(guān)的POI推薦

Zhang等人[9]提出了一種個(gè)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(gè)用戶計(jì)算個(gè)性化的位置概率分布；另一方面通過似然估計(jì)方法預(yù)測(cè)用戶訪問下一位置的概率。Lian等人[10]提出了一種結(jié)合地理模型和加權(quán)矩陣分解的興趣點(diǎn)推薦算法GeoMF。該算法認(rèn)為人類的位置活動(dòng)具有空間聚集現(xiàn)象。然而，基于矩陣分解的算法難以捕捉到用戶的動(dòng)態(tài)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(guān)的POI推薦

常見的基于序列的POI推薦算法主要是對(duì)馬爾科夫鏈、樹模型、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN等進(jìn)行了擴(kuò)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(jié)合了位置轉(zhuǎn)移矩陣的馬爾科夫鏈和用戶地理距離從而實(shí)現(xiàn)地點(diǎn)推薦。在循環(huán)神經(jīng)網(wǎng)絡(luò)方面，如Liu等人[12]將RNN改進(jìn)為ST-RNN的模型，該模型學(xué)習(xí)空間和時(shí)間信息來模擬個(gè)人軌跡以進(jìn)行下一位置推送。但以上模型沒有對(duì)用戶社交關(guān)系信息進(jìn)行建模，忽略了社交信息對(duì)用戶興趣偏好的影響。

3.3 實(shí)驗(yàn)環(huán)境和參數(shù)設(shè)置

本文使用Python 3.8 實(shí)現(xiàn)了相關(guān)模型，并在Py? Torch 1.8中進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)中，本文所提出的模型SG-GRU中的異構(gòu)圖構(gòu)建部分參數(shù)設(shè)置如下：默認(rèn)社交關(guān)系權(quán)重ε 為0.5，POI先后訪問時(shí)間間隔參數(shù)默認(rèn)為一天，即θ 為24 h，最大空間間隔參數(shù)D 在Gowalla 數(shù)據(jù)集中設(shè)置為140 74 m，在Brightkite數(shù)據(jù)集中設(shè)置為15 150 m。圖嵌入過程中，最小出入度閾值ρ 設(shè)置為400，學(xué)習(xí)率為0.002 5，嵌入維度d 為128，負(fù)采樣數(shù)為5。序列模型使用雙層GRU，其中隱藏層大小設(shè)置為128，學(xué)習(xí)率設(shè)置為0.001。所有實(shí)驗(yàn)運(yùn)行環(huán)境為Ubuntu18.04，GPU為Nvidia RTX 5000 16GB。

3.4 對(duì)比模型

為了驗(yàn)證本文所提出模型的性能，選取以下3個(gè)經(jīng)典模型進(jìn)行對(duì)比，所有模型參數(shù)均使用對(duì)應(yīng)論文提供的最佳參數(shù)：

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(shí)間影響加權(quán)來獲取用戶和POI的嵌入。

2） SAE-NAD[18]：利用自注意力編碼器區(qū)分用戶興趣偏好，利用鄰域感知解碼器并結(jié)合地理上下文信息進(jìn)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(jié)合注意力機(jī)制進(jìn)行POI推薦。

3.5 綜合實(shí)驗(yàn)

首先，筆者對(duì)所有模型分別在兩個(gè)數(shù)據(jù)集上進(jìn)行c5a次ll@綜k、合F1實(shí)-s驗(yàn)ocr，e最@k終指取標(biāo)平，如均表值2作和表為3所示。

在表2的Gowalla數(shù)據(jù)集上，本文提出的SG-GRU 模型在Precision@k，Recall@k和F1-score@k指標(biāo)上顯著優(yōu)于現(xiàn)有基準(zhǔn)模型。對(duì)比最優(yōu)的基準(zhǔn)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(shù)據(jù)集上，本文提出的SG-GRU模型也優(yōu)于其他基準(zhǔn)模型，對(duì)比最優(yōu)的基準(zhǔn)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(shù)據(jù)集上，本文提出的SG-GRU 模型在Precision@k，Recall@k和F1-score@k指標(biāo)上顯著優(yōu)于現(xiàn)有基準(zhǔn)模型。對(duì)比最優(yōu)的基準(zhǔn)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(shù)據(jù)集上，本文提出的SG-GRU模型也優(yōu)于其他基準(zhǔn)模型，對(duì)比最優(yōu)的基準(zhǔn)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(shù)據(jù)集上的綜合性能都優(yōu)于Gowalla數(shù)據(jù)集，這是因?yàn)锽rightkite數(shù)據(jù)集中的用戶平均簽到記錄長(zhǎng)度長(zhǎng)于Gowalla數(shù)據(jù)集，可以使模型學(xué)習(xí)到更多的用戶行為及興趣偏好。

4 結(jié)論

利用深度學(xué)習(xí)中的GRU網(wǎng)絡(luò)研究了位置社交網(wǎng)絡(luò)中的興趣點(diǎn)推薦問題，提出了融合社交關(guān)系與地理位置信息的GRU興趣點(diǎn)推薦模型?；诋悩?gòu)圖對(duì)用戶社交關(guān)系、用戶與興趣點(diǎn)的關(guān)系以及興趣點(diǎn)之間的關(guān)系進(jìn)行了建模。同時(shí)，根據(jù)用戶社交關(guān)系強(qiáng)度以及POI之間地理位置信息對(duì)異構(gòu)圖邊的權(quán)重進(jìn)行度量，并利用權(quán)重對(duì)異構(gòu)圖進(jìn)行了優(yōu)化，從而通過圖嵌入的方法，更好地表達(dá)了用戶和POI的特征信息。最后運(yùn)用門控循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)用戶簽到序列信息進(jìn)行建模，捕捉用戶的動(dòng)態(tài)興趣演化，預(yù)測(cè)用戶下一個(gè)興趣點(diǎn)的訪問概率，實(shí)現(xiàn)用戶POI的TOP-K推薦。在兩個(gè)公開數(shù)據(jù)集Gowalla和Brightkite上進(jìn)行了相應(yīng)的實(shí)驗(yàn)，結(jié)果表明，本文提出的模型在Precision@k、Recall@k、F1-socre@k指標(biāo)上優(yōu)于基準(zhǔn)模型，有效地提升了興趣點(diǎn)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(duì)模型進(jìn)行改進(jìn)，從而進(jìn)一步提高推薦質(zhì)量。