融入時(shí)間的興趣點(diǎn)協(xié)同推薦算法

包 玄，陳紅梅，肖 清

（云南大學(xué)信息學(xué)院，昆明 650500）

0 引言

隨著全球定位系統(tǒng)、移動(dòng)互聯(lián)網(wǎng)等信息技術(shù)的發(fā)展以及移動(dòng)設(shè)備的普及，基于位置的社交網(wǎng)絡(luò)（Location-Based Social Network，LBSN）受到越來(lái)越多人的喜愛(ài)，人們?cè)诰W(wǎng)絡(luò)平臺(tái)（如Yelp、微博、Twitter等）上分享豐富的位置相關(guān)信息，使得位置數(shù)據(jù)激劇膨脹，導(dǎo)致信息過(guò)載，不論服務(wù)商還是用戶，都難以從海量位置數(shù)據(jù)中獲取感興趣的信息，于是位置推薦應(yīng)運(yùn)而生，其中興趣點(diǎn)（Point-Of-Interest，POI）推薦備受關(guān)注。POI推薦是根據(jù)用戶的POI訪問(wèn)歷史，以及用戶和POI的描述信息，分析用戶興趣偏好，發(fā)現(xiàn)用戶潛在感興趣的POI并推薦給用戶。POI推薦不僅可以幫助用戶快速獲取所需信息，改進(jìn)用戶體驗(yàn)，也可以幫助服務(wù)商快速定位目標(biāo)客戶，提高商業(yè)利潤(rùn)。

傳統(tǒng)POI推薦大致可以描述為：首先，將用戶的POI訪問(wèn)歷史建模為一個(gè)二維簽到矩陣User-POI，用以表達(dá)用戶訪問(wèn)POI的情況，例如，如果用戶u訪問(wèn)過(guò)POIl，則簽到矩陣元素（u，l）的值1，否則為0。然后，基于簽到矩陣User-POI，采用協(xié)同過(guò)濾技術(shù)，學(xué)習(xí)用戶的POI偏好，估計(jì)用戶沒(méi)訪問(wèn)過(guò)但可能感興趣的POI評(píng)分，即簽到矩陣中為0的元素的可能值。最后，按估計(jì)的評(píng)分高低，將用戶沒(méi)訪問(wèn)過(guò)但可能感興趣的POI推薦給用戶。

為了提升POI推薦效果，研究者在傳統(tǒng)推薦的基礎(chǔ)上，融合上下文信息，如用戶間的社交關(guān)系、POI間的距離關(guān)系等。最近，研究者也開(kāi)始關(guān)注用戶訪問(wèn)POI的時(shí)間信息。文獻(xiàn)［1-2］的研究表明，人們一天的活動(dòng)具有規(guī)律性。例如，中午12點(diǎn)用戶大概率訪問(wèn)餐館，半夜12點(diǎn)訪問(wèn)酒吧等。在POI推薦中，如果不考慮時(shí)間因素，則可能出現(xiàn)中午11點(diǎn)向用戶推薦酒吧，晚上12點(diǎn)向用戶推薦餐館，降低POI推薦效果。因此，在POI推薦中，時(shí)間是一個(gè)重要的影響因素。

基于上述分析，本文研究融入時(shí)間的POI推薦，問(wèn)題描述為：根據(jù)用戶的POI訪問(wèn)歷史（包括用戶、時(shí)間、POI信息），分析用戶的訪問(wèn)時(shí)間及POI偏好，發(fā)現(xiàn)用戶潛在感興趣的POI及訪問(wèn)時(shí)間，按時(shí)間推薦POI給用戶。為解決該問(wèn)題，本文主要做了如下工作：

1）首先，分析用戶的POI訪問(wèn)歷史，探索用戶訪問(wèn)POI的時(shí)間關(guān)系，發(fā)現(xiàn)兩個(gè)關(guān)于不同時(shí)間片間POI訪問(wèn)相似度變化的規(guī)律。

2）然后，基于上述兩個(gè)發(fā)現(xiàn)規(guī)律，提出新的用戶簽到數(shù)據(jù)平滑方法和候選POI評(píng)分計(jì)算方法，進(jìn)而提出一個(gè)融入時(shí)間的POI協(xié)同推薦模型。

3）最后，在兩個(gè)真實(shí)數(shù)據(jù)集Foursquare和Gowalla上進(jìn)行實(shí)驗(yàn)，評(píng)估所提出的推薦模型。實(shí)驗(yàn)結(jié)果表明所提推薦算法在精確率、召回率、平均絕對(duì)誤差方面均優(yōu)于對(duì)比算法。

1 相關(guān)工作

推薦系統(tǒng)廣泛采用的技術(shù)是協(xié)同過(guò)濾（Collaborative Filtering，CF），可分為基于記憶的協(xié)同過(guò)濾（Memory-Based CF）和基于模型的協(xié)同過(guò)濾（Model-Based CF）。基于記憶的協(xié)同過(guò)濾又可分為基于用戶的協(xié)同過(guò)濾和基于項(xiàng)目的協(xié)同過(guò)濾。該類方法依據(jù)相似的用戶（項(xiàng)目）具有相似的偏好，主要包括兩個(gè)關(guān)鍵步驟：首先計(jì)算用戶（項(xiàng)目）相似度，然后利用相似用戶（項(xiàng)目）的加權(quán)評(píng)分估計(jì)目標(biāo)用戶對(duì)未評(píng)分項(xiàng)目的評(píng)分，從而根據(jù)評(píng)分形成推薦列表［2］。基于模型的協(xié)同過(guò)濾采用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)，建立推薦模型，該類方法包括決策樹(shù)模型、貝葉斯方法、矩陣分解方法等［3］。

針對(duì)位置數(shù)據(jù)膨脹及信息過(guò)載，上述推薦技術(shù)被用于POI推薦，在此分兩類進(jìn)行介紹：

1）POI推薦。

為了提升POI推薦效果，研究者在傳統(tǒng)方法上融合上下文信息，如用戶間的社會(huì)關(guān)系、POI間的距離關(guān)系等。文獻(xiàn)［4］采用線性插值將用戶間的社會(huì)關(guān)系以及POI間的距離關(guān)系融入基于用戶的協(xié)同過(guò)濾框架；文獻(xiàn)［5］在基于用戶的協(xié)同過(guò)濾框架中融入用戶間的社會(huì)關(guān)系，并貝葉斯方法對(duì)空間影響進(jìn)行建模；文獻(xiàn)［6］探索用戶的2-度好友的社交影響，采用PageRank算法計(jì)算地點(diǎn)影響力，采用核密度估計(jì)方法發(fā)現(xiàn)用戶的位置偏好，最后將三者融合進(jìn)行POI推薦；文獻(xiàn)［7］將用戶偏好和個(gè)性化的地理社會(huì)影響整合到地理社會(huì)推薦框架中，提出一種潛在的基于地理社會(huì)關(guān)系的POI推薦模型；文獻(xiàn)［8-10］利用社會(huì)友誼提高推薦的效率和性能，計(jì)算所有用戶之間的相似性，并利用用戶相似性作為正則化約束矩陣分解。

2）考慮時(shí)間因素的POI推薦。

由于用戶會(huì)在不同的時(shí)間訪問(wèn)不同類型的POI（如餐館、咖啡店、酒吧），所以時(shí)間是POI推薦中的重要因素。為了進(jìn)一步提升POI推薦效果，增強(qiáng)用戶體驗(yàn)，最近，研究者也開(kāi)始關(guān)注融合用戶訪問(wèn)POI的時(shí)間信息，提出了考慮時(shí)間因素的POI推薦。文獻(xiàn)［2］在基于用戶的協(xié)同過(guò)濾框架下建模用戶偏好和時(shí)間影響，采用冪律分布建模地理影響，提出了融合時(shí)間與地理影響的時(shí)間感知POI推薦算法；文獻(xiàn)［11-12］中提出了一種基于張量因子分解的協(xié)同過(guò)濾方法，利用一個(gè)高階張量來(lái)融合用戶簽到的異構(gòu)上下文信息——時(shí)間信息、社交關(guān)系、地理位置；文獻(xiàn)［13］用概率模型將用戶對(duì)地點(diǎn)的興趣度，用戶所處的時(shí)間段和地點(diǎn)自身的流行度融合起來(lái)進(jìn)行POI推薦；文獻(xiàn)［14］在基于用戶協(xié)同過(guò)濾的基礎(chǔ)上，結(jié)合有序圖探索用戶偏好，基于用戶當(dāng)前時(shí)間的位置，為用戶推薦下一個(gè)訪問(wèn)的POI；文獻(xiàn)［15］將用戶簽到的時(shí)間信息以及空間信息融入用戶相似度的計(jì)算中，提出一種改進(jìn)的基于用戶協(xié)同過(guò)濾的算法；文獻(xiàn)［16］用有向圖表示用戶的歷史訪問(wèn)數(shù)據(jù)，考慮相似用戶、時(shí)間以及簽到序列，基于圖的性質(zhì)提出一種新穎的基于用戶協(xié)同過(guò)濾模型。

本文受文獻(xiàn)［2］啟發(fā)，研究融入時(shí)間的POI推薦，但是與文獻(xiàn)［2］不同，本文深入分析用戶簽到的時(shí)間關(guān)系，基于兩個(gè)關(guān)于不同時(shí)間片間POI訪問(wèn)相似度變化規(guī)律的發(fā)現(xiàn)（將在3.1節(jié)中詳述），提出新的用戶簽到數(shù)據(jù)平滑方法和候選POI評(píng)分計(jì)算方法，進(jìn)而提出一個(gè)融入時(shí)間的POI推薦模型，不僅有效解決了簽到數(shù)據(jù)的稀疏性問(wèn)題，還獲得了相對(duì)較高的推薦質(zhì)量。

2 基于用戶的協(xié)同推薦

本文所用符號(hào)和含義描述如表1所示。

表1 本文所用符號(hào)及其含義描述Tab.1 Symbols used in this paper and their meaning descriptions

基于用戶的協(xié)同過(guò)濾（User-based collaborative filtering，U）算法，主要步驟是：首先，根據(jù)用戶的POI訪問(wèn)歷史度量用戶間的相似性，找到目標(biāo)用戶的一組相似用戶。然后，利用相似用戶的加權(quán)評(píng)分，估計(jì)目標(biāo)用戶對(duì)沒(méi)訪問(wèn)POI的評(píng)分，從而根據(jù)評(píng)分形成POI推薦列表。具體地，根據(jù)用戶的POI訪問(wèn)歷史，建立二維簽到矩陣即User-POI矩陣，對(duì)于其中的每個(gè)元素Cul（u∈U，l∈I），如果用戶u訪問(wèn)過(guò)POIl，則設(shè)置Cul=1，否則設(shè)置Cul=0。給定一個(gè)目標(biāo)用戶u，則用戶u對(duì)沒(méi)訪問(wèn)POIl的評(píng)分估計(jì)計(jì)算如式（1）所示：

其中Wuv表示目標(biāo)用戶u和相似用戶v之間的相似度。兩個(gè)用戶間的相似性度量有多種，本文采用使用最廣泛的余弦相似性度量，計(jì)算方法如下：

3 融入時(shí)間的POI協(xié)同推薦

3.1 時(shí)間關(guān)系分析

用戶在一天甚至一周內(nèi)的活動(dòng)具有一定的規(guī)律。這個(gè)規(guī)律主要分為用戶訪問(wèn)POI的時(shí)間差異性和連續(xù)性。差異性是指用戶中午去餐館，晚上去酒吧等；工作日在家和單位附近，而周末去離家較遠(yuǎn)的地方游玩等，即用戶訪問(wèn)POI隨時(shí)間的變化而變化。連續(xù)性是指在相鄰時(shí)間段，用戶的活動(dòng)具有相似性［15］。例如，用戶在中午12—13點(diǎn)會(huì)訪問(wèn)餐廳等相似的POI。因此，本文將一天按小時(shí)劃分為24個(gè)時(shí)間片，如24（hh）：01（mm）：00（ss）為時(shí)間片0，10（hh）：15（mm）：30（ss）為時(shí)間片10，構(gòu)成時(shí)間片集合T=｛0，1，…，23｝。然后，在兩個(gè)真實(shí)數(shù)據(jù)集Foursquare和Gowalla上，利用常用的相似性度量方法——余弦相似性，度量任意兩個(gè)時(shí)間片間的相似度，分析用戶訪問(wèn)POI的時(shí)間關(guān)系可發(fā)現(xiàn)：

1）用戶在不同時(shí)間片訪問(wèn)的POI具有不同程度的相似性。

本文以Foursquare數(shù)據(jù)集上的結(jié)果為例。圖1顯示了該數(shù)據(jù)集上3個(gè)時(shí)間片（7點(diǎn)、12點(diǎn)和18點(diǎn)）與其他時(shí)間片的相似度曲線。從圖1中可以看出這3個(gè)時(shí)間片與0—6點(diǎn)的相似度很低，在6點(diǎn)以后逐漸升高，7點(diǎn)以后（8—23點(diǎn)）的相似度均比6點(diǎn)以前的高。這和實(shí)際生活中大多數(shù)人上午6—7點(diǎn)出門，凌晨進(jìn)入睡眠相符合。在18點(diǎn)時(shí)間片的曲線上，11點(diǎn)時(shí)相似度有小幅上升，同樣，在7點(diǎn)與12點(diǎn)兩個(gè)時(shí)間片的曲線上，17點(diǎn)和18點(diǎn)時(shí)相似度也有小幅上升，這符合早飯、午飯、晚飯的時(shí)間。綜上，用戶在不同時(shí)間片訪問(wèn)的POI具有不同程度的相似性。

圖1 給定時(shí)間片與任意時(shí)間片之間的相似度Fig.1 Similarities between given time slicesand other time slices

2）用戶訪問(wèn)POI的相似性隨時(shí)間差增加而衰減。

進(jìn)一步，本文分析不同時(shí)間差下，用戶訪問(wèn)POI的相似度，其 中，時(shí) 間 差Δt=|t-t'|(|t-t'|≤12)或Δt=24-|t-t'|(|t-t'|>12)，結(jié)果如圖2所示。

本文以Foursquare數(shù)據(jù)集上的結(jié)果為例。由圖2可以看出時(shí)間差越大，時(shí)間片間相似度越低。當(dāng)時(shí)間差為0時(shí)，在總相似度中占比為58%，剩余時(shí)間差占比為42%。即，相同時(shí)間片上用戶簽到偏好具有最大的相似性。也就是說(shuō)，相同時(shí)間上用戶偏好對(duì)用戶決定是否訪問(wèn)某一POI的影響最大；同時(shí)其余時(shí)間片上的簽到偏好也不能忽視。因此，本文首先利用所有時(shí)間片間的相似度平滑簽到矩陣以緩解數(shù)據(jù)稀疏問(wèn)題，進(jìn)而使用平滑之后獲得的簽到矩陣，發(fā)現(xiàn)用戶偏好。其次，利用相同時(shí)間片的用戶訪問(wèn)偏好最相似這一特點(diǎn)，按時(shí)間給用戶推薦POI，從而提高推薦效果。

圖2 時(shí)間差與相似度Fig.2 Time differenceand similarity

3.2 融入時(shí)間的POI協(xié)同推薦算法

對(duì)簽到數(shù)據(jù)按小時(shí)劃分之后，原本的二維簽到矩陣User-POI，被建模為一個(gè)三維簽到張量即User-Time-POI。對(duì)于其中每個(gè)元素Cutl（u∈U，t∈T，l∈L），如果用戶u在時(shí)間片t訪問(wèn)POIl，那么設(shè)置Cutl=1，否則設(shè)置Cutl=0。融入時(shí)間的POI協(xié)同推薦算法，首先利用獲取的時(shí)間關(guān)系平滑用戶的簽到矩陣，然后根據(jù)平滑后的簽到矩陣尋找相似用戶，最后利用相似用戶簽到偏好為目標(biāo)用戶u在時(shí)間片t進(jìn)行POI推薦。

3.2.1 時(shí)間片平滑

其中Simtt'表示時(shí)間片t與t'的相似度。采用常用的相似性方法——余弦相似性，計(jì)算如下：

3.2.2 用戶相似度計(jì)算

為解決融入時(shí)間的POI協(xié)同推薦，首先尋找目標(biāo)用戶u的相似用戶。為使搜索到的相似用戶更加準(zhǔn)確，在度量相似用戶時(shí)，不僅考慮訪問(wèn)的POI，還加入訪問(wèn)的時(shí)間。例如，用戶u1在時(shí)間t1以及t2訪問(wèn)l1和l2，用戶u2在時(shí)間t1以及t2訪問(wèn)l2和l1，在不考慮時(shí)間的情況下，利用式（1）計(jì)算得到u1、u2的相似度為1，融入時(shí)間之后相似度為0。

在更加稀疏的三維簽到張量中，直接引入時(shí)間計(jì)算兩個(gè)用戶相似度雖然會(huì)提高相似用戶的質(zhì)量，但當(dāng)不同的用戶在不同的時(shí)間片訪問(wèn)同一個(gè)POI時(shí)，直接加入時(shí)間片尋找相似用戶忽略了用戶在某一個(gè)時(shí)間片上簽到行為和其他時(shí)間片上的簽到行為具有相似性。例如，用戶u和v分別在時(shí)間t1和t2訪問(wèn)l1，不考慮時(shí)間片相似的情況用戶u和v的相似度為0；考慮時(shí)間片相似的情況，用戶u和v的相似度則大于0。因此，根據(jù)平滑后的簽到矩陣計(jì)算用戶相似度，計(jì)算如式（5）所示：

3.2.3 POI推薦

由3.1節(jié)分析可知，相同時(shí)間片上用戶簽到偏好具有最大的相似性，即相同時(shí)間片上用戶簽到偏好對(duì)用戶決定是否訪問(wèn)某一POI的影響最大。所以，本文利用相似用戶在同一時(shí)間片的訪問(wèn)偏好評(píng)估候選POI。采用基于用戶的協(xié)同過(guò)濾，以及3.2.1節(jié)中平滑后的簽到矩陣、3.2.2節(jié)中的相似用戶及其相似性，估計(jì)目標(biāo)用戶u在時(shí)間片t訪問(wèn)POIl的評(píng)分，計(jì)算方法如式（6）所示：

排序式（6）得到的估計(jì)評(píng)分，即可獲得在時(shí)間片t，向目標(biāo)用戶u推薦的POI列表。融入時(shí)間的POI協(xié)同推薦（Timeincorporated User-based Collaborative Filtering POI recommendation，TUCF）算法描述如下。

輸入：用戶簽到數(shù)據(jù)集，目標(biāo)用戶u，時(shí)間片集合T；

輸出：目標(biāo)用戶u在各個(gè)時(shí)間片上的推薦列表。

1）將用戶簽到數(shù)據(jù)建模為User-Time-POI張量；

2）利用式（4）計(jì)算各個(gè)時(shí)間片間的余弦相似度；

3）根據(jù)式（3）平滑User-Time-POI簽到張量；

4）根據(jù)式（5）計(jì)算用戶間的相似度；

5）獲取候選POI：用戶在時(shí)間片t沒(méi)有訪問(wèn)過(guò)的POI；

6）利用式（6）計(jì)算每個(gè)候選POI的評(píng)分；

7）對(duì)評(píng)估分?jǐn)?shù)排序，取前N個(gè)POI作為推薦列表Rank，并返回Rank。

在TUCF算法中，選出估計(jì)評(píng)分最高的N個(gè)POI作為最終的推薦結(jié)果，根據(jù)實(shí)際推薦的情況N的取值不同。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)設(shè)置

4.1.1 數(shù)據(jù)集

本文使用文獻(xiàn)［2］提供的兩個(gè)真實(shí)數(shù)據(jù)集Foursquare和Gowalla。Foursquare數(shù)據(jù)集為2010年8月—2011年7月的新加坡簽到數(shù)據(jù)，包含2 321個(gè)用戶，5 596個(gè)POI，共194 108條簽到。Gowalla數(shù)據(jù)集為2009年8月—2010年9月加州和內(nèi)華達(dá)州的簽到數(shù)據(jù)，包含10 162個(gè)用戶，24 250個(gè)POI，共456 988條簽到。兩個(gè)數(shù)據(jù)集中每個(gè)用戶簽到至少5個(gè)POI，每個(gè)POI至少被5個(gè)用戶簽到，每個(gè)數(shù)據(jù)集被劃分為訓(xùn)練集、測(cè)試集和調(diào)參集。本文使用每個(gè)數(shù)據(jù)集中的訓(xùn)練集和測(cè)試集。

4.1.2 對(duì)比算法

為了驗(yàn)證本文所提出的融入時(shí)間的POI協(xié)同推薦（TUCF）算法的性能，選用了以下對(duì)比算法驗(yàn)證該算法的有效性：1）U算法［2］；2）具有平滑增強(qiáng)時(shí)間偏好的協(xié)同過(guò)濾（Uwith Temporal preference with smoothing Enhancement，UTE）算法［2］。

4.1.3 評(píng)價(jià)指標(biāo)

本文采用評(píng)價(jià)指標(biāo)：精確率Precision、召回率Recall、平均絕對(duì)誤差MAE來(lái)評(píng)估推薦算法的效果。在評(píng)估指標(biāo)中涉及的符號(hào)和描述如表2所示。

表2 評(píng)估指標(biāo)中的符號(hào)描述Tab.2 Description of symbolsused in evaluation indices

1）精確率和召回率。

采用文獻(xiàn)［2］中的方法評(píng)估推薦算法的精確率和召回率。Pre@N(t)和Rec@N(t)分別表示在時(shí)間片t推薦N個(gè)POI的精確率和召回率，計(jì)算如式（7）～（8）所示：

算法推薦N個(gè)POI的精確率Pre@N和召回率Rec@N是所有時(shí)間片的平均精確率和召回率，如式（9）～（10）所示：

2）平均絕對(duì)誤差。

在簽到張量中，如果用戶u在時(shí)間t對(duì)POIl進(jìn)行了簽到則cutl=1，否則cutl=0，將其作為用戶評(píng)分。首先計(jì)算每個(gè)時(shí)間片上的平均絕對(duì)誤差MAE(t)，然后平均所有時(shí)間片上的MAE(t)，得到推薦算法的平均絕對(duì)誤差。每個(gè)時(shí)間片上的平均絕對(duì)誤差計(jì)算方法如式（11）所示：

推薦算法的平均絕對(duì)誤差MAE是所有時(shí)間片的平均值，計(jì)算方法如式（12）所示：

4.2 實(shí)驗(yàn)結(jié)果與分析

本文TUCF算法與對(duì)比算法U和UTE的實(shí)驗(yàn)結(jié)果及分析如下。文中的相似用戶數(shù)固定為500，推薦的POI個(gè)數(shù)N分別取5、10、15。

1）推薦算法的精確率和召回率。

TUCF、U和UTE算法在數(shù)據(jù)集Foursquare和Gowalla上的精確率和召回率如圖3所示。

從圖3可以看出：在兩個(gè)數(shù)據(jù)集上，考慮時(shí)間因素的UTE算法、TUCF算法均優(yōu)于未考慮時(shí)間因素的U算法，說(shuō)明考慮時(shí)間因素可以提高POI推薦效果。同時(shí)TUCF算法的精確率和召回率均高于對(duì)比算法U和UTE。尤其是，在POI推薦數(shù)目N=5時(shí)，在Foursquare中TUCF算法比U算法在精確率以及召回率上分別提高了63%和69%，TUCF算法比UTE算法的精確率以及召回率分別提高了8%和12%，這表明采用時(shí)間關(guān)系平滑用戶簽到獲取相似用戶，以及利用相似用戶在相同時(shí)間片的訪問(wèn)偏好，可以提高推薦效果。

圖3 推薦算法的精確率和召回率比較Fig.3 Comparison of precision and recall of recommendation algorithms

2）各時(shí)間片上的精確率和召回率。

本文以Gowalla數(shù)據(jù)集上的結(jié)果為例，結(jié)果如圖4所示，其中N=5。從圖4中可以看出，精確率和召回率的變化在兩個(gè)方法中相似，且TUCF算法在24個(gè)時(shí)間片上均高于UTE算法。在時(shí)間片11點(diǎn)時(shí)，兩個(gè)算法的精確率和召回率達(dá)到最高，在時(shí)間片9點(diǎn)時(shí)，精確率和召回率達(dá)到最低。尤其在時(shí)間片7點(diǎn)時(shí)，TUCF算法的精確率和召回率相比UTE算法分別改善了67%和50%。這說(shuō)明采用時(shí)間關(guān)系平滑用戶簽到獲取相似用戶，以及利用相似用戶在相同時(shí)間片的訪問(wèn)偏好，可以提高推薦效果。

圖4 不同時(shí)間片上的準(zhǔn)確率和召回率比較Fig.4 Comparison of precision and recall on different time slices

3）MAE對(duì)比。

本節(jié)將推薦POI數(shù)量N固定為5，目標(biāo)用戶的相似用戶數(shù)量M從50增長(zhǎng)到2 000，分析相似用戶數(shù)量對(duì)算法的影響，以圖5所示的Foursquare數(shù)據(jù)集上的結(jié)果為例。

圖5 MAE比較Fig.5 Comparison of MAE

從圖5中可以看出當(dāng)M取500時(shí)，取得較好的推薦效果，且對(duì)于不同的M，TUCF的MAE值均低于對(duì)比算法U和UTE。其中考慮時(shí)間因素的TUCF算法、UTE算法，MAE值均比未考慮時(shí)間因素的U算法低，說(shuō)明考慮時(shí)間因素可以提高POI推薦效果。考慮時(shí)間因素的TUCF算法和UTE算法，TUCF算法的MAE值低于UTE算法，表明采用時(shí)間關(guān)系平滑用戶簽到獲取相似用戶，以及利用相似用戶在相同時(shí)間片的訪問(wèn)偏好，可以提高推薦效果。

5 結(jié)語(yǔ)

本文分析基于位置的社交網(wǎng)絡(luò)的用戶簽到數(shù)據(jù)，探索用戶簽到的時(shí)間關(guān)系，并利用時(shí)間關(guān)系對(duì)用戶簽到數(shù)據(jù)進(jìn)行平滑處理，然后基于用戶的協(xié)同過(guò)濾算法，提出了融入時(shí)間的協(xié)同過(guò)濾POI推薦算法。在兩個(gè)真實(shí)數(shù)據(jù)集Foursquare和Gowalla上的實(shí)驗(yàn)結(jié)果表明，本文算法不僅可以有效緩解數(shù)據(jù)的稀疏性，還提高了POI推薦的精確率和召回率，減小了平均絕對(duì)誤差。

時(shí)間作為POI推薦的一個(gè)重要因素，除了一天內(nèi)不同時(shí)間對(duì)用戶簽到有影響，用戶的簽到行為還受星期或月份的影響，今后將進(jìn)一步探索其他時(shí)間粒度。此外，POI通常具有類別信息，也將探索類別信息提高POI推薦效果的可能性。