高级搜索

基于深度学习的混合兴趣点推荐算法

冯浩 黄坤 李晶 高榕 刘东华 宋成芳

引用本文: 冯浩, 黄坤, 李晶, 高榕, 刘东华, 宋成芳. 基于深度学习的混合兴趣点推荐算法[J]. 电子与信息学报, 2019, 41(4): 880-887. doi: 10.11999/JEIT180458 shu
Citation:  Hao FENG, Kun HUANG, Jing LI, Rong GAO, Donghua LIU, Chengfang SONG. Hybrid Point of Interest Recommendation Algorithm Based on Deep Learning[J]. Journal of Electronics and Information Technology, 2019, 41(4): 880-887. doi: 10.11999/JEIT180458 shu

基于深度学习的混合兴趣点推荐算法

    作者简介: 冯浩: 男,1979年生,博士,高级工程师,研究方向为体系结构和系统工程;
    黄坤: 男,1979年生,博士,高级工程师,研究方向为人工智能和系统工程;
    李晶: 男,1967年生,博士,教授,研究方向为数据挖掘和多媒体技术;
    高榕: 男,1981年生,博士,研究方向为数据挖掘和智能推荐;
    刘东华: 女,1989年生,博士生,研究方向为数据挖掘和智能推荐;
    宋成芳: 男,1978年生,博士,讲师,研究方向为可视化分析和位置服务
    通讯作者: 李晶,leejingcn@163.com
  • 基金项目: 国家自然科学基金青年项目(41201404),中央高校基本科研业务费专项资金(2042015gf0009)

摘要: 针对现有兴趣点推荐的初始化和忽视评论信息语义上下文信息的问题,将深度学习融入推荐系统中已经成为兴趣点推荐研究的热点之一。该文提出一种基于深度学习的混合兴趣点推荐模型(MFM-HNN)。该模型基于神经网络融合评论信息与用户签到信息来提高兴趣点推荐的性能。具体地,利用卷积神经网络学习评论信息的特征表示,利用降噪自动编码对用户签到信息进行初始化。进而,基于扩展的矩阵分解模型融合评论信息特征和用户签到信息的初始值进行兴趣点推荐。在真实签到数据集上进行实验,结果表明所提MFM-HNN模型相比其他先进的兴趣点推荐具有更好的推荐性能。

English

    1. [1]

      LI Jun, BENEDIKTSSON J A, ZHANG Bing, et al. Spatial technology and social media in remote sensing: A survey[J]. Proceedings of the IEEE, 2017, 105(10): 1855–1864. doi: 10.1109/JPROC.2017.2729890

    2. [2]

      YANG, C, BAI Lanxiao, ZHANG Chao, et al. Bridging collaborative filtering and semi-supervised learning: A neural approach for POI recommendation[C]. Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Halifax, Canada, 2017: 1245–1254.

    3. [3]

      LIU Yiding, PHAM T A N, CONG Gao, et al. An experimental evaluation of point-of-interest recommendation in location-based social networks[J]. Proceedings of the VLDB Endowment, 2017, 10(10): 1010–1021. doi: 10.14778/3115404.3115407

    4. [4]

      MAZUMDAR P, PATRA B K, BABU K S, et al. Hidden location prediction using check-in patterns in location-based social networks[J]. Knowledge and Information Systems, 2017, 57(3): 571–601. doi: 10.1007/s10115-018-1170-5

    5. [5]

      余永红, 高阳, 王皓. 基于Ranking的泊松矩阵分解兴趣点推荐算法[J]. 计算机研究与发展, 2016, 53(8): 1651–1663. doi: 10.7544/issn1000-1239.2016.20160202
      YU Yonghong, GAO Yang, and WANG Hao. A ranking based Poisson matrix factorization model for point-of-interest recommendation[J]. Journal of Computer Research and Development, 2016, 53(8): 1651–1663. doi: 10.7544/issn1000-1239.2016.20160202

    6. [6]

      LIM K H, CHAN J, LECKIE C, et al. Personalized trip recommendation for tourists based on user interests, points of interest visit durations and visit recency[J]. Knowledge and Information Systems, 2018, 54(2): 375–406. doi: 10.1007/s10115-017-1056-y

    7. [7]

      YIN Hongzhi, SUN Yizhou, CUI Bin, et al. LCARS: A location-content-aware recommender system[C]. Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Chicago, USA, 2013: 221–229.

    8. [8]

      ZHANG Jiadong, CHOW Chiyin, and ZHENG Yu. ORec: An opinion-based point-of-interest recommendation framework[C]. Proceedings of the 24th ACM International on Conference on Information and Knowledge Management, Melbourne, Australia, 2015: 1641–1650.

    9. [9]

      WANG Hao, WANG Naiyan, and YEUNG D Y. Collaborative deep learning for recommender systems[C]. Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Sydney, Australia, 2015: 1235–1244.

    10. [10]

      KIM D, PARK C, OH J, et al. Convolutional matrix factorization for document context-aware recommendation[C]. Proceedings of the 10th ACM Conference on Recommender Systems, Boston, USA, 2016: 233–240.

    11. [11]

      DONG Xing, YU Lei, WU Zhonghuo, et al. A hybrid collaborative filtering model with deep structure for recommender systems[C]. Proceedings of the 31st AAAI Conference on Artificial Intelligence, San Francisco, USA, 2017: 1309–1315.

    12. [12]

      任星怡, 宋美娜, 宋俊德. 基于位置社交网络的上下文感知的兴趣点推荐[J]. 计算机学报, 2017, 40(4): 824–841. doi: 10.11897/SP.J.1016.2017.00824
      REN Xingyi, SONG Meina, and SONG Junde. Context-aware point-of-interest recommendation in location-based social networks[J]. Chinese Journal of Computer, 2017, 40(4): 824–841. doi: 10.11897/SP.J.1016.2017.00824

    13. [13]

      GAO Rong, LI Jing, LI Xuefei, et al. A personalized point-of-interest recommendation model via fusion of geo-social information[J]. Neurocomputing, 2018, 273: 159–170. doi: 10.1016/j.neucom.2017.08.020

    14. [14]

      LIAN Defu, ZHENG Kai, GE Yong, et al. GeoMF++: Scalable location recommendation via joint geographical modeling and matrix factorization[J]. ACM Transactions on Information Systems, 2018, 36(3): 33. doi: 10.1145/3182166

    15. [15]

      ZDUNEK R. Initialization of nonnegative matrix factorization with vertices of convex polytope[C]. Proceedings of the 11st International Conference on Artificial Intelligence and Soft Computing, Zakopane, Poland, 2012: 448–455.

    16. [16]

      YANG Cheng, SUN Maosong, ZHAO W X, et al. A neural network approach to jointly modeling social networks and mobile trajectories[J]. ACM Transactions on Information Systems, 2017, 35(4): 36. doi: 10.1145/3041658

    17. [17]

      DENG Shuiguang, HUANG Longtao, XU Guangdong, et al. On deep learning for trust-aware recommendations in social networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2017, 28(5): 1164–1177. doi: 10.1109/TNNLS.2016.2514368

    18. [18]

      GAO Huiji, TANG Jiliang, HU Xia, et al. Content-aware point of interest recommendation on location-based social networks[C]. Proceedings of the 29th AAAI Conference on Artificial Intelligence, Austin, Texas, 2015: 1721–1727.

    19. [19]

      ZHANG Fuzheng, YUAN N J, ZHENG Kai, et al. Exploiting dining preference for restaurant recommendation[C]. Proceedings of the 25th International Conference on World Wide Web, Montréal, Canada, 2016: 725–735.

    20. [20]

      LIU Yong, WEI Wei, SUN Aixin, et al. Exploiting geographical neighborhood characteristics for location recommendation[C]. Proceedings of the 23rd ACM International Conference on Information and Knowledge Management, Shanghai, China, 2014: 739–748.

    21. [21]

      LI Huayu, GE Yong, HONG Richang, et al. Point-of-interest recommendations: Learning potential check-ins from friends[C]. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, USA, 2016: 975–984.

    22. [22]

      ORCHAND M. Least square quantization in PCM[J]. IEEE Transaction on Information Theory, 1982, 28(2): 129–137. doi: 10.1109/TIT.1982.1056489

    23. [23]

      SHI J and MALIK J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(8): 888–905. doi: 10.1109/34.868688

    1. [1]

      游凌, 李伟浩, 张文林, 王科人. 基于深度神经网络的Morse码自动译码算法. 电子与信息学报, 2020, 41(0): 1-6.

    2. [2]

      张文明, 姚振飞, 高雅昆, 李海滨. 一种平衡准确性以及高效性的显著性目标检测深度卷积网络模型. 电子与信息学报, 2020, 42(5): 1201-1208.

    3. [3]

      张天骐, 范聪聪, 葛宛营, 张天. 基于ICA和特征提取的MIMO信号调制识别算法. 电子与信息学报, 2020, 41(0): 1-8.

    4. [4]

      柳长源, 王琪, 毕晓君. 基于多通道多尺度卷积神经网络的单幅图像去雨方法. 电子与信息学报, 2020, 42(0): 1-8.

    5. [5]

      张惊雷, 厚雅伟. 基于改进循环生成式对抗网络的图像风格迁移. 电子与信息学报, 2020, 42(5): 1216-1222.

    6. [6]

      江小平, 王妙羽, 丁昊, 李成华. 基于信道状态信息幅值-相位的被动式室内指纹定位. 电子与信息学报, 2020, 42(5): 1165-1171.

    7. [7]

      申铉京, 沈哲, 黄永平, 王玉. 基于非局部操作的深度卷积神经网络车位占用检测算法. 电子与信息学报, 2020, 41(0): 1-8.

    8. [8]

      刘政怡, 刘俊雷, 赵鹏. 基于样本选择的RGBD图像协同显著目标检测. 电子与信息学报, 2020, 42(0): 1-8.

    9. [9]

      归伟夏, 陆倩, 苏美力. 关于系统级故障诊断的烟花-反向传播神经网络算法. 电子与信息学报, 2020, 42(5): 1102-1109.

    10. [10]

      唐伦, 曹睿, 廖皓, 王兆堃. 基于深度强化学习的服务功能链可靠部署算法. 电子与信息学报, 2020, 42(0): 1-8.

    11. [11]

      陈前斌, 管令进, 李子煜, 王兆堃, 杨恒, 唐伦. 基于深度强化学习的异构云无线接入网自适应无线资源分配算法. 电子与信息学报, 2020, 42(6): 1468-1477.

    12. [12]

      缪祥华, 单小撤. 基于密集连接卷积神经网络的入侵检测技术研究. 电子与信息学报, 2020, 41(0): 1-7.

    13. [13]

      刘小燕, 李照明, 段嘉旭, 项天远. 基于卷积神经网络的PCB板色环电阻检测与定位方法. 电子与信息学报, 2020, 41(0): 1-10.

    14. [14]

      邵凯, 李述栋, 王光宇, 付天飞. 基于迟滞噪声混沌神经网络的导频分配. 电子与信息学报, 2020, 41(0): 1-8.

    15. [15]

      宋人杰, 张元东. 基于感兴趣区域的高性能视频编码帧内预测优化算法. 电子与信息学报, 2020, 42(0): 1-7.

    16. [16]

      张天骐, 胡延平, 冯嘉欣, 张晓艳. 基于零空间矩阵匹配的极化码参数盲识别算法. 电子与信息学报, 2020, 41(0): 1-7.

    17. [17]

      刘文斌, 吴倩, 杜玉改, 方刚, 石晓龙, 许鹏. 基于个性化网络标志物的药物推荐方法研究. 电子与信息学报, 2020, 42(6): 1340-1347.

    18. [18]

      赵国繁, 唐伦, 胡彦娟, 赵培培, 陈前斌. 面向可靠性的5G网络切片重构及映射算法. 电子与信息学报, 2020, 42(6): 1478-1485.

    19. [19]

      王威丽, 陈前斌, 唐伦. 虚拟网络切片中的在线异常检测算法研究. 电子与信息学报, 2020, 42(6): 1460-1467.

    20. [20]

      蒋瀚, 刘怡然, 宋祥福, 王皓, 郑志华, 徐秋亮. 隐私保护机器学习的密码学方法. 电子与信息学报, 2020, 42(5): 1068-1078.

  • 图 1  基于混合神经网络矩阵分解的兴趣点推荐模型

    图 2  MFM-HNN模型基于LA数据集和NYC数据集与其他4个模型的推荐性能对比

    图 3  基于LA和NYC数据集的5个初始化方法的性能对比

    图 4  MFM-HNN模型基于LA数据集和NYC数据集在不同层数的性能对比

    表 1  MFM-HNN模型学习算法

     输入:${{{x}}_i},{{{S}}^u},{{{S}}^v},{{\tilde{{S}}}^u},{{\tilde{{S}}}^v},T,B$
     输出:${\cal{L}}$
     (1) For $t < $T Do
     (2) 从兴趣点评论中随机选取一个兴趣点的评论矩阵${{{x}}_i}$进行训练,   训练批次大小为${\beta _0}$,每一个批次的大小为$B$,计算训练过程   中的损失${{\cal{L}}_{\rm{cnn}}}$
     (3) if $t > $T or ${{\cal{L}}_{\rm{cnn}}}$足够小
     (4) end
     (5) for $t < $T Do
     (6) 从兴趣点评分中随机选取一个兴趣点的用户-兴趣点对$({\tilde{{s}}}_i^u,{\tilde{{s}}}_i^v)$   进行训练,训练批次大小为${\beta _1}$,每一个批次的大小为$B$,计算    训练过程中的损失${{\cal{L}}_{\rm{ui}}}$
     (7) if $t > $T or ${{\cal{L}}_{\rm{ui}}}$足够小
     (8) end
     (9) 计算最终的损失值${\cal{L}} = {{\cal{L}}_{\rm{cnn}}} + {{\cal{L}}_{\rm{ui}}}$
     (10) return ${\cal{L}}$
    下载: 导出CSV

    表 2  数据集统计

    数据统计LANYC
    用户数量30,20847,240
    兴趣点数量142,798203,765
    签到数量(评论)244,861388,954
    用户-位置矩阵密度5.68×10–54.04×10–5
    下载: 导出CSV
  • 加载中
图(4)表(2)
计量
  • PDF下载量:  112
  • 文章访问数:  1689
  • HTML全文浏览量:  1211
文章相关
  • 通讯作者:  李晶, leejingcn@163.com
  • 收稿日期:  2018-05-14
  • 录用日期:  2018-11-26
  • 网络出版日期:  2018-12-05
  • 刊出日期:  2019-04-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章