1.一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法,其特征在于,包括如下步骤:S101、获取所有用户的历史签到信息,基于所有用户的历史签到信息计算用户签到矩阵;
S102、基于用户签到矩阵计算用户-兴趣点矩阵和兴趣点-用户矩阵;
S103、基于用户-兴趣点矩阵计算预估矩阵M0;
S104、基于预估矩阵M0计算预估矩阵M1;
S105、基于兴趣点-用户矩阵计算预估矩阵M2;
S106、基于签到矩阵计算预估矩阵Mn;
S107、基于公式Mpre=M0+M1+M2T+Mn计算用户-兴趣点偏好值矩阵Mpre;
S108、基于偏好值矩阵Mpre生成推荐信息。
2.如权利要求1所述的基于用户签到稀疏矩阵的深度学习兴趣点推荐方法,其特征在于,S103包括如下步骤:基于能量公式 计算联合概率
式中,v为神经元显层,h为神经元隐层,b和a分别是显层偏置向量和隐层偏置向量,w为参数权重,e为自然指数, i为第i个显层神经元,j为第j个隐层神经元;
基于联合概率计算用户关于兴趣点的分布函数基于分布函数P(v)计算其最大值对应参数;
基于分布函数P(v)的最大值对应参数计算预估矩阵M0。
3.如权利要求1所述的基于用户签到稀疏矩阵的深度学习兴趣点推荐方法,其特征在于,S106包括如下步骤:基于公式Mn≈Umk×Ikn计算预估矩阵Mn,式中Umk为用户矩阵,梯度更新公式为Ikn为地点矩阵,梯度更新公式为
4.如权利要求1所述的基于用户签到稀疏矩阵的深度学习兴趣点推荐方法,其特征在于,S108包括如下步骤:按照所述偏好值矩阵Mpre分值由高到低的顺序选取预设个数的所述推荐地点;
按照高到低的顺序基于选取的推荐地点生成推荐列表。