本文是一篇计算机应用论文，本文的主要工作内容是提出一种基于上下文信息的 POI 路径推荐的分析方法。该方法方法包含两部分，分别为 POI 数据的扩展过程，以及 POI 路径的生成过程。在第一部分的过程中，本文提出的基于上下文信息的 POI 数据的扩展过程，对用户缺失的一些 POI 签到数据进行预测，能够提高 POI 推荐的准确性。该方法使用 Seq2seq 方法，输入用户在进行一天的 POI 访问的签到序列，根据用户访问记录，在输出结果中，将缺失的签到记录进行补全预测。
第 1 章绪论
1.1 研究背景及意义
1.1.1 研究背景
伴随着当前大数据时代的背景，社交网络也在蓬勃发展。社交网络作为一种载体，捕获了大量的信息，这些信息可以拉近人和设备之间的关系，从而让人们在虚拟的网络平台和现实生活中，能够进行交互。现阶段智能手机等移动设备的发展日新月异，网络技术的发展突飞猛进，基于位置的社交网络[1]已经成为一种新的交流和互动的生活方式，让人们在虚拟的世界里直观地看到现实生活的内容，提供了地理位置的关系，也增强了人们之间的沟通交流。因此，基于位置的社交网络逐渐成为服务大众的研究热点，其典型应用有：Foursquare 、Gowalla 、Facebook 、美团、携程等平台。在 LBSN中，用户的访问历史等数据的获取简单且内涵丰富，这些信息在很大程度上体现了人们的活动模式，为推荐系统提供了新的研究方向。LBSN目前已经在诸多的方面获得了良好应用，如旅游路径推荐[2]、广告牌推荐[3]、兴趣点(Point of interest , POI)推荐[4-6]等领域。
随着时代的发展，人们可以通过自己的网络设备查看别人的位置信息，也可以将自己的位置信息分享给他人，并且根据用户所产生的地理位置的相关信息，例如地理位置的照片和行程轨迹的数据，就可以利用这些信息进行协同过滤的推荐。
POI 推荐作为推荐系统中一种新的应用场景应运而生。通过在基于位置的社交网络中挖掘用户的信息，使得具有时序特点、稀疏不一、多元异构性的数据[7]能够得到更深层次的挖掘，从而为用户提供更加符合其偏好的推荐产品。POI推荐因其影响因素的多样性，对它的研究往往更复杂一些。因此，在现有的研究中为了提升 POI 推荐点的准确性和个性化，研究人员往往综合分析了多种因素的影响效果。按照本文的研究思路，下面重点介绍序列因素、社交关系和地理位置等三方面对 POI 推荐质量的影响。
（1）序列因素：用户在进行一天的社会活动时，往往在不同的时间会前往多个位置，这样用户一天的行程轨迹按照时间点和 POI 节点即可构成了访问序列。研究人员发现，用户的移动模式是一种连续性的行为习惯，也就是在两个连续的 POI 之间进行签到的概率往往是非均匀分布的[8]。
（2）社交关系：LBSN 中包含了丰富的社交关系，生活中用户在进行 POI签到时，基本上是和朋友一起行动的情况比较多，尤其是聚餐、旅游等行动时，朋友之间经常被视为拥有相似的个性化偏好。同时用户在访问一些新的 POI 时，由于对其不了解往往会寻求朋友的意见，因此朋友间的社交关系会在很大程度上影响用户对POI的选择[9]。现有相关POI推荐研究也通过实验证明了这一结论，即通过考虑用户之间的社交关系能够使 POI 推荐的结果更加精确[10]。通过将社交网络中用户间的好友关系作为社交因素加入到 POI 推荐系统中去，可以使推荐效果更加符合用户预期，满足用户的个性化需求。
1.2 研究现状
伴随时代的发展，推荐系统的商业和学术价值日益彰显，国内外广大学者和科技人员对 POI 推荐进行了大量的学术研究和应用探索。
1.2.1 POI 推荐
随着 POI 推荐的发展，学术界和企业界就 POI 推荐方法、影响因素等各方面进行了广泛而深入的研究，其中大部分工作围绕单一兴趣点推荐，现就相关工作综述如下。冯浩等人[15]使用深度学习相关技术，融合用户对于 POI 的评论信息获取 POI 的深层次特征，并结合用户在 POI 的签到记录，建立了一个 POI混合推荐的模型（ MFM HNN）来进行 POI 推荐；郭晨睿等人[16]针对用户签到行为具有高稀疏性的问题，提出了一种基于潜在狄利克雷分配（ LDA）模型，挖掘用户的隐式兴趣偏好，利用用户的签到信息和 LCD 算法计算用户之间的相似程度。同时对 POI 的地理信息进行综合考虑，获得用户的签到特征，提高推荐的准确率；Pan 等人[17]提出了一种考虑在一定地理区域内的用户之间的隐式关系对用户行为的影响，通过使用和密度估计（ KDE ）来实现地理特征的个性化，结合两跳随机游走方法去挖掘用户之间的显式-隐式的用户地理社会关系；Zhu等人[18]针对传统推荐中未考虑个人之间的社交信任的问题，提出了一种识别信任簇的算法，找出最可信的近邻用户，基于此进行兴趣点的推荐。Cheng 等人[19]认为用户签到位置在空间上符合多元中心高斯分布，将该约束加入矩阵分解模型可以提高模型的准确率，但此算法的时间复杂度取决于中心的数量。司亚利等人[20]认为地理对签到行为的影响是个性化的，使用整体签到的分布计算地理影响不够准确，因此，他们使用核密度估计方法构建地理位置模型，从二维空间角度对用户个性化的签到分布建模。然而上述方法并没有考虑用户的个性化偏好及个别兴趣点可能对特定用户产生吸引力，并且也没有考虑用户所处的生活圈，即周围区域中的兴趣点对用户产生的影响。
第 2 章相关理论
2.1 神经网络
神经网络受人脑结构的启发，将人脑中的神经元网络转换为人工神经元网络，通过使用相应的拓扑结构将这种人工神经元连接为一种类似神经网的网络结构，就像神经元上各种信号之间的传递一样，神经网络中的人工神经元也有类似的功能。神经元被普遍认为是神经网络中的最小单位，主要功能就是将神经网络中的一些输入内容，以函数为载体，对它们进行逻辑处理并输出。例如图 2-1 就是体现了单个神经元单位的大体结构，从中可以看出单个神经元在信息处理的过程中的一些功能。
当有 m 个特征内容输入到神经元模型中时，每个特征内容ix 会被加持一个权重iw ，通过把这些带有不同权重的特征进行求和后，得到相应值，再在此基础上加上一个全局偏置b ，将这些内容进行计算后通过激活函数 F 进行处理，从而得到神经元模型的输出结果 y 。
然而由于单个神经元结构简单，只能以单个问题为导向。而通过将许多的神经元机构进行连接，便会形成相对复杂的神经元网络模型，由此即可解决比较复杂的问题。如图 2-2 所示，神经网络主要有三部分组成：输入层、隐藏层和输出层。输入层主要功能就是将一些特征内容进行输入，并不对其进行逻辑处理。隐藏层可以根据当前的任务处理的需要，去决定需要隐藏的内容的数量，因此多个隐层的神经网络比单个隐层的，功能更加全面和复杂，能够对输入的特征内容全方位进行隐式特征信息的挖掘，具有相对更强的学习能力。
2.2 序列到序列模型
Seq2seq 通过内置神经网络模型(一般使用 RNN ， LSTM ， GRU )，对一个输入序列映射为输出序列，且通过编码 Encoder 和解码 Decoder 的框架对输入与输出进行处理，对于编码与解码的内容不固定，可以是图像、语音、文字等。Seq2seq 具体框架如图 2-6 所示。
因为文本的上下文语义向量c 的长度是固定的，Encoder 端在进行序列处理为语义向量c 时，输入语句序列的增长，序列信息就越容易导致部分丢失。为解决这个问题，Bahdanau 等人[28]提出注意力机制(Attention Mechanism )，解码器Decoder 能够更好的捕获输入序列中所包含的隐式信息，Decoder 端会更加关注到输入序列的一些重要的隐藏节点的信息，然后将其加权平均作为额外输入提供给Decoder ，提高 Decoder 对输入序列的学习和表达能力。带有注意力机制的Seq2seq 模型如图 2-7 所示。
第 3 章 POI 数据的扩展过程................................18
3.1 问题定义................................... 18
3.2 过程描述....................................... 19
第 4 章 POI 路径的生成过程.................................30
4.1 问题定义....................................... 30
4.2 过程描述........................... 31
第 5 章 结论与展望...........................45
5.1 结论...................................... 45
5.2 展望............................... 46
第 4 章 POI 路径的生成过程
4.1 问题定义
在LBSN中，POI 的推荐是通过分析用户的签到数据和待推荐的 POI 之间的关系，为用户推荐未访问过的兴趣点。LBSN是一种包含用户集合、POI 集及用户在 POI 的签到集合的异构多元网络[49]。图 4-1 描述了一个简单的社交关系网络。在 LBSN中有用户、POI 以及它们之间的关系，这其中包括用户之间的好友关系、用户在 POI 的签到关系和兴趣点之间的关联关系等。将这些影响用户访问 POI 时的考虑因素融入到 POI 路径推荐中去，更大程度地提高推荐效率，是影响 POI 路径推荐质量的首要问题。
在 POI 路径推荐的过程中，用户通过 P
