摘要：社交网络积累了大量包含签到频率、签到时间、地理位置、社交关系等多维度信息的用户数据。这些数据具有多维性和复杂性,传统兴趣点推荐算法难以全面且高效地挖掘其中蕴含的有价值信息,无法充分利用数据的多维特性提升推荐精准度,导致推荐精度受限。为此,提出一种基于多维数据驱动的个性化兴趣点深度推荐算法。采用最小—最大归一化处理数据,并基于随机森林的特征重要性得分筛选关键特征。基于图卷积神经网络（Graph Convolutional Network,GCN）构建个性化兴趣点深度推荐模型。将关键特征与兴趣点输入图卷积层构建异构图,通过多层卷积运算聚合节点嵌入信息。在用户影响层中,基于余弦相似度筛选相似用户以增强嵌入向量,最终通过多层感知机融合ReLU和Sigmoid函数,预测交互概率并生成推荐列表。实验结果表明,该算法下个性化兴趣点推荐结果的平均准确度为0.9497,平均召回率为0.9381,推荐性能优越。

　　关键词：多维数据驱动；个性化推荐；兴趣点推荐；深度推荐；推荐算法；

　　0引言

　　随着移动互联网技术的迅猛发展,基于位置的社交网络应用规模越来越大。社交网络长期运行,用户每天产生的地理位置签到数据、社交关系数据以及行为日志数据呈现爆炸式增长。信息过载导致用户需要从海量兴趣点中筛选符合自身偏好的内容,用户体验感较差。兴趣点推荐算法作为解决这一问题的核心技术,旨在通过分析用户的历史行为、地理位置、社交关系等多维数据,为用户提供个性化的兴趣点推荐,从而提升用户体验并提升相关服务（如本地生活、旅游、广告投放等）的商业价值。近年来,国内外众多学者针对兴趣点推荐算法展开相关研究。文献[1]针对兴趣点推荐,设计了一种融合时序门控图神经网络的方法。该方法虽能处理图结构数据,但在处理复杂关系时,难以高效捕捉节点之间的依赖关系和潜在模式,无法构建出能准确反映社交网络复杂结构的模型,从而影响推荐结果的准确性和个性化程度。文献[2]基于用户实时偏好数据,设计了一种基于循环神经网络的兴趣点推荐方法,虽在查准率和查全率上表现较好,但在处理此类复杂关系时,难以有效捕捉节点之间的依赖关系和潜在模式,无法构建出能够准确反映社交网络复杂结构的模型,进而影响推荐结果的准确性和个性化程度。文献[3]中将贝叶斯个性化排序模型和逻辑矩阵分解模型结合,构建了一个兴趣点推荐模型,虽取得了良好的推荐性能,但在特征选择和模型融合上难以实现协同优化,无法充分发挥特征的作用和模型的性能,从而影响推荐效果。

　　尽管传统兴趣点推荐算法在特定场景下取得了一定成果,但仍存在局限性。鉴于此,提出一种多维数据驱动下的个性化兴趣点深度推荐算法,以期为用户提供符合其兴趣和偏好的地点推荐,提升用户体验和社交平台活跃度。

　　1多维用户数据关键特征选择

　　在个性化兴趣点深度推荐中,为构建高效且准确的推荐模型,本文首先收集社交网络中涵盖签到频率、签到时间、地理位置、社交关系等多维度信息的用户数据[4]。针对原始数据尺度范围不同,直接进行特征选择会使某些特征被不公平地放大或缩小,影响后续推荐模型的构建与效果。因此,需要对原始多维用户数据进行归一化处理[5],从中筛选出对个性化兴趣点深度推荐最有价值的关键特征,为后续构建高效准确的推荐模型奠定基础,提升推荐的质量和效率。

　　对原始多维用户数据进行归一化处理,使每个特征的值都落在[0,1]区间内。本研究采用最小—最大归一化方法,具体计算公式如式（1）所示：

　　式中,X、X'分别表示归一化处理前、后的社交网络中某一维度的用户数据；X、ε分别表示该维度原始社交网络用户数据的均值与标准差。根据上式完成社交网络多维用户数据的归一化处理后,引入随机森林算法进行关键特征选择[6]。设预处理后的多维社交网络用户数据样本集为X'={x1,x2,…,xm}。将该样本集的袋外数据样本放在随机森林中的第k棵树上,可计算出其准确率为Q,k=1,2,…,K,其中K为随机森林算法中树的总数。同时,对于第i个多维社交网络用户数据特征,置换袋外数据样本的值,并在第k棵树上计算其准确率为Q,i=1,2,…,m,k=1,2,…,K。基于这两个准确率数据,可进一步计算出第i个多维社交网络用户数据特征的重要性得分,计算公式如式（2）所示：

　　式中,Zi表示第i个多维社交网络用户数据特征的重要性得分。根据重要性得分,按照降序的方式对各个特征进行排序,选择排名靠前的n个特征作为关键特征。

　　基于上述流程,从多维社交网络用户数据中选出对个性化兴趣点深度推荐最具影响力的关键特征,为后续构建高效的推荐模型奠定基础。

　　2基于图卷积神经网络的个性化兴趣点深度推荐模型构建

　　完成社交网络的多维用户数据关键特征选择后,鉴于社交网络中的数据存在复杂结构和关系,如用户间的社交关系、用户与兴趣点的交互关系等,传统推荐模型难以充分挖掘这些复杂关系中的信息[7]。而图卷积神经网络（GCN）能有效处理图结构数据,通过图卷积运算在节点间传递信息,捕捉节点间的依赖关系。因此,本研究基于图卷积神经网络构建个性化兴趣点深度推荐模型,以更好地利用社交网络中的复杂关系信息。

　　将选择的多维用户数据关键特征与待推荐的个性化兴趣点输入到图卷积层中,构建一个包含用户节点和兴趣点节点的异构图,其中边表示用户与兴趣点之间的签到关系。对于图中第u个多维用户特征节点与第v个待推荐的个性化兴趣点节点,通过图卷积运算,得到节点的嵌入表示,具体表达式如式（3）所示[8]：

　　式中,q+1表示第t+1层的个性化兴趣点嵌入表示；f表示非线性激活函数；q表示第t层的多维用户特征节点嵌入向量；U(v)表示第v个待推荐的个性化兴趣点节点的邻居节点集合；αt、βt表示图卷积层中的可训练参数。基于式（3）,通过多层的图卷积操作,社交网络多维用户和兴趣点的嵌入向量能够融合其邻居节点的信息,实现嵌入向量的更新聚合。在用户影响层中,利用社交网络中各个用户之间的相似度进行排名。用户相似度具体计算公式如式（4）所示：

　　根据上式所求交互概率,即可对目标社交网络用户对待访问兴趣点的喜好程度进行排序,并选择概率值较大的兴趣点作为深度推荐结果,组成个性化列表,推荐给社交网络用户。

　　3仿真实验

　　3.1实验设置

　　为了验证多维数据驱动下的个性化兴趣点深度推荐算法的有效性和优越性,开展仿真实验,实验包含两方面内容：设计算法下社交网络用户访问个性化兴趣点位置的深度推荐分析；设计算法与其他主流推荐算法的性能对比分析。在本次仿真实验中,软硬件实验环境参数配置如表1所示。

　　3.2推荐结果分析

　　在本次仿真实验中,为了验证多维数据驱动下的个性化兴趣点深度推荐算法的有效性,随机选择50名用户和他们实际访问的社交网络兴趣点位置。在此基础上,应用本文设计算法根据这50名用户的多维数据特征,进行个性化兴趣点深度推荐,对比推荐结果和实际兴趣点的位置,如图1所示。

　　如上图所示,本文设计算法能够较为准确地推荐社交网络用户可能感兴趣的兴趣点,推荐结果与实际访问兴趣点的位置分布高度重合,表明该算法能够有效捕捉到用户的地理偏好和行为模式。在用户高频访问的核心区域,推荐结果覆盖了大部分实际兴趣点,说明算法通过多维数据增强了局部区域的推荐精度。

　　3.3推荐性能对比

　　为了进一步验证多维数据驱动下的个性化兴趣点深度推荐算法的优越性,将其设置为实验组,并将融合时序门控图神经网络的个性化兴趣点深度推荐算法和基于循环神经网络的个性化兴趣点深度推荐算法分别设置为对照组一和对照组二。实验过程中,给定不同的个性化兴趣点推荐列表长度N（N=5~25）。在不同推荐列表长度下,分别应用实验组算法和对照组一算法、对照组二算法进行个性化兴趣点推荐,根据推荐结果计算精确度ξ1@N和召回率ξ2@N作为实验指标,计算公式如式（9）、式（10）所示：

　　式中,I1表示社交网络用户推荐列表中的兴趣点集合；I2表示社交网络用户实际签到的兴趣点集合。对比本文算法（实验组）与两种对照组算法（时序门控图神经网络、循环神经网络）在不同推荐列表长度下的准确度表现,对比结果如图2所示。三组算法在不同N值下的召回率对比结果如图3所示。

　　分析图2可以得出,实验组算法的平均准确度（0.9497）显著高于对照组,尤其在短列表（N=5）时优势更明显（准确度差值最大）,说明算法在有限推荐位中能够更精准地筛选高相关性兴趣点。随着N增大,三组算法的准确度均下降,但实验组下降斜率更平缓,表明其推荐结果的头部效应更强（即高排名兴趣点的置信度更高）。分析图3可以得出,实验组算法的平均召回率（0.9381）显著优于对照组,说明其能更全面地覆盖用户潜在兴趣点。当N≥15时,实验组召回率增速放缓但仍保持领先,反映出算法通过用户相似度加权（式（5））和邻居节点聚合（式（3））增强了兴趣点的挖掘能力。实验结果表明,本文研究的多维数据驱动下的个性化兴趣点深度推荐算法是优越的,实际应用中更具优势。

　　4结语

　　本研究提出了一种基于多维数据驱动的个性化兴趣点深度推荐算法,通过融合社交网络中的用户签到数据、地理位置、社交关系等多维特征,结合随机森林关键特征选择与图卷积神经网络（GCN）建模,显著提升了兴趣点推荐的准确性和覆盖率。实验结果表明本文算法优势显著。

　　关键特征选择的有效性。采用随机森林算法对多维用户数据进行特征重要性评估,筛选出对推荐结果影响显著的特征,减少了噪声干扰,提升了模型的输入质量。归一化处理和特征选择确保了数据的可比性和模型的稳定性。

　　GCN模型的优越性。基于图卷积神经网络的推荐模型能够有效捕捉用户—兴趣点交互图的复杂结构,并通过多层信息聚合增强用户嵌入表示。实验证明,该模型在推荐准确度（0.9497）和召回率（0.9381）上均显著优于时序门控图神经网络和循环神经网络基线方法。

　　推荐结果的可靠性。对比实验显示,推荐兴趣点与实际用户访问分布高度吻合,验证了算法在空间偏好建模上的有效性。同时,随着推荐列表长度的增加,算法仍能保持较高的准确度和召回率,说明其具备较强的长尾兴趣挖掘能力。

　　本研究为基于位置的社交网络（LBSN）提供了一种高效、可扩展的推荐方案,适用于旅游推荐、本地服务推送等场景。未来可进一步探索动态图建模或多模态数据融合,以优化实时推荐性能。

参考文献

　　[1]唐宏,刘斌,张静,等.融合时序门控图神经网络的兴趣点推荐方法[J].计算机工程与应用,2024,60(16):124-132.

　　[2]李勇,韩志媛,安敬民.基于循环神经网络的实时偏好感知兴趣点推荐[J].计算机工程与设计,2023,44(12):3772-3777.

　　[3]彭诗杰,陈红梅,王丽珍,等.基于地理偏好排序的兴趣点混合推荐模型[J].计算机应用,2023,43(8):2448-2455.

　　[4]刘国岐,何廷年,荣艺煊,等.基于用户轨迹和好友关系的兴趣点推荐[J].计算机工程与科学,2024,46(9):1693-1701.

　　[5]桑春艳,易星宇,廖世根,等.结合兴趣点类别周期属性和用户短期偏好特征的推荐模型[J].南京大学学报(自然科学),2024,60(3):429-441.

　　[6]李曼文,张月琴,张晨威,等.异质图嵌入的地理不敏感时空兴趣点推荐方法[J].计算机科学与探索,2024,18(3):755-767.

　　[7]李华孝杨,徐青,王卓苧,等.一种融合用户空间行为特征的兴趣点推荐算法[J].测绘科学技术学报,2024,40(6):674-680.

　　[8]李婉秋,张超群,汤卫东,等.面向下一个兴趣点推荐的细粒度时空多语义超图学习[J].计算机应用研究,2025,42(2):398-405.

　　[9]郭秉璇,杨晓文,孙福盛,等.融合人群移动轨迹和时空-类别的下一个兴趣点推荐[J].计算机工程与应用,2025,61(2):316-326.

　　[10]廉小亲,米嘉晨,高超,等.基于长短期偏好注意力网络的兴趣点推荐[J].计算机仿真,2024,41(3):399-405.