张亚男 刘 安 彭 佳 张益凡

(苏州大学计算机科学与技术学院 江苏 苏州 215006)

0 引 言

随着移动设备的大量普及，全球定位系统(GPS)信息的获取变得非常容易。工业界利用这些定位数据推动基于位置的社交网络(LBSNs)的发展。一些经典的LBSNs网站如Foursquare和Gowalla鼓励用户分享所在位置的相关信息，从而收集丰富的用户签到数据，并利用这些数据为用户提供兴趣点推荐服务。兴趣点推荐旨在为用户找到未被访问和感兴趣的地点，它以其在面向服务领域的巨大商机吸引了众多研究者的关注，尤其是在基于位置的服务领域。目前已有大量模型被创建用来学习用户在选择兴趣点时的偏好[1-2]。

Cheng等[3]和Yang等[4]提出的矩阵分解模型是最经典的推荐模型，它根据用户-兴趣点交互矩阵学习用户和兴趣点的潜在因子向量，并利用向量的相似性推测用户和兴趣点的相关性。许多研究者通过结合一些辅助信息来改善矩阵分解推荐模型，如社会关系[5]、空间信息[6-7]、时间信息[8]、属性信息[9]等。这些模型的成功证明了矩阵分解在推荐性能上的优越性。然而，这些基于矩阵分解的算法在集中训练过程中有两个主要缺点：(1) 计算成本高。所有用户的信息都被收集到特定的集中式服务器中，导致该服务器需要同时处理大量的签到数据，意味着服务器的计算能力必须满足高要求。(2) 隐私风险大。不是每个人都想让别人知道他做了什么，例如一个自卑的肥胖者不愿意把他经常去健身房的消息告诉别人。……