社交關(guān)系與地理位置信息融合的GRU興趣點推薦模型

吳忠權(quán)　錢萌　程樹林

關(guān)鍵詞：興趣點推薦；社交關(guān)系強度；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：TP18 文獻標識碼：A

文章編號：1009-3044（2023）20-0043-04

0 引言

隨著移動互聯(lián)網(wǎng)的發(fā)展和智能終端的廣泛使用，很多應用程序都會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（Point of Interest，POI） ，如餐館、超市、旅游景點等。然而在LBSN中，興趣點的數(shù)量成千上萬，用戶很難快速找到自己感興趣的地點。因此，興趣點推薦成為位置社交網(wǎng)絡(luò)中一個重要研究分支。它通過算法對用戶社交行為以及POI相關(guān)信息分析，捕獲用戶的個性化偏好，從而幫助用戶發(fā)現(xiàn)新的興趣點和活動，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會，從而帶來商業(yè)價值。

傳統(tǒng)的POI推薦方法通常是基于序列的個性化推薦[1–3]，如FPMC[4]模型通過馬爾科夫鏈和矩陣分解的組合對用戶的序列行為和總體興趣進行建模，但是馬爾科夫鏈難以捕獲較長的序列信息并且計算復雜度較高。隨著深度學習的發(fā)展和廣泛應用，一些研究將RNN類模型[5–8]應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)系和時空信息能夠提供有價值的信息，這些信息有助于更準確地預測用戶的興趣，并向他們推薦更合適的地點。例如，如果一個用戶好友在某個時間去了某個地點并在社交媒體上發(fā)布了關(guān)于此地點的評論，則該評論可能會吸引用戶好友的注意，并對他們未來興趣點的選擇產(chǎn)生影響。此外，利用用戶所在的位置和時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?shù)氐纳虉龌虿宛^，而不是在郊區(qū)的購物中心或餐館。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興趣點推薦模型，為目標用戶推薦感興趣的興趣點。

1 相關(guān)工作

傳統(tǒng)的POI推薦根據(jù)所應用的方法主要集中在兩個方面，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用戶計算個性化的位置概率分布；另一方面通過似然估計方法預測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)矩陣分解的興趣點推薦算法GeoMF。該算法認為人類的位置活動具有空間聚集現(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推薦算法主要是對馬爾科夫鏈、樹模型、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN等進行了擴展。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現(xiàn)地點推薦。在循環(huán)神經(jīng)網(wǎng)絡(luò)方面，如Liu等人[12]將RNN改進為ST-RNN的模型，該模型學習空間和時間信息來模擬個人軌跡以進行下一位置推送。但以上模型沒有對用戶社交關(guān)系信息進行建模，忽略了社交信息對用戶興趣偏好的影響。

3.3 實驗環(huán)境和參數(shù)設(shè)置

本文使用Python 3.8 實現(xiàn)了相關(guān)模型，并在Py? Torch 1.8中進行了實驗。實驗中，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：默認社交關(guān)系權(quán)重ε 為0.5，POI先后訪問時間間隔參數(shù)默認為一天，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，學習率為0.002 5，嵌入維度d 為128，負采樣數(shù)為5。序列模型使用雙層GRU，其中隱藏層大小設(shè)置為128，學習率設(shè)置為0.001。所有實驗運行環(huán)境為Ubuntu18.04，GPU為Nvidia RTX 5000 16GB。

3.4 對比模型

為了驗證本文所提出模型的性能，選取以下3個經(jīng)典模型進行對比，所有模型參數(shù)均使用對應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)合注意力機制進行POI推薦。

3.5 綜合實驗

首先，筆者對所有模型分別在兩個數(shù)據(jù)集上進行c5a次ll@綜k、合F1實-s驗ocr，e最@k終指取標平，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指標上顯著優(yōu)于現(xiàn)有基準模型。對比最優(yōu)的基準模型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)于其他基準模型，對比最優(yōu)的基準模型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指標上顯著優(yōu)于現(xiàn)有基準模型。對比最優(yōu)的基準模型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)于其他基準模型，對比最優(yōu)的基準模型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，這是因為Brightkite數(shù)據(jù)集中的用戶平均簽到記錄長度長于Gowalla數(shù)據(jù)集，可以使模型學習到更多的用戶行為及興趣偏好。

4 結(jié)論

利用深度學習中的GRU網(wǎng)絡(luò)研究了位置社交網(wǎng)絡(luò)中的興趣點推薦問題，提出了融合社交關(guān)系與地理位置信息的GRU興趣點推薦模型?；诋悩?gòu)圖對用戶社交關(guān)系、用戶與興趣點的關(guān)系以及興趣點之間的關(guān)系進行了建模。同時，根據(jù)用戶社交關(guān)系強度以及POI之間地理位置信息對異構(gòu)圖邊的權(quán)重進行度量，并利用權(quán)重對異構(gòu)圖進行了優(yōu)化，從而通過圖嵌入的方法，更好地表達了用戶和POI的特征信息。最后運用門控循環(huán)神經(jīng)網(wǎng)絡(luò)對用戶簽到序列信息進行建模，捕捉用戶的動態(tài)興趣演化，預測用戶下一個興趣點的訪問概率，實現(xiàn)用戶POI的TOP-K推薦。在兩個公開數(shù)據(jù)集Gowalla和Brightkite上進行了相應的實驗，結(jié)果表明，本文提出的模型在Precision@k、Recall@k、F1-socre@k指標上優(yōu)于基準模型，有效地提升了興趣點推薦的精度。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模型進行改進，從而進一步提高推薦質(zhì)量。