1.基于相关矩阵和词向量模型的兴趣点推荐方法，其特征在于该方法的具体步骤是：步骤(1)输入用户签到数据和兴趣点经纬度数据，其中签到数据包括用户的ID、兴趣点ID以及签到的时间；兴趣点经纬度数据包括兴趣点ID、经度和纬度；

步骤(2)读取签到数据，统计用户对各个兴趣点的访问次数，构建用户‑兴趣点访问频次矩阵F；

读取兴趣点经纬度数据，构建兴趣点‑经纬度字典L，形式为{兴趣点ID：(经度，纬度)}；

计算各用户最常访问的兴趣点HALu＝argmax(fu)，其中fu表示用户u访问各兴趣点的频次，以此构造用户最常访问兴趣点字典HAL，形式为{用户ID：兴趣点ID}；

步骤(3)设置距离阈值α和γ，其中α表示用户高活跃区域半径，γ表示兴趣点的邻居半径，初始化用户‑兴趣点相关矩阵M，将矩阵各值赋为0；

步骤(4)构建用户‑兴趣点相关矩阵M：对于每个用户u，计算该用户访问过的所有兴趣点的频次的累加和∑fu；遍历所有兴趣点p，如果该兴趣点p未被用户u访问过，则通过查询兴趣点经纬度字典L得到该用户最常访问的兴趣点字典HALu与兴趣点p的经度和纬度，并据此计算最常访问的兴趣点HALu与兴趣点p两者之间的距离，如果距离大于α，则继续遍历下一个兴趣点；如果距离等于α，则初始化用户u在兴趣点p周围的访问频次 遍历用户u u

u访问过的所有兴趣点p ，如果兴趣点p与p之间的距离小于阈值γ，则通过访问频次矩阵Fu

查询用户u对兴趣点p的访问频次F[u，p]并累加至 否则遍历下一兴趣点；在遍历完成用户u访问过所有兴趣点之后，计算用户u跟兴趣点p的相关系数 遍历完成之后用户‑兴趣点相关矩阵M构造完成；fu表示查询用户u对所有兴趣点的访问频次；

步骤(5)创建一个用户访问序列文件，其中每一行为某个用户的兴趣点访问序列，其中用户的ID排在行首，该用户所有访问过的兴趣点ID按访问先后顺序排在用户的ID之后，用户ID与兴趣点ID之间使用空格分隔；

步骤(6)构建词向量训练模型，类比自然语言处理中训练词向量的Skip‑gram模型，将每个用户的兴趣点访问序列作为一个“句子”，每个用户的兴趣点访问序列中的各个兴趣点作为“单词”，同时结合用户ID信息，得出进行模型训练的目标函数：其中U表示用户集合，si为用户ui访问的兴趣点序列，S表示所有用户访问兴趣点序列的集合，c表示上下文窗口大小；

概率函数

其中 为融合函数，vi表示用户ui输入向量，|P|表示兴趣点总数，lj表示兴趣点pj输入向量，l′j表示兴趣点pj输出向量；

步骤(7)进行模型训练：首先设置模型参数，分别设置每批训练的数据量batch_size，训练的用户向量和兴趣点向量的维度embedding_dim，学习率learning_rate，负样本采样个数num_samples，最大迭代轮数epochs，兴趣点上下文窗口大小context_size；其次采用负采样方法进行训练，将损失函数定义为：其中Pneg表示m个负样本集合，为负样本输入向量， 为负样本输出向量，σ(·)为sigmoid函数，之后开始迭代训练；

步骤(8)根据步骤(4)训练得出的用户‑兴趣点相关矩阵M，以及词向量模型输出的用户ui的输入向量vi、兴趣点pj的输入向量lj，从而计算出用户对各兴趣点的偏好，输出推荐结果，计算公式为Preferenceup＝(vi·lj)×M[ui，pj]。