融合區域與朋友影響的下一興趣點推薦

張奧雅，石美惠，申德榮，寇 月，聶鐵錚

東北大學 計算機科學與工程學院，沈陽 110819

隨著基于位置的社交網絡（location-based social network，LBSN）如Foursquare、Gowalla 的流行，用戶可以利用手機等移動設備來搜索興趣點，并在社交平臺上發布其簽到的興趣點，與朋友分享該興趣點的體驗與感受。大量的簽到興趣點信息收集在LBSN 中，興趣點推薦是利用這些簽到信息，根據用戶歷史的移動行為來預測用戶的偏好，并向其推薦一組未訪問的興趣點。

近年來，興趣點推薦越來越受到人們的關注，而下一興趣點推薦成為興趣點推薦的一個新的研究熱點。下一興趣點推薦是根據用戶歷史訪問的興趣點，同時結合用戶當前所訪問的興趣點信息，向用戶推薦下一時刻可能訪問的興趣點。與傳統的興趣點推薦不同，下一興趣點推薦考慮了用戶簽到興趣點的連續性以及用戶簽到興趣點之間的時序關系。一些較為成熟的下一興趣點推薦模型，如基于協同過濾的推薦模型[1]和基于馬爾可夫鏈的推薦模型[2]，只能捕獲相鄰興趣點之間的關系，使推薦的興趣點只與最近簽到的興趣點有關，忽略了用戶與興趣點的集體依賴。目前較為流行的基于深度學習的下一興趣點推薦模型[3-4]，考慮的影響因素比較單一，例如文獻[3]僅對時間演化進行建模，文獻[4]采用GRU（gated recurrent unit）模型，只考慮了時間、空間上的連續性。針對下一興趣點推薦已有很多研究成果，但仍然難以取得滿意的推薦性能。

用戶在不同時間簽到的興趣點是不斷變化的，最近的一些研究嘗試利用影響用戶簽入的信息來提高推薦的準確性。雖然用戶在連續時間內更傾向于訪問距離較近的興趣點，但并不是相鄰的興趣點之間的距離越近越好，如用戶在不同時間跨區域訪問興趣點。因此，需要捕獲某時刻興趣點的粗粒度信息，將某一時刻的區域信息嵌入到興趣點中能更加準確地為用戶推薦下一興趣點。例如，隨著城市不斷擴大，許多用戶工作地點與家距離較遠，導致用戶的工作區域與生活區域不相同，僅僅依靠兩個興趣點之間的距離而不考慮區域這種粗粒度信息來進行推薦，會導致推薦的興趣點只停留在工作區域或生活區域，這可能與用戶在不同時間段跨區域活動的需求不相符。因此，在對下一興趣點推薦時，應該將每個時間段內用戶所在的區域信息作為一個考慮因素。

眾所周知，LBSN 是一個可以提供位置信息的社交網絡，它可以讓用戶隨時隨地獲取經緯度信息并與好友進行分享。因此，用戶下一簽到的興趣點可能會受到用戶在LBSN 中的朋友（或稱為社交影響）的影響，朋友訪問興趣點信息可以在一定程度上彌補用戶訪問興趣點的數據稀疏這一問題。已有研究通過結合朋友評價信息來提升推薦準確性，例如文獻[5]通過朋友的評論信息對用戶進行推薦，但僅有少量用戶對興趣點產生評價。因此，這些研究仍存在數據稀疏性的問題。

可見，下一興趣點推薦還存在一定局限性。為此，本文采用殘差網絡模型研究不同簽入特征對用戶簽到興趣點的影響。一是將某一時刻興趣點的區域信息作為影響因素之一融入到用戶簽到興趣點序列中，進一步改善數據稀疏問題，提高推薦準確性。同時采用殘差網絡模型處理區域與用戶訪問的興趣點序列，使用殘差網絡中跳躍連接來不斷優化模型，可有效降低訓練模型的參數誤差，進而提升興趣點推薦的準確性。二是考慮社交網絡中朋友簽到興趣點對用戶的影響。已有研究大多是構建位置信息和社交信息的異構網絡，通過提取朋友評論信息來輔助用戶推薦，但仍存在一定局限性。本文融合朋友簽到的興趣點與用戶簽到的興趣點，可以有效擴大用戶興趣點的推薦范圍，更好地解決數據稀疏問題。本文的主要貢獻如下：

（1）提出一種融合區域與朋友影響的下一興趣點推薦模型。引入不同時間段內簽到興趣點所屬的區域，將某一時刻的興趣點和某一時刻的區域相結合，不僅可以改善數據稀疏問題，也可提升下一興趣點推薦的準確性。同時將可信任的朋友簽到的興趣點與用戶簽到的興趣點進行融合，進一步提高用戶下一興趣點推薦的準確性。

（2）提出一種殘差連接的結構對興趣點序列進行訓練。通過跳躍連接構建殘差塊，改善梯度消失和網絡退化的問題，提升模型的準確性。

（3）通過對比實驗，證明本文提出的模型的準確性明顯優于其他推薦模型。

1 相關工作

1.1 基于傳統算法的下一興趣點推薦

傳統的下一興趣點推薦算法主要包括協同過濾推薦、基于馬爾可夫鏈的興趣點推薦。

協同過濾（collaborative filtering）是比較成熟的興趣點推薦算法。已有的基于模型的協同過濾算法[1]，是從用戶簽到興趣點信息中分析用戶對興趣點的偏好。然而，協同過濾算法將用戶訪問的興趣點都考慮在一個整體中，忽略了訪問興趣點之間的作用。

基于馬爾可夫鏈的興趣點推薦算法是傳統下一興趣點推薦算法中最常見的方法之一。基于馬爾可夫鏈的推薦算法主要分為基于加性馬爾可夫鏈的算法和基于隱馬爾可夫鏈嵌入的算法。Zhang 等人[2]提出采用加性馬爾可夫鏈算法，考慮了序列對興趣點推薦的影響，通過挖掘序列模式將興趣點序列轉化成動態位置轉換圖，從而預測用戶訪問興趣點的概率。而Feng 等人[6]提出使用馬爾可夫鏈將興趣點嵌入到歐幾里德空間中，根據興趣點之間的歐幾里德距離計算興趣點之間的轉移概率。基于馬爾可夫鏈的下一興趣點推薦系統的缺點是顯而易見的，因為馬爾可夫鏈的屬性是假定當前的交互僅依賴于一個或幾個最近的交互，所以它們只能捕獲相鄰的興趣點之間的關系，而忽略了之前訪問的興趣點對其產生的影響。這說明它只能捕獲興趣點與興趣點之間的依賴，而忽略了用戶與興趣點交互的集體依賴。

1.2 基于深度學習的下一興趣點推薦

大多數對下一興趣點推薦的研究主要采用深度學習的模型建立用戶與興趣點之間的關系。最常用的是遞歸神經網絡（recursive neural network，RNN），它不規定訪問興趣點的數量。例如，Mikolov 等人[7]提出使用遞歸連接，考慮訪問興趣點之間的影響；Liu等人[8]采用RNN，通過用戶歷史訪問興趣點序列來預測下一個可能訪問的興趣點。然而，僅僅使用RNN捕獲歷史訪問興趣點之間的關系是困難的，因此除了基本RNN 外，目前比較流行的是使用RNN 的變形,即LSTM（long short-term memory）、GRU。例如，Xu等人[9]通過忘記門、輸入門、輸出門來捕獲長短期記憶。基于RNN 的方法還處于早期階段，沒有強調歷史訪問信息對用戶當前訪問興趣點的影響，為此Wang 等人[10]使用基于門控電流單位的RNN（GRU），捕獲序列中的長期依賴性。

1.3 基于社交和區域化的下一興趣點推薦

最近，下一興趣點推薦問題也考慮了其他影響因素，如基于社交關系的朋友推薦和基于區域化的推薦。其中興趣點推薦可以讓用戶簽到一個興趣點時能夠滿足其特定的需求。然而在LBSN 中，用戶訪問的興趣點數據是比較稀疏的，無法準確地獲取從未簽到過的興趣點。為了使數據更加準確，Ye等人[11]提出通過社交關系來提高興趣點推薦方法的準確性。目前已有的興趣點推薦模型大多采用不同的顯性社會關系。例如，Xu 等人[12]提出的模型是采用LBSN 進行推薦；Zhao 等人[5]提出使用異構網絡對興趣點進行推薦，將基于社區的社交網絡與基于地理位置的社交網絡相結合。考慮到朋友之間的隱性關系也對用戶有很大的影響，Pan 等人[13]提出隱性朋友和顯性朋友對用戶訪問興趣點的影響。

最近的許多研究表明，用戶簽到興趣點和興趣點之間的距離存在密切的聯系，因此大多數下一興趣點推薦模型主要通過利用地理影響來提高推薦的準確性。例如，Xiong 等人[14]將區域聚集成環形，但這種方法很難發現區域的中心興趣點。考慮到用戶訪問的興趣點可能受到鄰近區域影響，Feng 等人[15]使用建立二叉樹的方法將一個興趣點分配給多個區域，通過個人興趣和人群偏好等因素，結合區域信息對用戶簽到興趣點進行推薦。

不同于已有模型，本文提出結合朋友訪問的興趣點以及興趣點所屬區域對用戶的影響，將區域信息嵌入到用戶簽到興趣點序列中，采用殘差網絡進行訓練。同時將朋友訪問的興趣點與其進行融合，以提高對下一興趣點推薦的準確性。

2 問題描述與相關定義

本章首先將興趣點推薦問題形式化，然后介紹重要的定義和符號。

問題描述：給定一個包含朋友關系的基于地理位置的社交網絡的數據集（Foursquare、Gowalla），其中包含興趣點（point of interest，POI）的位置和所有相關用戶的社交信息。POI預測的目標是給目標用戶u推薦可能訪問的POI列表。

為了便于理解，表1 描述了本文使用的重要符號。同時為了便于描述本文提出的方法，這里先給出一些相關定義。

定義1（朋友）在社交網絡中，每個用戶可有多個朋友，而每個用戶還可能有多種角色，用戶與朋友之間的聯系代表他們之間的交流。本文中朋友由F表示。

Table 1 Notations used in this paper表1 本文中的符號

定義2（區域）區域是指根據用戶訪問的地理位置，按照一定的范圍進行聚類。本文認為一個區域內的興趣點有很高的密度，但是區域與區域之間的關系比較稀疏。本文中區域由R表示。

定義3（興趣點）興趣點是用戶訪問一個地點的唯一標識（例如公園、健身房等）。在本文提出的模型中興趣點由兩個特征表示，即興趣點編號和興趣點的地理位置（由經度、緯度表示）。本文中興趣點由P表示。

概念1（殘差網絡）如圖1 所示，殘差網絡是堆積層結構，identityx代表恒等映射輸入向量x。當輸入為x時，其學習到的特征記為H(x)，可以學習到殘差F(x)=H(x)-x。其實原始的學習特征是F(x)+x，當殘差為0 時，此時堆積層做了恒等映射，至少網絡性能不會下降。而實際上殘差不會為0，因此殘差網絡直接將輸入信息繞道傳到輸出，以保證信息的完整性。采用殘差網絡在反向傳播過程中，梯度連乘，不會造成梯度消失[16]。

Fig.1 Residual block of residual network圖1 殘差網絡的殘差塊

在深度神經網絡訓練中，隨著網絡層次的增加，理論上可以取得更好的結果。但是實驗卻發現殘差網絡中的一個新的思想[17]，通過冗余層完成恒等映射，保證輸入向量經過恒等層時保持不變。殘差網絡在網絡訓練時自己可以判斷哪些是恒等層。

3 融合區域與朋友影響的下一興趣點推薦

下一興趣點推薦與一般的推薦任務（如商品、電影、新聞推薦）不同，因為下一興趣點推薦具有高度的時空依賴性，所以人們在現實生活中更傾向于訪問時空距離較近的，如近期訪問過的且距離較近的電影院、餐館等。這說明用戶更傾向于訪問自己熟悉的且距離自己較近的興趣點。然而用戶對興趣點的選擇是一個復雜的過程，往往受到眾多因素的影響，其中社交因素和地理因素是最重要的兩個因素。地理因素顯著影響用戶的移動行為，可以有效地提高推薦質量，而社交關系可以通過朋友簽到的興趣點彌補數據稀疏性。

本文主要通過將不同的影響因素與用戶簽到序列相結合，以提高推薦的準確性。本文認為用戶簽到下一興趣點不僅與其自身相關，朋友相互之間的影響、區域的變化也是其選擇的考慮因素。因此，從社交網絡中朋友關系以及在不同時間段內用戶所在的區域入手，提出融合朋友與區域信息的下一興趣點推薦模型。如圖2 所示，融合朋友與區域信息的下一興趣點推薦模型主要由殘差網絡訓練區域與用戶簽到興趣點序列、朋友訪問中心興趣點、融合朋友與區域影響的下一興趣點推薦三部分組成。基于前人的研究結果，根據用戶簽到興趣點的特征以及用戶簽到序列來選擇合適的主題模型，對用戶下一簽到的興趣點進行推薦。

3.1 殘差網絡訓練區域與用戶簽到興趣點序列

殘差網絡訓練區域與用戶簽到興趣點序列，主要由用戶訪問興趣點所屬區域以及將區域與興趣點嵌入到殘差網絡中兩部分組成。接下來，將分別介紹這兩部分。

3.1.1 用戶訪問興趣點的區域

Fig.2 Next POI recommendation model which integrates influence of regions and friends圖2 結合朋友與區域信息的下一興趣點推薦模型

用戶訪問的興趣點不僅與興趣點之間的距離有關，與區域也是有關的，因此區域也應該作為興趣點推薦時考慮的因素之一。目前大多數的工作雖然考慮到了用戶在連續訪問不同興趣點時距離的影響，但也僅僅停留在相鄰兩個興趣點的距離計算上。因為用戶在不同時間段訪問的區域不同，所以確定用戶屬于哪一區域并根據區域進行推薦可以提高準確性。該方法假設大多數人的日常生活是有規律的，并且他們的偏好在一定時期內很少改變，因此日常活動的范圍將局限于幾個相對較小的區域。如圖3所示為用戶訪問興趣點的區域（R1、R2、R3）劃分，用戶在短時間內訪問的興趣點主要集中在同一區域。

Fig.3 Region division of user check-ins圖3 用戶訪問興趣點的區域劃分

區域是影響用戶訪問的興趣點序列和用戶偏好的一個重要因素，而現有的基于頻率的softmax 結構不能捕捉到興趣點所屬的區域。因此本文采用聚類算法，將用戶歷史訪問的興趣點進行聚類，劃分出區域。區域劃分算法見算法1。

算法1區域劃分

輸入：用戶訪問的興趣點。

輸出：區域R，n代表區域的個數。

1.創建K個作為起始區域的中心興趣點xj（隨機選擇）

2.當任意的區域R分配結果發生改變時

3. 訪問數據集中的

4. 對每個區域R的中心興趣點xj

5.dist=xj-

6. 將興趣點分配到距其最近的區域R

7. 對每一個區域R

8. 求出均值并將其更新為區域的中心興趣點xj

通過歐幾里德距離算法，計算用戶歷史訪問的興趣點屬于哪一區域，根據每個區域的中心點，計算用戶在該時刻簽到的興趣點與每個區域的中心興趣點的距離。選取距離最小的為該興趣點所屬的區域。興趣點與區域中心點的距離計算公式如下：

其中，代表用戶u在某一時刻訪問的興趣點，xj代表區域的中心興趣點。

3.1.2 區域與興趣點嵌入殘差網絡

本部分研究的目的是綜合考慮用戶下一簽到興趣點受到上一興趣點以及區域的影響因素。首先尋找目標用戶的連續簽到序列，然后根據目標用戶的連續簽到序列和用戶訪問興趣點的區域，共同構建區域與用戶訪問興趣點嵌入的模式序列，并采用殘差網絡進行訓練。例如，采用殘差網絡訓練模型時將一個用戶訪問的n個興趣點以及嵌入的區域構建一組序列，具體使用殘差連接對序列進行訓練，過程如圖4 所示，其中圓點代表區域與用戶訪問興趣點的嵌入序列，虛線塊代表構建的殘差塊。

Fig.4 Residual connection based check-in sequence圖4 基于殘差連接的簽到序列

殘差網絡方法是在用戶訪問的興趣點序列上增加跳躍連接，每兩層增加一個捷徑，構成一個殘差塊，如圖4 所示，由3 個殘差塊連接在一起構成一個殘差網絡。在處理用戶訪問興趣點的時候，不僅與自身興趣點有關，還與上一興趣點甚至更早的興趣點有關，因此需要用殘差網絡處理梯度消失問題。主要采取的算法是該用戶在這一時刻簽到的興趣點以及區域H(x)=x，即輸入是x，經過該冗余層后，輸出仍然為x（如圖4 中的第一個虛線塊所示）。但要想學習H(x)=x恒等映射時的這層參數是比較困難的。殘差網絡能夠采用跳躍連接避免去學習該層恒等映射的參數，讓H(x)=F(x)+x，這里F(x)稱作殘差項，學習F(x)比學習H(x)簡單，因為一般每層網絡中的參數初始化偏向于0，這樣更新該網絡層的參數來學習H(x)=x，該冗余層學習F(x)=0 的更新參數能夠更快收斂。一個殘差單元的公式如下：

其中，y和x均為殘差塊所在層的輸入與輸出向量，函數F(x,wi)為訓練殘差映射所學習到的每個殘差塊。

采用殘差網絡訓練區域與用戶簽到興趣點構建的序列公式如下：

其中，PT代表用戶推薦的下一時刻的訪問興趣點，PR代表區域向量，Pt代表用戶某一時刻訪問的興趣點向量。

3.2 朋友訪問中心興趣點

本文考慮到朋友對用戶訪問興趣點是有影響的，因此將用戶的多個朋友訪問多個興趣點進行向量融合，即計算多個朋友在多個時間訪問興趣點的中心點。由于朋友訪問興趣點可能存在偶然性，如出差這種情況，會導致數據比較分散，求出的朋友訪問的中心點不準確。因此本文設定一個閾值，只考慮一定范圍內朋友訪問的興趣點。多個朋友訪問興趣點融合公式如下：

其中，代表用戶u所有朋友訪問興趣點的中心興趣點，代表用戶u的一個朋友訪問的興趣點，通過數據預處理得到其朋友訪問的興趣點。

3.3 融合朋友與區域影響的下一興趣點推薦

為了捕捉用戶u訪問興趣點的區域和朋友影響，將殘差網絡處理區域與用戶訪問興趣點序列的輸出和朋友訪問中心興趣點向量連接在一起。如圖5 所示，采用殘差網絡將區域向量嵌入到用戶歷史簽到興趣點序列中，與朋友訪問興趣點向量進行拼接。

Fig.5 Next POI recommendation:fusing region factor and friends'information圖5 融合區域、朋友信息的下一興趣點推薦

融合朋友與區域影響的興趣點推薦公式如下：

其中，w′和b′分別是輸出層的權重矩陣和偏差項。PT代表融合區域后用戶推薦的下一時刻的訪問興趣點，代表用戶u所有朋友訪問興趣點的中心興趣點，代表融合朋友與區域影響的下一興趣點推薦。

4 實驗與分析

本章展示了所提出的融合區域與朋友影響的下一興趣點推薦模型的實驗結果，通過與最新工作比較來評估本文提出的模型（Proposed）的有效性。

4.1 實驗數據集

本文在兩個數據集上進行實驗以驗證模型的可行性，其中所使用的數據集為興趣點推薦研究常用的數據集，分別為Foursquare、Gowalla 數據集，在這兩個數據集上進行預處理，具體見表2。

Table 2 Statistics of datasets表2 數據集統計

Foursquare 數據集：Foursquare 社交網絡可以提供許多基于位置的信息，例如興趣點登記。該數據集來自美國加利福尼亞州舊金山地區的4 163 名用戶，包括身份、姓名、登記時間和經緯度信息。

Gowalla 數據集：Gowalla 是一個典型的LBSN，用戶可以隨時共享其位置信息。簽到數據由簽到時間、地點、用戶ID 和用戶的社會關系構成。數據收集了用戶在2009 年2 月至2010 年10 月期間6 442 890次簽到信息。

4.2 對比實驗

為了驗證本文提出的推薦模型的可行性，設置了一些對比實驗，所要對比的流行算法如下：

LORE[2]：提出采用挖掘序列模式的模型。將用戶訪問的興趣點表示為動態位置轉換圖，并采用馬爾可夫鏈預測用戶訪問興趣點的概率，同時將地理影響和社會影響融合到一個統一的推薦框架中。

PRME[6]：提出一種個性化的等級度量嵌入方法。采用度量嵌入的方法進行推薦，結合了興趣點序列、用戶偏好和地理影響。

RNN[8]：提出距離偏好對下一個POI 的影響。將用戶的順序偏好和連續興趣點之間的距離通過RNN模型進行訓練，通過融合空間偏好和順序偏好對下一興趣點進行推薦。

POI2Vec[15]：提出結合地理因素影響的潛在表示模型。考慮用戶的個人偏好和簽到興趣點序列順序的影響，給潛在的用戶推薦興趣點。

FPMC[18]：提出一個矩陣分解和馬爾可夫鏈相結合的模型。每一個用戶對應一個轉移矩陣，同時引入個性化排序的框架來處理簽到數據。

Proposed：本文提出的融合區域與朋友關系的用戶下一興趣點推薦模型，采用殘差網絡模型將用戶簽到興趣點的信息與興趣點所屬區域信息進行嵌入訓練，避免網絡退化。通過融合朋友信息，緩解數據稀疏性，提高推薦的準確性。

4.3 評價標準

本文研究的關鍵問題是如何準確地給目標用戶推薦下一時刻訪問的興趣點。本文使用準確率（Precision）、召回率（Recall）來檢查和驗證融合區域與朋友影響的用戶訪問興趣點模型的有效性，其定義如下所示，分別為：

4.4 結果與分析

4.4.1 本文模型的測試結果

本實驗在兩個數據集上測試本文模型的準確率、召回率得分，表3 展示了本文模型在Top5、Top10、Top15、Top20、Top25 時的準確率、召回率的實驗結果。實驗中，通過80%、10%、10%劃分數據集，并進行反復實驗。采用的殘差網絡一共24 層，每一層卷積核數量為24，卷積核大小為8。

4.4.2 與基線模型對比與分析

本實驗選取當基線模型具有自己最佳表現時采用的參數值，分別在Foursquare 和Gowalla 數據集上，測試了本文模型和基線模型的推薦準確率和召回率，對比結果見圖6、圖7 和圖8、圖9。

測試結果如下：

（1）從圖6 和圖8 中可以看到，FPMC 的各項推薦表現都是最差的，并且圖7、圖9 也顯示FPMC 的召回率得分也是最差的。這是因為FPMC 方法只關注于從用戶的簽到歷史數據中挖掘用戶的偏好信息，而沒有考慮任何用戶簽到興趣點的影響因素。

（2）PRME 和POI2Vec 這兩種模型的實驗結果都略好于FPMC 方法。這是因為這兩種方法分別結合了地理信息和個人偏好信息。其中PRME 將個人偏好和地理影響嵌入到基于成對排序度量框架中。而POI2Vec 結合興趣點地理坐標構建二叉樹的方法，將興趣點分到不同的區域中，在每個區域的興趣點上構建一個二叉樹。通過這兩種方法驗證了影響因素對興趣點推薦是有效的。

Table 3 Accuracy and recall of proposed model表3 本文模型的準確率、召回率

Fig.7 Comparison of recall on Foursquare圖7 在Foursquare數據集上的召回率對比

Fig.8 Comparison of accuracy on Gowalla圖8 在Gowalla 數據集上的準確率對比

（3）LORE 表現出了較好的推薦性能。LORE 采用馬爾可夫鏈給用戶推薦一個最可能訪問的興趣點，并將訪問興趣點之間的順序、地理影響和社交關系融合到一個統一的推薦框架中。LORE 的實驗數據表明社交關系對下一個興趣點推薦起到重要作用，同時也說明了馬爾可夫鏈對下一個興趣點推薦的有效性。但LORE 在推薦下一個興趣點時沒有將待推薦的興趣點限制在一個局部區域內，這也是限制其推薦性能的一個因素。

（4）RNN 通過對給定的興趣點順序依賴性和空間偏好建模來推薦下一個可能訪問的興趣點。從表3中可以觀察到RNN 對下一興趣點推薦的準確率較低，這說明隨著連續訪問興趣點的數量增多，采用深度學習框架存在梯度消失和退化的問題。

Fig.9 Comparison of recall on Gowalla圖9 在Gowalla 數據集上的召回率對比

總體上，本文模型在準確率、召回率得分方面的性能始終優于基線模型，主要是將區域與朋友影響有效地集成到統一的推薦過程當中，并考慮訪問興趣點的先后順序。通過綜合興趣點所屬區域，將區域信息與用戶簽到興趣點序列進行嵌入，捕獲粗粒度信息動態地預測用戶的偏好。同時將朋友簽到興趣點與嵌入區域的用戶簽到興趣點進行融合，克服了簽到數據稀疏的問題。同時本文采用了殘差網絡，通過增加跳躍連接層構成殘差塊[17]，將輸入信息繞道傳到輸出，保證信息的完整性。同時在反向傳播過程中，梯度連乘，不會造成梯度消失[16]，因此它不會像RNN 隨著網路層次的加深，而發生準確率下降的問題。

4.4.3 不同用戶序列窗口長度的影響

用戶序列窗口長度是融合區域和朋友影響的用戶訪問興趣點模型的重要因素，本文在兩個數據集上設置不同長度的用戶序列窗口進行實驗。表4 說明了在用戶序列不同長度窗口下評估本文推薦模型的準確性。在Foursquare 數據集上，可以觀察到，當用戶序列長度為25，取Top20 時，模型獲得了最佳的預測性能。在Gowalla 數據集上，當用戶序列長度為10，取Top20 時，模型獲得了最佳的預測性能。同時觀察到，即使用戶序列的長度不是最佳的，本文模型的性能也優于最先進的模型。

Table 4 Influence of window length of check-in sequence on model accuracy表4 訪問序列的窗口長度對模型準確性的影響

4.4.4 本文方法中不同因素的影響

本文在用戶簽到興趣點序列中嵌入了區域信息和朋友簽到興趣點信息，為了評估這兩種嵌入信息的性能，本小節將本文模型和只考慮區域信息或只考慮朋友信息的模型在用戶序列窗口長度為10，取Top5時的性能進行了比較。如圖10 所示，在Foursquare數據集上，本文模型分別與只考慮區域信息的模型和只考慮朋友信息的模型進行比較，本文模型在準確度上分別提高了0.131 和0.074。在Gowalla數據集上，本文模型在準確度上分別提高了0.083 和0.042。可見，融合區域或朋友信息都提高了推薦的準確性。

Fig.10 Influence of different factors on performance of proposed model圖10 不同的因素對本文模型性能的影響

5 結束語

本文提出了融合區域與朋友影響的用戶訪問興趣點的推薦模型。該模型充分利用了殘差網絡避免網絡退化的問題來進行序列推薦。利用區域影響因素捕獲粗粒度信息，同時利用朋友訪問興趣點的信息避免數據的稀疏性。在兩個真實數據集上的實驗結果表明，本文提出的模型在推薦準確性上明顯優于其他對比模型。接下來，會進一步圍繞上述兩種影響因素對用戶簽到興趣點的影響進行研究，爭取獲得更深層次的發現。