融合社交网络和图像内容的兴趣点推荐

摘要

基于位置的社交网络(LBSN)蓬勃发展,带来了大量的兴趣点(POI)数据,加速了兴趣点推荐的研究.针对用户-兴趣点矩阵极端稀疏造成的推荐精度低和兴趣点特征缺失问题,通过融合兴趣点的标签、地理、社交、评分以及图像等信息,提出了一种融合社交网络和图像内容的兴趣点推荐方法(SVPOI).首先分析兴趣点数据集,针对地理信息,利用幂律概率分布构造距离因子;针对标签信息,利用检索词频率构造标签因子;融合已有的历史评分数据,构造新的用户-兴趣点评分矩阵.其次利用VGG16深度卷积神经网络模型(DCNN)识别兴趣点图像内容,构造兴趣点图像内容矩阵.然后根据兴趣点数据的社交网络信息,构造用户社交矩阵.最后,利用概率矩阵分解(PMF)模型,融合用户-兴趣点评分矩阵、图像内容矩阵、用户社交矩阵,构成SVPOI兴趣点推荐模型,生成兴趣点推荐列表.大量的真实数据集上的实验结果表明,与PMF、SoRec、TrustMF、TrustSVD推荐算法相比,SVPOI推荐的准确度均有较大提升,其平均绝对误差(MAE)和均方根误差(RMSE)两项指标比最优的TrustMF算法分别降低了5.5％和7.82％,表明SVPOI具有更好的推荐效果.