利用基于用户活动中心的社会影响力进行的兴趣点推荐

介绍

本文基于两个因素建立了社会影响力模型:用户之间在共同签到方面的相似性，以及他们之间的友谊。基于明确的友谊网络和用户之间的高签到重叠，我们引入了两个层次的友谊。我们的友谊算法基于用户的地理活动中心。

我们在LBSNs上定义了两种类型的友谊。具体来说，显性朋友是指那些在LBSN中相互关注的用户，而隐性朋友是那些经常登录的人，他们通常有着非常相似的品味，这导致了一些友谊的建立，因为这些行为上的相似性。

在这项工作中，我们假设用户的相似度与他们的地理距离成反比。我们的分析揭示了地理活动中心用户的社会行为模式。我们假设签入数量最多的中心是主要用户活动中心，如图所示。我们假设用户的活动中心离用户最近的朋友就是他们最相似的朋友。朋友之间的地理距离越大，相似度值越低(见图2)。

image-20230116091328664

在这项工作中，我们提出了一个社会用户活动中心POI推荐系统，称为SUCP，它考虑了社会影响的影响。与之前的工作相比，我们的SUCP通过考虑用户在其活动中心的社会关系来提高推荐系统的性能。

贡献点

  • 模型的新颖之处在于将用户的活动中心和他们的社交关系联合建模。
  • 考虑了两种类型的社会影响，包括友谊和用户之间访问poi的相似性。因此，实现了用户与其朋友之间的相似性权重的度量。

方法

image-20230116092107255

$S{u,l}|$与用户社会信息有关，$TC{u,l}$为考虑工作时间和休闲时间的用户时空信息，$Z_{u,l}$代表静态和动态用户偏好

使用余弦相似度计算两个用户之间的相似关系

image-20230116092334243

红色节点表示用户节点，蓝色节点表示POI节点。下图可以显示朋友们去过的地方和去过相似地方的朋友之间有相似之处。

image-20230116092444227

位置和用户之间的边表示该用户访问的位置。另外，两个用户之间的一条边显示了这条边未被权衡的友谊。

image-20230116092742561

两个用户之间可能同时存在友谊边和相似边。这将产生如下图所示的图。

image-20230116092844015

使用如下公式融合了用户之间相似的边缘和友谊的边缘。

接下来为每个用户生成一个新的图G，表示图中节点u在节点u01和u02之间志同道合的概率。将显式和隐式友谊链接表示为图边权值p

image-20230116093413787

然后，用如下的公式建模长短期偏好

image-20230116095823196

总体流程如下：

image-20230116095850390