一种基于显式特征与隐式特征融合的兴趣点推荐方法

技术特征：
1.一种基于显式特征与隐式特征融合的兴趣点推荐方法，其特征在于，包括如下步骤：步骤s1：将用户的签到数据进行预处理，过滤不活跃用户和不活跃兴趣点；步骤s2：从预处理后的数据中挖掘用户特征向量和兴趣点特征向量；步骤s3：将提取到的特征向量输入矩阵分解模型中进行预训练；步骤s4：将预训练后的数据输入深度神经网络中进行进一步的训练，学习每个用户的签到特征；步骤s5：根据学习到的签到特征向每名用户推荐兴趣点。2.根据权利要求1所述的显式特征与隐式特征融合的兴趣点推荐方法，其特征在于，所述步骤s1中通过删除签到次数少于10次的用户和访问次数少于10次的兴趣点对数据集中的数据进行预处理。3.根据权利要求1所述的显式特征与隐式特征融合的兴趣点推荐方法，其特征在于，所述步骤s2包括如下：步骤s2.1：时间特征的提取；步骤s2.3：空间特征的提取；步骤s2.4：隐式特征的提取；步骤s2.5：特征向量的融合。4.根据权利要求1所述的显式特征与隐式特征融合的兴趣点推荐方法，其特征在于，所述步骤s3将得到的用户特征向量和兴趣点特征向量进行元素乘连接操作。5.根据权利要求1所述的显式特征与隐式特征融合的兴趣点推荐方法，其特征在于，所述步骤s4将s得到的特征向量f
pu
作为输入数据，将其输入全连接网络中进行模型的训练。6.一种基于显式特征和隐式特征融合的兴趣点推荐系统，其特征在于，包括：数据获取模块：获取用户的历史签到数据；特征提取模块：根据用户的历史签到数据，得到其时间特征和空间特征，另外选取一个隐特征维度，与时空特征进行拼接，得到用户特征向量和兴趣点特征向量；模型训练模块：将得到的用户特征向量和兴趣点特征向量进行元素乘连接操作，将其结果作为dnn模型的输入，选取一个合适的网络深度进行深度神经网络的训练，将每次训练后的结果记录下来，与真实值进行对比，更新模型参数，然后进行下一次的训练，经过足够次数的训练之后，保存最终的模型参数；兴趣点推荐模块：根据训练得到的模型参数，计算每个兴趣点的推荐得分，根据德芬的高低向用户推荐其没有访问过的兴趣点列表，完成推荐任务。

技术总结
本发明公开了一种基于显式特征与隐式特征融合的兴趣点推荐方法，首先通过数据的预处理，获取用户签到的时间和区域以及兴趣点所在区域及其被访问时的时间信息，然后从中提取用户和兴趣点的显式向量。本发明还提出了一种FGMF模型，该模型时对GMF模型的改进，我们将得到的显式特征向量与n维隐式特征向量一同输入到FGMF模型中进行预训练，然后将其结果输入深度神经网络中进行训练，预测每位用户对兴趣点的评分，然后对评分进行排序，根据评分的高低，为每位用户推荐生成top-k推荐列表。本发明同时考虑显式特征和隐式特征对兴趣点访问的影响，提高了推荐的准确性。提高了推荐的准确性。提高了推荐的准确性。


技术研发人员：詹海伦 迟远英 丁治明 郭黎敏 贾楠楠
受保护的技术使用者：北京工业大学
技术研发日：2021.12.31
技术公布日：2022/5/10