近年来，随着经济的发展和科技的进步，社交网络越来越多的出现在人们的生活中，如Facebook和Foursquare等，经过相关调查，到2016年1月为止，在Foursquare社交网络上已经有将近9千万人进行了至少15亿次的签到。社交网络兴趣点的推荐操作有效地帮助了那些新用户在海量的签到信息中找到他们可能感兴趣的信息，从而使用户获得更加丰富的社交体验。首先构建基于评论信息和基于地理位置的兴趣点模型，然后将其二者进行整合，完成推荐模型的构建。但是构建的模型在推荐精准度上存在很大的局限性。因此针对这种局限性，利用改进的协同过滤算法对其模型进行优化，并进行了对比实验。结果表明：与传统社交网络推荐模型相比，本模型的推荐精确度提高了12.25%。

1 基于评论信息的兴趣点推荐

基于评价内容的推荐是社交网络兴趣带推荐模型中重要内容之一。通过分析评价内容信息可以有效地挖掘用户偏好。因此对评论内容建模可以捕捉到用户兴趣相关的特征（如类别等语义信息），从而改善推荐效果。

首先将用户A对某兴趣点B的评价定义为一个文档C。在这个文档C中具有N个单词数量。那么评分矩阵F可以利用两个实数矩阵D和E的内积近似描述出来：

F=D·E_N（1）

将上述公式（1）进行最小化处理，得到如下公式：

将式（2）结合最小化加权平方误差，得到基于评论信息的兴趣点推荐模型θ，如式（3）所示：

2 基于地理位置的兴趣点推荐

一旦社交网络中的使用者在兴趣点签到后，网络就会根据地图坐标自动生成使用者的地理坐标。所以在本节研究中以一个真实的数据集作为基础对用户的签到位置分布进行分析。图1是随着物理距离的不断增加，用户签到的变化情况。通过该图的地理分布可以准确分析出该用户对某一个位置的兴趣。

从图1中可以看出，该用户签到的兴趣点位置多是几种在一个物理范围内。分析其原因主要是地理区域的作用。

假定用户A对某个兴趣点B的偏好可以通过用户A对兴趣点B周围的兴趣点集来表示，并根据兴趣点之间的地理相关加权策略对地理位置的建模进行优化。可以通过如下数学公式描述：

公式中，G是一个距离加权函数;H为兴趣推荐地点到临近地点之间的距离权重;I为位置坐标;λ为该坐标的地理区域距离变量。

3 构建推荐模型

将上述两种推荐模型进行组合在一起，构建一种评价信息的位置社交网络兴趣点推荐模型，即由公式（3）和公式（4）可得到最小化目标函数ξ如下：

公式中，为被推荐用户与推荐用户之间的地理邻域关系参数; 为评论内容的权重参数;Ψ是用来避免模型过度拟合而设置的参数限制值。

4 模型优化

模型建立完成后，存在严重的推荐精准度不足的问题，因此需要利用改进的协同过滤算法对其进行优化，完成最后的建模步骤，解决模型中存在的缺陷。

协同过滤算法是优化个性化推荐模型操作中最关键的技术，因为该算法可以帮助模型克服以下缺点。

（1）协同过滤算法可以打破只根据评价内容进行推荐的局限性，可以把图片、音视频等纳入范围之中。计算相似度的来源和推荐项目的范围更广。

（2）能深度挖掘用户新的兴趣以及潜在爱好，协同过滤算法能够充分挖掘数据中隐含的偏好信息，并在此基础上，为用户推荐兴趣点。

改进协同过滤算法又分为六种方法。其中均值聚类方法是最常用，现在把协同过滤算法中的均值聚类引入社交网络兴趣点推荐模型当中，依据打分的偏好将用户分为不同的类别，节省在线计算时间，减少模型运行时间，提高推荐质量。

4.1 社交信任的相似度计算

对于用户来说，更偏向于接受信任的用户推荐。所以把信任机制引入到推荐算法中能提高推荐质量。在社交网络的场景下，每个用户能信任的只有一小部分，但是这种信任可以通过中间人传递下去，久而久之就形成了一张信任关系网，使得未直接接触的用户之间也存在适当信任关系。本节定义了一种信任计算方法，该方法根据用户关注关系计算用户直接信任，再定义一种传递方式，计算非关注关系用户之间的间接信任。

定义1：设定T代表用户的信任，而用户A对于用户B的信任则表示为T（A，B）。

定义2：设定T₁为直接信任。当用户A对用户B有所关注时，这时TI的计算公式如下：公式中，α（A）为用户A对用户B的关注集合;α（B）为用户B对用户A的关注集合;β₁为用户A与B一起关注的其它用户的数量;β₂为用户A或用户B单独关注其它用户的数月巨。

定义3：设定T₂为间接信任。如果用户A于用户B为直接信任关系，而用户B则与用户C存在直接信任关系，那么就可以说明用户A与用户C之间存在间接信任关系。这时的间接信任可以通过如下的数学公式表示出来：

定义4：设定R为用户之间的传递路径。传递路径R中又包括R1直接路径和和R2间接路径两条。

4.2 模型优化步骤

相似度计算后，开始利用改进协同过滤算法进行模型优化。

第一步，根据用户的信任度建立用户信任矩阵。

第二步，在第一步的基础上，利用改进协同过滤法中的均值聚类将用户分类，得到N个类别的聚类中心。

第三步，利用上述公式（7）计算用户与N个类别的聚类中心的相似度。

第四步，在第三步计算结果的基础上，向用户推荐社交网络兴趣点。5对比实验

为验证本模型的效性，进行了精确度对比实验。分别利用本文研究的模型和传统兴趣点推荐模型对某用户想要的某個兴趣点进行推荐，结果如表1所示。

从表1中可以看出，随着数据集的增多，两种模型的推荐精度在逐渐降低。但传统兴趣点推荐模型的精确度降低频率要大于本文研究的兴趣点推荐模型。此外，后一个模型的平均精确度为95%，而前一个推荐模型的平均精确度为82.75%。二者对比，模型的推荐精确度提高了12.25%。由此证明了该模型的有效性。

6 结束语

综上所述，随着社会的发展，社交网络是当今时代中最重要的一种人际交往工具。但是随着社交网络中信息量的增多，导致人们在其中很难找到自己感兴趣的部分。因此许多社交网络兴趣点推荐模型出现在人们的视野中，但这种传统的推荐模型却存在推荐精确度不足的问题。该模型通过对用户的多种情景信息的挖掘，在融合多种情景信息后，进行兴趣点推荐。且经过对比实验证明了该模型的有效性，推荐精确度提高了12.25%，优于传统推荐模型。

参考文献

[1]高榕，李晶，杜博等.一种融合情景和评论信息的位置社交网络兴趣点推荐模型[J].计算机研究与发展，2016，53（04）：752-763.

[2]陈志雄，曾诚，高榕.一种基于位置社交网络融合多种情景信息的兴趣点推荐模型[J].计算机应用研究，2017，34（10）：2978-2983.

[3]任星怡，宋美娜，宋俊德.基于位置社交网络的上下文感知的兴趣点推荐[J].计算机学报，2017，40（04）：824-841.