Page 37 - 《软件学报》2020年第12期

陈劲松 等:基于多维上下文感知图嵌入模型的兴趣点推荐 3703

献[23]提出一种基于图嵌入的学习模型,预先定义出一种图的结构和顶点关联规则,将用户的签到集合按照影
响因素,如地理因素、时间因素等拆分开来,存放在对应的图中.其实验结果表明:这种图嵌入学习模型能够很好
地融合多种影响因素,并提升移动推荐系统的性能.
在挖掘用户与项目的潜在主题特征方面,文献[24]认为,用户在不同地区所表现出的兴趣不同,即在空间上
存在“兴趣漂移”的现象.他们结合了 LDA 主题模型,提出一种基于时空间的用户主题特征模型,目的在于反馈用
户在目标区域内的主题特征.文献[6]提出了一种时空主题模型,他们摒弃了离散的时间段,采用连续时间模拟签
到数据,用于捕捉用户在不同时间段和不同地区的主题特征分布.然而,由于使用了连续的时间段去模拟实验,
因此在签到集合较为稀疏的情况下,就不能够取得好的效果.文献[25]提出了一种基于作者主题模型的协同过
滤算法,通过收集带有文字性描述的信息来提取出用户偏好主题.
从上述研究中可以得到,影响移动推荐模型性能的因素主要有 3 种:地理因素、时间因素和语义因素.然而,
通过挖掘地理、时间等因素来获得用户行为规律的方式需要大量且稠密的签到数据的支撑.若提供的数据集稀
疏或者对于那些签到记录不频繁的用户来说,这种方式所获得的收益将会变得很低.如果一个用户的签到记录
很稠密,这就表示该用户活动很频繁.这种用户在选择能力上一般要强于那些签到记录较少的用户.而推荐系统
的意义就是为这些选择能力弱的用户做推荐服务.在签到记录不足的情况下,可以通过挖掘用户和 POI 的语义
特征的方式,降低稀疏数据给推荐模型带来的影响,同时也能够更好地为需要推荐的用户服务.
为了应对数据稀疏性的影响以及更好地融合以上 3 种因素,本文提出一种基于多维上下文感知的图嵌入
模型的移动推荐方法.利用 LDA 主题模型挖掘用户和 POI 的潜在语义特征,并重新定义图中顶点的关联规则,
以提升模型在数据稀疏情况下的推荐性能.
相较于传统的单一因素建模,引入多因素联合建模的方法能够提升对项目特征和用户偏好刻画的精准度.
如在电影推荐系统中,就可以使用图嵌入学习模型,从多个维度,如电影被点击的时间段、电影的评论和电影自
身内容等方面充分挖掘电影项目的特征,从而改善用户的使用体验.

2 一种基于多维上下文感知图嵌入模型的移动推荐方法

2.1 图的结构

在本文中,我们构建了 3 个二部图,分别是 POI-POI 图、POI-地区图和 POI-时间段图,将语义因素、地理因
素和时间因素共同映射到一个维度为 d 的潜空间中,通过同时更新这 3 个图,最终,POI、地区和时间段表示为合
适的 d 维向量.
Yin 等人在文献[23]提出的图嵌入学习模型的核心部分是 POI-POI 图,而该图是建立在一种序列效应的基
础之上.在给定的一个时间间隔ΔT 内,若用户先访问了地点 A,后访问了地点 B,则认为 A 与 B 之间会存在一种关
联.这种行为模式发生的次数越多,则认为 A 与 B 之间的关联性越强.即当一个用户访问地点 A 之后,则接下来会
有很大的概率访问地点 B.对于签到密度较高的用户,这种构图方法会有良好的性能,但对于签到密度较低的用
户,签到间隔大,序列效应很难精准建模,该方法的性能会明显下降.由图 1 描述的实验结果可知,用户会倾向于
选择语义关联度更高的项目.基于该现象,我们认为,利用语义信息能够在签到数据稀疏的情况下构建更加精准
的 POI-POI 图.因此,我们重新制定了 POI-POI 图的构建规则,利用 LDA 主题模型计算 POI 潜在主题向量,并将
其作为 POI 的语义特征,随后计算两个 POI 之间的语义特征相似度,当语义特征相似度高于一定阈值时,则认为
两个 POI 间存在一条连接.
图的结构如图 2 所示.POI-地区图和 POI-时间段图中,节点之间符合多对一和多对多的关系.关于 POI-POI
图,选择一个 POI 点作为一个顶点集合,随后选择其余的顶点作为另一个顶点集合(忽略这些顶点的关联),那么
它就是一个广义上的二部图.