兴趣点推荐研究

叶晨昱

（重庆交通大学 重庆市 400000）

摘要：兴趣点(Point-Of-Interest, POI)推荐是基于位置的社交网络(Location-Based Social Networks, LBSN)中一项重要的服务，并且兴趣点数据作为时空数据的典型更是得到了广泛关注。文章分析了兴趣点推荐的影响因素，对传统兴趣点推荐方法进行了总结。

关键词：兴趣点推荐；影响因素；室内地图

随着智能设备应用的普及和移动定位服务技术的不断进步，各类兴趣点(商场、餐厅、公园、博物馆、旅游景点、娱乐场所等)大量涌现。兴趣点推荐是一个基于上下文信息的位置感知的个性化推荐。兴趣点推荐关联用户和兴趣点，旨在为用户推荐一些新的感兴趣的位置，基于位置社交网络的兴趣点推荐为人们提供更好的定位服务起着重要的作用。

一、兴趣点推荐类型

从推荐目标来讲，大致可分为日常兴趣点推荐、旅行兴趣点推荐以及下一个兴趣点推荐。其中，日常兴趣点推荐主要是利用用户日常的访问记录，挖掘用户偏好，为用户推荐日常生活范围内可能感兴趣的兴趣点。旅行兴趣点推荐则是为用户推荐旅行地陌生环境中的兴趣点(一般情况下，首先推荐的是旅行地标志性景点)。下一个兴趣点推荐侧重于通过分析用户的移动序列轨迹，预测用户下一步可能感兴趣的兴趣点。

从方法上讲，大致可分为基于模型的推荐和基于深度神经网络的推荐。模型兴趣点推荐，是利用概率统计模型或者机器学习方法，在训练集上构建用户特征模型，以此来进行推荐，代表性的模型是基于矩阵分解的模型(MF)。深度神经网络在结构上类似于生物神经网络，因此可以高效、精准地抽取用户-兴趣点之间深层隐含的特征，并能够学习用户-兴趣点之间的多层抽象表示。

从需求上讲，可分为大众兴趣点推荐和个性化兴趣点推荐。大众兴趣点推荐，是利用大众偏好为用户推荐兴趣点。个性化兴趣点推荐主要是利用用户自己过往的签到数据和行为偏好，并结合上下文信息，进行个性化推荐。从兴趣点推荐考虑的因素来讲，传统方法主要考虑用户-兴趣点的评分矩阵，但仅仅依赖评分矩阵进行的兴趣点推荐往往是偏颇的、不适宜的，因为用户的选择会随着时间、地理位置、天气和社交关系的变化而不断变化，其中地理位置是一个十分重要的影响因素。

二、兴趣点推荐的影响因素分析

在LBSN中，兴趣点推荐服务旨在为用户推荐一些新的可能感兴趣的位置，促使用户更好地了解所在城市，提高平台的用户体验。同时，基于位置的社交网络也能帮助人们更方便地了解周围的信息，以探索周围的环境，从而辅助自己进行决策。

兴趣点推荐旨在根据用户的签到历史了解用户的偏好，随之对满足用户偏好的兴趣点进行预测推荐。序列信息一般由用户的实际签到数据组成，用户对兴趣点的签到访问历史构成一个序列，这个序列隐式反馈了用户偏好、用户偏好的动态改变以及用户核心访问区域等信息。因此，基于用户历史签到序列的兴趣点推荐有重大的研究应用价值。但是在兴趣点推荐中用户-兴趣点的签到矩阵具有高度稀疏性，这成为了兴趣点推荐的一个重大挑战。此外，时间因素、地理位置、社会关系、兴趣点文本信息均影响着兴趣点推荐方法的准确度。

（一）时间因素

在实际生活中，大多数用户访问兴趣点会受到时间因素的影响。用户倾向于在不同的时间段去访问不同的兴趣点，在相同的时间段周期性地访问相同/类似的地点(时间循环效应)。Gao等提出了一种基于时间段的兴趣点嵌入模型，它将用户上下文签到信息划分为不同的时间段，并通过寻找相同时间段时访问相同兴趣点的用户签到历史记录下来以计算用户间的相似度，以此来训练用户的偏好模型，提高模型的准确度。

（二）地理位置因素

地理位置因素是兴趣点推荐区别于传统推荐系统的最重要的特征。一般情况下，用户可能对自己周围的兴趣点更感兴趣，更喜欢访问附近的兴趣点而非偏远的兴趣点，从观察用户签到的行为数据可知，这通常称为地理聚集现象。

由于随着不同的时间与不同的地理位置，用户的兴趣是动态变化的，因此许多学者在研究兴趣点推荐时通常首先会考虑时间和地理因素对推荐结果的影响。为此，许多综合考虑时间与地理因素的兴趣点模型应运而生。如Li等提出了根据用户签到的兴趣点种类和时间上下文信息来构建四维张量模型，预测用户偏好的下一个兴趣点类型，并基于预测的兴趣点种类进一步获得位置列表，为用户预测感兴趣的兴趣点。此模型既考虑了时间和位置，又降低了数据稀疏性的影响。李等提出了基于LBSN动态异构网络的时间感知兴趣点推荐算法。在LBSN异构网络模式中，在用户和兴趣点语义关系之间有效地融入时间信息、位置信息和社交信息等。由于用户兴趣是动态变化的，因此在用户-兴趣点之间设置了动态地元路径集并设计了动态路径实例偏好算法。根据不同动态元路径的用户特征矩阵和兴趣点签到特征矩阵，获取用户在目标时间访问兴趣点的推荐列表。

在兴趣点推荐中，地理位置因素对推荐质量的影响所占权重比较大，对用户选择兴趣点起到了决策性的作用。许多研究工作首先考虑了地理因素的影响，并将地理位置的影响与其他影响因素相结合来提高推荐的质量。

王等通过利用地理-社会关联模型捕捉社交网络和地理位置之间的关联来优化推荐中的冷启动问题。孟等提出了一种综合考虑兴趣点之间地理关系和社会关系多样性的个性化推荐方法。通过构建兴趣点的地理-社会关系模型来评估兴趣点之间的相关度，再利用谱聚类方法基于兴趣点的文本信息来划分兴趣点的类型，最后利用概率因子模型进行兴趣点选取与个性化排序，从而形成满足用户偏好的兴趣点推荐列表。任等提出了一种联合概率生成模型，该模型有效融合了地理位置、时间效应、兴趣点文本信息以及社会关系等因素，通过模拟用户签到行为的决策过程为用户进行兴趣点推荐。

三、结语

随着基于位置的社交网络的广泛应用，兴趣点推荐越来越受到学术界和产业界的关注。本文将兴趣点推荐与传统的推荐系统区别开来，对兴趣点推荐结果准确度的影响因素进行了浅析，并从传统的兴趣点推荐的角度，对近年来使用不同影响因素或融合多个影响因素的兴趣推荐方法进行了总结。

参考文献：

[1] 李寒露. 融合时空信息和个性化重要性的兴趣点推荐算法研究[D].武汉理工大学,2020.DOI:10.27381/d.cnki.gwlgu.2020.000575.

[2] 高露. 基于深度学习的时间感知的兴趣点推荐算法研究[D].华中科技大学,2020.DOI:10.27157/d.cnki.ghzku.2020.004618.

[3] 孟祥福, 齐雪月, 张全贵, 等. 用户−兴趣点耦合关系的兴趣点推荐方法. 智能系统学报, 2021, 16(2): 228-236. DOI: 10.11992/tis.201907034.

[4]侯景文. 基于深度神经网络和时空感知的兴趣点推荐算法[D].燕山大学,2021.DOI:10.27440/d.cnki.gysdu.2021.001721.

作者简介：叶晨昱（2000—），女，汉，湖南长沙人，学历：硕士，研究方向：地图学，单位：重庆交通大学智慧城市学院。