基于位置的个性化推荐技术

移动社交网络的发展为基于位置的推荐方法提供了研究基础，用户的位置签到数据、位置共享数据以及基于位置的社交网络活动，形成了用户的位置行为轨迹，这为用户的行为特征提供了数据分析支持，能够帮助提高位置服务推荐、兴趣点推荐等研究的推荐准确度。基于位置的推荐方法包括6种不同的网络关系：位置与位置网络关系、用户与用户社会网络关系、服务与服务网络关系、用户与位置网络关系、用户与服务网络关系、位置与服务网络关系。其中，后3种关系为基于位置的推荐方法的研究重点[123]。

图2-6展示了基于位置的推荐方法的基本框架[123]。

(www.xing528.com)

图2-6　基于位置的推荐方法基本框架

HaKan等人（2016）[124]使用无向连通图对用户的位置点访问进行建模，然后基于该无向连通图执行修改后的随机游走算法，并参考用户在当前位置的历史访问足迹、朋友的历史访问足迹和专家的历史访问足迹，来为目标用户进行兴趣点的推荐。该随机游走算法为专家节点和亲密朋友节点给予了较高的权重，因此，会造成越流行的位置点，越容易被推荐，而降低了用户的个人兴趣偏好作用。针对兴趣点访问数据的极度稀疏问题，曹玖新等人（2016）[125]将用户的社交网络引入到兴趣点数据集中，建立了基于元路径的带权异构网络模型，然后采用随机游走算法来计算元路径的属性特征值，并使用监督学习方法来计算各个属性特征值的权重，最后计算目标用户对未访问兴趣点的访问概率，生成目标用户的兴趣点推荐列表。Jianxun Liu等人（2015）[126]将地理范围分为AS、Country、Global三个层次，以这三层地理范围建立相似用户和相似服务的计算，在为用户进行Web服务推荐时，首先搜索小范围的相似用户和相似服务，如果近邻用户数量不足，再将范围扩展至上一层次，最后进行服务推荐。Weimin Li等人（2014）[127]对服务的可靠性及用户的关系进行分析，提出了一种可靠的位置服务推荐方法，但该方法在考虑用户的关系时，只考虑了朋友关系，且关系路径权重设置得相对较大，难以符合实际的推荐情境。