夏 英，张金凤

重庆邮电大学 计算机科学与技术学院，重庆 400065

目前，随着智能手机、移动互联网等技术的发展，LBSN 得到广泛应用，如国外的Gowalla、Foursquare，国内的大众点评、美团等。在LBSN 平台，用户可对当前访问的POI（如餐厅、书店、旅游景点等）进行签到、评论等操作，并能与社交好友分享自己的签到信息。在LBSN除了用户签到信息，还包含社交关系、兴趣点、用户评论等海量数据，充分挖掘这些数据，可以更好地分析用户的签到行为，把握用户群体兴趣特征和访问规律，有利于提高个性化POI推荐服务质量。

在LBSN平台，POI的规模庞大且分布广泛，而每个用户访问并签到过的POI往往很少，这使得用户签到数据十分稀疏，给POI推荐带来挑战。

针对用户签到数据的稀疏性问题，本文提出基于社交关系和局部地理因素的POI推荐算法，通过融合社交关系、地理位置信息来丰富有效数据，提高推荐质量。本文的主要贡献有以下三点：

（1）在构建社交关系影响模型时，综合考虑用户间的共同签到和距离关系，提出一种用户相似性度量方法，减少相似性计算误差。

（2）在构建地理因素影响模型时，通过为每个用户划分一个局部活动区域，分析用户所属区域内尚未访问POIs 间的签到相关性，更加充分地剖析出每个用户签到的地理偏好。

（3）在进行兴趣点推荐时，将上述考虑的社交关系和局部地理因素融合到加权矩阵分解模型中，构建一个更加符合用户偏好的POI推荐模型，在一定程度上缓解了数据稀疏性问题。……