基于循環(huán)神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)偏好感知興趣點(diǎn)推薦

李 勇，韓志媛，安敬民

(1.濰坊學(xué)院 計(jì)算機(jī)工程學(xué)院，山東 濰坊 261061；2.濰坊醫(yī)學(xué)院 外國(guó)語學(xué)院，山東 濰坊 261053； 3.大連海事大學(xué) 信息科學(xué)技術(shù)學(xué)院，遼寧 大連 116026)

0 引 言

隨著基于位置的社交網(wǎng)絡(luò)(location-based social networks，LBSNs)的興起，人們的生活得到了更多改善。這主要體現(xiàn)在用戶可以隨時(shí)隨地分享自己的位置和興趣點(diǎn)(point-of-interest，POI)，而且用戶還可以在LBSNs上查找符合自己興趣的POIs(電影院、飯店和景點(diǎn)等)，使得用戶的生活更加便利。當(dāng)前國(guó)內(nèi)外有眾多典型的LBSNs，比如大眾點(diǎn)評(píng)平臺(tái)、Gowalla以及Foursquare等，這些平臺(tái)被越來越多的用戶和學(xué)者所關(guān)注。若能合理地收集已有的用戶簽到數(shù)據(jù)并挖掘其中隱含的信息，將能進(jìn)一步促進(jìn)LBSNs的POI的個(gè)性化推薦的實(shí)現(xiàn)。個(gè)性化POI推薦是基于已有的用戶簽到經(jīng)驗(yàn)，向其推薦他們未曾訪問過且感興趣的地方。對(duì)于個(gè)體用戶而言，這增加其生活的方便，而對(duì)于第三方商家而言，可以更加容易定位用戶興趣偏好，以向特定用戶群推送廣告。近幾年來，基于LBSNs的POI推薦方法大量涌現(xiàn)，如文獻(xiàn)[1-3]等，這些方法主要致力于解決POI推薦過程中的數(shù)據(jù)稀疏問題，以獲得更好的推薦效果。通過考慮不同的上下文信息(地理、社會(huì)和時(shí)間等信息)對(duì)用戶偏好的影響，并協(xié)同用戶實(shí)際簽到數(shù)據(jù)實(shí)現(xiàn)興趣點(diǎn)推薦。然而，這些方法雖然考慮了時(shí)間因素，但均基于用戶的歷史數(shù)據(jù)進(jìn)行POI預(yù)測(cè)，未能充分考慮在推薦過程中用戶的實(shí)時(shí)需求。例如：某用戶ui習(xí)慣于在中午某段時(shí)間去餐館吃飯，但ui此時(shí)剛剛下飛機(jī)并在早些時(shí)段已用過餐，其在短時(shí)間內(nèi)連續(xù)用餐的概率是低的，而簽到一個(gè)賓館的概率更高?，F(xiàn)有方法基于用戶歷史習(xí)慣會(huì)向該用戶推薦餐館，無法感知用戶現(xiàn)有的實(shí)時(shí)需求。

針對(duì)這一問題，本文提出了一種用戶實(shí)時(shí)偏好感知的POI推薦方法。該方法同時(shí)考慮了用戶實(shí)時(shí)需求和用戶歷史偏好。利用用戶當(dāng)前的狀態(tài)，如：當(dāng)前簽到的POI地理位置和時(shí)間信息，學(xué)習(xí)該用戶實(shí)時(shí)偏好嵌入表示。使用矩陣分解技術(shù)(matrix factorization)融合POI類別信息和用戶社會(huì)關(guān)系學(xué)習(xí)用戶歷史偏好嵌入。最后，使用一種能處理時(shí)序問題的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network)融合用戶實(shí)時(shí)偏好向量和歷史偏好向量，預(yù)測(cè)實(shí)時(shí)POI需求。通過在廣泛被采用的數(shù)據(jù)集(Foursquare)上的實(shí)驗(yàn)，驗(yàn)證了所提方法的有效性。

1 相關(guān)工作

在過去的幾年中，大量的基于LBSNs的POI推薦方法被提出，這里，本文給出最近的一些工作的介紹。

在POI推薦問題的近幾年相關(guān)工作中，主要以融合多種上下文擬合用戶偏好為主，如地理信息、社會(huì)信息、POI類別信息、流行度和時(shí)間信息等。這是因?yàn)楦嘤行У纳舷挛男畔⒛軌蚋玫財(cái)M合用戶簽到行為。文獻(xiàn)[4]分別利用核密度估計(jì)建模了POI地理相關(guān)性和使用高斯函數(shù)建模了用戶的社會(huì)關(guān)系，并聯(lián)合用戶自身偏好，進(jìn)行POI預(yù)測(cè)。文獻(xiàn)[5]考慮了地理信息、社會(huì)信息以及POI評(píng)論內(nèi)容三方面因素，提出了一個(gè)基于卷積矩陣分解框架的上下文融合模型。文獻(xiàn)[6]分別學(xué)習(xí)了地理信息、POI類別信息以及社會(huì)關(guān)系的向量表示，并將3種特征向量輸入到一個(gè)深度神經(jīng)網(wǎng)絡(luò)中以獲取POI預(yù)測(cè)。文獻(xiàn)[7]通過研究用戶的簽到行為模式的特征，提出一種用戶移動(dòng)模式相似度計(jì)算方法。文獻(xiàn)[8]重點(diǎn)強(qiáng)調(diào)了LBSN中的社會(huì)信任關(guān)系，并結(jié)合地理信息和用戶偏好信息設(shè)計(jì)了一個(gè)個(gè)性化POI推薦框架。文獻(xiàn)[9]對(duì)POI文本內(nèi)容進(jìn)行了研究，通過對(duì)文本內(nèi)容的挖掘，建模了3類特征，POI屬性特征、用戶情感特征以及用戶興趣。將3類特征輸入到一個(gè)卷積神經(jīng)網(wǎng)絡(luò)中學(xué)習(xí)用戶POI。文獻(xiàn)[10]通過聯(lián)合用戶對(duì)POI的評(píng)分、社會(huì)信息、地理信息、POI流行度和用戶簽到行為，提出一種面向異構(gòu)社會(huì)網(wǎng)絡(luò)的POI推薦方法。文獻(xiàn)[11]構(gòu)建了一種用戶簽到社會(huì)關(guān)系網(wǎng)絡(luò)，并通過網(wǎng)絡(luò)關(guān)系表示學(xué)習(xí)獲取用戶社會(huì)關(guān)系對(duì)POI決策的影響。通過結(jié)合用戶自身偏好和地理信息因素，實(shí)現(xiàn)POI個(gè)性化推薦。文獻(xiàn)[12]則利用神經(jīng)網(wǎng)絡(luò)良好的感知和表達(dá)能力，通過半監(jiān)督學(xué)習(xí)方法建模用戶社會(huì)關(guān)系和POI地理信息，并結(jié)合協(xié)同過濾方法進(jìn)行POI推薦。文獻(xiàn)[13]為進(jìn)一步緩解用戶簽到矩陣的稀疏性，將其中融入了POI類別信息，并結(jié)合用戶的社會(huì)關(guān)系和POI地理關(guān)系實(shí)現(xiàn)用戶的偏好預(yù)測(cè)。文獻(xiàn)[14]構(gòu)建了用戶-POI標(biāo)簽矩陣以預(yù)測(cè)用戶的自身偏好，并協(xié)同社會(huì)和地理影響進(jìn)行最終的POI推薦。文獻(xiàn)[15]全面地考慮了不同上下文可能對(duì)用戶偏好的影響，構(gòu)建了地理、文本、社會(huì)、POI類別和流行度模型，并利用概率矩陣分解模型將這些上下文模型融合，生成推薦列表?？紤]到時(shí)間因素對(duì)用戶的偏好的影響，越來越多的方法致力于研究時(shí)間感知的POI推薦方法，目的是實(shí)現(xiàn)一天內(nèi)具體不同時(shí)間下的POI推薦。文獻(xiàn)[1]根據(jù)用戶的簽到時(shí)間特征，將用戶相似度分為全局相似性和局部相似性。通過對(duì)用戶相似度的計(jì)算，提出了一種基于用戶時(shí)間特征的協(xié)同過濾方法。文獻(xiàn)[2]則基于神經(jīng)網(wǎng)絡(luò)提出一種時(shí)間感知興趣點(diǎn)推薦方法，同時(shí)該方法考慮了POI的空間、流行度以及社會(huì)關(guān)系。文獻(xiàn)[16]將上下文信息和用戶簽到信息輸入圖神經(jīng)網(wǎng)絡(luò)(graph neural network)學(xué)習(xí)框架，以獲取POI的嵌入表示，通過低維度向量間的相關(guān)性實(shí)現(xiàn)POI推薦。文獻(xiàn)[17]重點(diǎn)考慮了POI的多源文本內(nèi)容，同時(shí)聯(lián)合時(shí)間、社會(huì)和地理信息實(shí)現(xiàn)POI推薦。最近，文獻(xiàn)[3]通過使用社會(huì)、地理、時(shí)間以及POI類別信息，構(gòu)建了社會(huì)空間、地理空間和POI類別空間的相似度計(jì)算模型，進(jìn)而提出一種用戶相似度和POI相似度計(jì)算方法，并將兩種相似度融合到概率矩陣分解模型以求解用戶的POI。

對(duì)現(xiàn)有流行的POI推薦方法進(jìn)行總結(jié)發(fā)現(xiàn)，現(xiàn)有方法均通過對(duì)用戶歷史簽到數(shù)據(jù)的挖掘技術(shù)和固有的上下文特征建模技術(shù)的研究，聯(lián)合用戶歷史偏好和上下文擬合用戶的偏好預(yù)測(cè)用戶POI。然而，這些方法并未考慮現(xiàn)實(shí)中用戶的實(shí)時(shí)需求。用戶在不同時(shí)間、不同地點(diǎn)以及不同狀態(tài)下，偏好是變化的。所以，本文提出一種用戶實(shí)時(shí)需求感知的POI推薦方法。

2 用戶實(shí)時(shí)偏好模型

本文使用用戶ui當(dāng)前(第k次)所簽到的POIpk的地理位置lk和簽到時(shí)間Tk表示用戶實(shí)偏好ek

ek=(Δlk，Δtk，velk，tk，twk)

(1)

這里，Δlk表示pk與pk-1間的距離，用以表示用戶當(dāng)前位置特征。 Δtk表示ui連續(xù)簽到pk與pk-1間的時(shí)間間隔。velk是Δlk和Δtk的特征抽取，velk=Δlk/Δtk。Tk={tk，twk}，tk表示ui簽到pk的時(shí)間，本文將時(shí)間以小時(shí)為單位分為24個(gè)時(shí)間片，即tk∈{0，1，2，…，23}。twk表示ui是否在周末簽到pk，如果twk=1表示ui在周末簽到pk，twk=0表示ui在工作日簽到pk。這原因是大多用戶的工作日和周末簽到習(xí)慣不同，在工作日用戶可能偏好與工作地點(diǎn)距離近的POI，而周末他們可能偏好距離遠(yuǎn)一些的POI，所以本文設(shè)定twk來學(xué)習(xí)用戶在兩個(gè)時(shí)間階段的偏好。

3 用戶歷史偏好建模

用戶歷史偏好是決定用戶是否簽到一個(gè)POI的主要因素。目前矩陣分解(matrix factorization，MF)技術(shù)被視為最流行的方法之一。因?yàn)橛脩艉灥綌?shù)據(jù)是一種隱式數(shù)據(jù)集，具有龐大且稀疏的特點(diǎn)，MF已被證明能夠有效地應(yīng)對(duì)這一問題。令R表示用戶-POI簽到矩陣，rik∈R，rik=1表示ui簽到過pk，rik=0表示ui未簽到過pk。一般公式如下

(2)

這里，α表示正則化系數(shù)。U表示K維用戶潛在向量，L表示K維POI潛在向量。用戶歷史偏好可以學(xué)習(xí)表示為

(3)

用戶往往展現(xiàn)出對(duì)某一類的POI的興趣，比如用戶經(jīng)常簽到某一川菜館，說明其可能偏好麻辣口味一類的食物。所以，本文將POI類別信息融合到用戶歷史偏好表示中，以增強(qiáng)用戶偏好學(xué)習(xí)。令vi，caj為ui對(duì)POIlk所屬類別Cak偏好的K維特征向量。此時(shí)，用戶歷史偏好更新為

(4)

式中：γ是權(quán)重參數(shù)。

考慮到用戶的社會(huì)關(guān)系對(duì)用戶偏好決策的影響，本文采用一種基于網(wǎng)絡(luò)關(guān)系表示學(xué)習(xí)的社會(huì)關(guān)系建模方法。主要因?yàn)橛脩舻纳鐣?huì)關(guān)系是多樣化且復(fù)雜的，而常用的方法，如Consine相似度、Pearson相關(guān)度以及Jaccard系數(shù)等，均直接采用用戶的簽到記錄計(jì)算用戶的相似度，無法獲取用戶間復(fù)雜的社會(huì)關(guān)系。首先，為表達(dá)復(fù)雜的用戶社會(huì)關(guān)系(朋友關(guān)系、鄰居關(guān)系以及同事關(guān)系等)，本文構(gòu)建一種用戶共同簽到(co-visit)圖G=(V，E)。V={v1，v2，…，vn} 是圖中的頂點(diǎn)，表示每一個(gè)用戶。E={(v1，v2)，(v3，v2)，…，(vn，vm)} 是圖中邊，(vn，vm) 表示用戶un和um簽到過相同的POI。為學(xué)習(xí)圖G中每個(gè)用戶的向量表示，本文使用了skip-gram模型，以用戶ui為中心學(xué)習(xí)他/她在社會(huì)關(guān)系中的向量表示

(5)

(6)

基于sij，本文利用協(xié)同過濾方法預(yù)測(cè)社會(huì)關(guān)系對(duì)用戶ui的偏好影響scik

(7)

結(jié)合scik，本文再次更新用戶歷史偏好

(8)

4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的融合模型

聯(lián)合用戶實(shí)時(shí)偏好ek和歷史偏好Prefik，本文表示用戶需求為

Dk=(ek，Prefik)

(9)

進(jìn)一步地，考慮到用戶的實(shí)時(shí)需求不僅與當(dāng)前第k次簽到相關(guān)，同時(shí)與前k-1次的簽到相關(guān)。比如，出差中的用戶ui結(jié)束工作之后，應(yīng)該去某個(gè)餐館用餐，然后可能去某個(gè)賓館休息。所以，準(zhǔn)確地建模用戶實(shí)時(shí)需求，需結(jié)合用戶的簽到序列。本文根據(jù)ui的簽到時(shí)序，給出ui的簽到序列如下

seqi=(D1，D2，…，Dk)

(10)

假定pc是ui偏好POI的候選對(duì)象，則可以使用Dc表示pc，并給出組合序列

seq′i=(D1，D2，…，Dk，Dc)

(11)

基于對(duì)seq′i的學(xué)習(xí)，本文預(yù)測(cè)ui簽到pc的概率。具體地，本文將seq′i輸入到LSTM神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)對(duì)應(yīng)的隱藏向量表示。以Dk為例，求解Dk對(duì)應(yīng)的隱藏向量hk

it=σ(WiDk+Mihk-1+bi)

(12)

ft=σ(WfDk+Mfhk-1+bf)

(13)

ot=σ(WoDk+Mohk-1+bo)

(14)

ct=ft⊙ct-1+it⊙tanh(WcDk+Mchk-1+bc)

(15)

hk=ot⊙tanh(ct)

(16)

這里，it、ft、ot以及ct分別是輸入門、遺忘門、輸出門和單元狀態(tài)。

類似地，可以計(jì)算獲得h1、h2、…、hk-1和hc，并得到隱藏序列seq″i

seq″i=(h1，h2，…，hk，hc)

(17)

預(yù)測(cè)ui偏好pc的概率受其之前訪問過的POI的影響，且訪問過的POI的影響權(quán)重是不同的。本文采用一種注意力機(jī)制，計(jì)算seq″i中隱藏向量 (h1，h2，…，hk) 的權(quán)重。具體地，使用單層神經(jīng)網(wǎng)絡(luò)求解隱藏向量 {hk-w，…，hk} 對(duì)應(yīng)的隱藏值 {Kk-w，…，Kk}

Ki=Wzhi+bz

(18)

這里，i∈[k-w，k]，w是注意力機(jī)制窗口大小。計(jì)算hc對(duì)應(yīng)的查詢值Q

Q=Wahc+ba

(19)

進(jìn)一步地，本文為了更好地學(xué)習(xí)效果，采用多頭注意力機(jī)制(multi-head attention mechanism)學(xué)習(xí)Ki和Q

(20)

Qmulti=Q1?…?Ql

(21)

(22)

利用βic，ui簽到pc的向量表示為

(23)

結(jié)合Dc和Gc，本文采用多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)計(jì)算ui簽到pc的概率。首先，利用一個(gè)單層神經(jīng)網(wǎng)絡(luò)將Gc映射為一個(gè)與Dc相同維度的向量G′c

G′c=WGGc+bG

(24)

將G′c和Dc輸入到L層神經(jīng)網(wǎng)絡(luò)中，求解ui簽到pc的概率Pic

Pic=WTeL

(25)

這里，eL是通過以下方式學(xué)習(xí)得到

e1=W1(G′c⊙Dc)+b1……eL=WLeL-1+bL

(26)

最后，為了能得到最優(yōu)的學(xué)習(xí)效果，本文給出如下?lián)p失函數(shù)

(27)

這里，c+是來自于ui偏好POI的候選對(duì)象中正樣本，c-是正樣本對(duì)應(yīng)的負(fù)樣本。

5 實(shí)驗(yàn)與結(jié)果分析

文中所涉及到的算法均在WIN 10環(huán)境下使用Python實(shí)現(xiàn)，并在具有1755 MHz 23 GD6 GeForce RTX 2080 Ti GPU和64 GB內(nèi)存的服務(wù)器上進(jìn)行實(shí)驗(yàn)驗(yàn)證。這一節(jié)，本文將從實(shí)驗(yàn)數(shù)據(jù)集、參數(shù)設(shè)置、評(píng)價(jià)標(biāo)準(zhǔn)、對(duì)比方法以及實(shí)驗(yàn)結(jié)果5方面進(jìn)行說明。

5.1 數(shù)據(jù)集

本文采用的是來自LBSNs中廣泛被使用的數(shù)據(jù)集Foursquare Dataset(https：//foursquare.com)。本文對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，首先選定用戶的簽到序列，規(guī)定一天內(nèi)簽到POI屬于相同序列，并過濾掉異常數(shù)據(jù)，即刪除用戶(這些用戶是簽到POI記錄不足10條或者簽到不同POI的數(shù)量小于5)；刪除POI(這些POI被簽到總次數(shù)不足10次)；刪除POI序列(這些簽到序列長(zhǎng)度小于3)。最終獲得表1所示的數(shù)據(jù)集，其中用戶數(shù)量為2293，POI數(shù)量為7873，POI類別數(shù)量為186，所有用戶簽到記錄總量為447 547，則可計(jì)算出數(shù)據(jù)的稠密度為2.48%。本文將Foursquare數(shù)據(jù)集中的80%作為訓(xùn)練集，其余20%作為測(cè)試集。為了更好地訓(xùn)練和測(cè)試，對(duì)于每一個(gè)簽到序列，本文將第k+1次簽到的POI作為候選POI，前k次簽到作為已發(fā)生簽到。

表1 數(shù)據(jù)集信息

5.2 參數(shù)設(shè)置

本文提出的模型中涉及的參數(shù)主要包含POI類別信息權(quán)重γ和矩陣分解模型維度K。使用網(wǎng)格搜索技術(shù)(gird search)，設(shè)定γ=0.4且K=20時(shí)，模型性能最優(yōu)。

5.3 對(duì)比方法

為了評(píng)估本文提出的用戶實(shí)時(shí)偏好感知POI推薦方法的有效性，本文選擇了以下4種對(duì)比方法：

UCGSMF[13]：該模型建模了POI地理特征和用戶社會(huì)關(guān)系對(duì)用戶偏好的影響，并將POI類別信息融合到用戶的自身偏好模型中。聯(lián)合地理影響、社會(huì)影響及自身偏好模型進(jìn)行POI推薦。

ST-RNet[2]：該模型建模了POI地理信息向量表示、用戶社會(huì)關(guān)系向量表示和POI流行度向量表示，并聯(lián)合時(shí)間信息輸入到神經(jīng)網(wǎng)絡(luò)中學(xué)習(xí)用戶偏好低維度向量，以完成POI推薦。

SSTPMF[3]：該模型基于時(shí)間、空間、POI類別和社會(huì)關(guān)系，建模了用戶相似度和POI相似度模型，并將其融入到概率矩陣模型中，進(jìn)行POI推薦。該模型上當(dāng)前最新研究工作之一。

RTPAR：本文提出的模型，該模型利用地理信息和時(shí)間信息建模了用戶實(shí)時(shí)偏好向量表示，聯(lián)合社會(huì)信息、POI類別信息以及用戶歷史簽到信息建模了歷史偏好向量表示。融合兩種向量并輸入到循環(huán)神經(jīng)網(wǎng)絡(luò)中預(yù)測(cè)用戶實(shí)時(shí)POI。

5.4 評(píng)價(jià)標(biāo)準(zhǔn)

本文采用推薦系統(tǒng)中最常用的兩個(gè)評(píng)價(jià)標(biāo)準(zhǔn)，準(zhǔn)確率(precision@k)和召回率(recall@k)。具體如式(28)和式(29)所示

(28)

(29)

這里，#k表示top-k推薦列表中的POI，表示測(cè)試集中用戶訪問過的POI。

5.5 實(shí)驗(yàn)結(jié)果

首先，本文評(píng)估不同模型在top-1、top-3和top-5推薦情況下的性能，結(jié)果見表2。從結(jié)果可以發(fā)現(xiàn)，RTPAR在所有對(duì)比方法中取得最優(yōu)的結(jié)果，這得益于RTPAR對(duì)于用戶的實(shí)時(shí)偏好的建模。UCGSMF、ST-RNet和SSTPMF均考慮了多種上下文因素的影響，但是這些方法是利用用戶歷史簽到特征，未考慮用戶實(shí)時(shí)的偏好變化。盡管用戶每天的實(shí)際簽到存在周期性規(guī)律，但隨著簽到軌跡的變化，其偏好也隨之動(dòng)態(tài)地調(diào)整。RTPAR不僅考慮了用戶實(shí)時(shí)需求，而且充分地建模了用戶歷史偏好。所以，比較于之前的方法，性能得到了提升。具體地，較SSTPMF，準(zhǔn)確率和召回率分別平均提升了8.7%和8.3%。

表2 top-k推薦時(shí)模型性能對(duì)比

進(jìn)一步地，本文對(duì)推薦模型在冷啟動(dòng)情況下的性能進(jìn)行測(cè)驗(yàn)。給定用戶簽到記錄n=1、n=3和n=5，分別預(yù)測(cè)只有1次、3次和5次簽到記錄的用戶POI。結(jié)果見表3，RTPAR仍優(yōu)于其它所有的對(duì)比方法。推薦冷啟動(dòng)問題是推薦系統(tǒng)中常見的問題，是指在用戶的簽到數(shù)據(jù)極少情況下實(shí)現(xiàn)POI推薦。UCGSMF、ST-RNet和SSTPMF通過建模上下文，如社會(huì)關(guān)系、地理信息和時(shí)間信息等，來彌補(bǔ)數(shù)據(jù)的不足。本文在此基礎(chǔ)上，進(jìn)一步建模了用戶實(shí)時(shí)需求，而且在無法獲得用戶歷史偏好情況下，用戶實(shí)時(shí)偏好模型更加能夠表達(dá)該用戶的POI。冷啟動(dòng)情況下，相比于SSTPMF，在準(zhǔn)確率和召回率分別平均提高了6.55%和6.02%。

表3 冷啟動(dòng)情況下模型性能對(duì)比

最后，本文評(píng)估了參數(shù)γ和K對(duì)模型RTPAR的性能影響。如圖1所示，γ取0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9和1。從圖中可以發(fā)現(xiàn)，γ的取值對(duì)模型的性能有較大影響，合適的γ值能夠進(jìn)一步提升模型性能，而其它的γ值會(huì)影響模型的性能。這里，當(dāng)γ=0.4時(shí)，模型性能達(dá)到最優(yōu)。

圖1 參數(shù)γ對(duì)RTPAR的影響

如圖2所示，潛在向量的維度K取5、10、20、30和40。當(dāng)K≤20時(shí)，隨著K值增大，模型性能不斷提高。當(dāng)K>20時(shí)，模型性能下降。這里，K=20時(shí)，模型性能達(dá)到最優(yōu)。

圖2 參數(shù)K對(duì)RTPAR的影響

為了評(píng)估RTPAR中不同上下文因素的影響，本文使用控制變量方法從RTPAR中刪除地理信息(RTPAR-G)、刪除時(shí)間信息(RTPAR-T)、刪除社會(huì)信息(RTPAR-S)以及刪除POI類別信息(RTPAR-Ca)分別進(jìn)行實(shí)驗(yàn)，結(jié)果如圖3所示。從結(jié)果中不難發(fā)現(xiàn)，每一種上下文信息均對(duì)RTPAR性能的提升做出了貢獻(xiàn)。其中，貢獻(xiàn)從大到小依次為：地理信息>時(shí)間信息>社會(huì)信息>POI類別信息。

圖3 不同上下文信息對(duì)RTPAR的貢獻(xiàn)

6 結(jié)束語

針對(duì)大多現(xiàn)有POI推薦模型不能滿足用戶實(shí)時(shí)偏好需求，本文提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的用戶偏好實(shí)時(shí)感知POI推薦模型。該模型主要從兩方面建模了用戶偏好。一是通過利用簽到的地理信息和時(shí)間信息對(duì)用戶實(shí)時(shí)偏好進(jìn)行向量表示。二是使用用戶歷史簽到數(shù)據(jù)，通過矩陣分解框架學(xué)習(xí)用戶偏好，并結(jié)合POI類別信息和用戶社會(huì)關(guān)系，學(xué)習(xí)用戶歷史偏好嵌入表示。融合用戶實(shí)時(shí)偏好向量和歷史偏好向量，并將其輸入到一種基于注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)中，預(yù)測(cè)目標(biāo)用戶的實(shí)時(shí)POI概率。通過在Foursquare數(shù)據(jù)集上的大量實(shí)驗(yàn)，驗(yàn)證了本文所提出的模型比現(xiàn)有流行的推薦方法更具優(yōu)勢(shì)。同時(shí)也說明了本文提出的實(shí)時(shí)POI感知模型的可行性和有效性。