1.一种基于图嵌入的上下文忠诚度融合的兴趣点推荐方法，其特征在于，包括以下步骤：获取LBSNs的用户签到数据及用户社交关系数据，并基于图嵌入方法将所述LBSNs建模为原始图；根据所述用户签到数据及所述用户社交关系数据，基于相似用户对相似兴趣点的不同访问模式、同一用户对相似兴趣点的不同访问模式及相似用户对同一兴趣点的不同访问模式，构建不同影响因子对应的忠诚度模型；基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至所述原始图中，得到对应的各忠诚度图；基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型；基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型，并根据所述目标兴趣点推荐模型对待推荐用户进行兴趣点推荐；所述不同影响因子对应的忠诚度模型包括：地理信息忠诚度模型、时间信息忠诚度模型及社交关系信息忠诚度模型；所述地理信息忠诚度模型为： ；式中， 为兴趣点集合中的元素； 为用户u的忠诚点集合 中的元素； 为用户u每个活动区域的自适应带宽； 为每个用户中心的加权平均值； 为每个用户中心的权重由对应活动范围的总频率确定的归一化公式；所述时间信息忠诚度模型为： ；式中， 为兴趣点 的前k个相似兴趣点的序列； 为用户u的签到序列； 为用户u对所有兴趣点的前k个相似兴趣点的交集最大值；所述社交关系信息忠诚度模型为如下： ；式中， 为叠加上忠诚度的直接朋友相似度； 为直接朋友相似度； 为用户u的直接朋友集合； 为用户u的间接朋友集合； 为直接朋友边的权重； 为间接朋友边的权重；所述基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型步骤，具体包括以下步骤：各忠诚度图包括：地理忠诚度图、时间忠诚度图及社交忠诚度图；基于高斯核模型计算得到所述地理忠诚度图在地理影响因子下对应的地理信息兴趣点推荐模型；基于个性化页面排序方法计算得到所述时间忠诚度图在时间影响因子下对应的时间信息兴趣点推荐模型；基于个性化页面排序方法计算得到所述社交忠诚度图在时间影响因子下对应的社交信息兴趣点推荐模型；所述地理信息兴趣点推荐模型为： ；式中， 为已访问兴趣点和所有兴趣点的距离； 为忠诚点和所有兴趣点之间的距离； 为忠诚点对推荐模型的影响程度参数； 为每个用户中心和兴趣点之间的签到距离成本；所述社交信息兴趣点推荐模型为： ；式中， 为在社交信息层面与用户u相连的用户节点； 为用户 对兴趣点 的访问频率； 为社交关系信息忠诚度模型；所述时间信息兴趣点推荐模型为： ；式中， 为平衡相似度的参数； 为用户 对兴趣点 的访问频率； 为用户u对兴趣点 的访问频率； 为在时间信息层面与用户u相连的用户节点； 为在时间信息层面与兴趣点 相连的兴趣点节点； 为用户节点之间的相似度； 为兴趣点节点之间的相似度。
2.如权利要求1所述的基于图嵌入的上下文忠诚度融合的兴趣点推荐方法，其特征在于，各忠诚度图包括：地理忠诚度图、时间忠诚度图及社交忠诚度图；所述原始图为 ；所述地理忠诚度图为： ；所述时间忠诚度图为： ；所述社交忠诚度图为： ；式中，U为用户集合；L为兴趣点集合；边 为社交关系；边 为用户对兴趣点的访问； 为地理信息中的忠诚点集合； 分别为图中的用户时间序列相似度边及兴趣点时间序列相似度边； 分别为图中的直接朋友边及间接朋友边。
3.如权利要求1所述的基于图嵌入的上下文忠诚度融合的兴趣点推荐方法，其特征在于，基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型步骤，具体包括以下步骤：兴趣点推荐模型包括：地理信息兴趣点推荐模型、时间信息兴趣点推荐模型及社交信息兴趣点推荐模型；基于多项式融合方法融合所述地理信息推荐模型S 1 、所述社交信息推荐模型S 2 及所述时间信息推荐模型S 3 ，得到目标兴趣点推荐模型如下： ；式中，λ 1 、λ 2 、λ 3 、λ 12 、λ 13 、λ 23 、λ 123 为多项式回归的系数，且均∈（0,1）。
4.一种基于图嵌入的上下文忠诚度融合的兴趣点推荐系统，其特征在于，包括：数据预处理模块，用于获取LBSNs的用户签到数据及用户社交关系数据，并基于图嵌入方法将所述LBSNs建模为原始图；忠诚度模型构建模块，与所述数据预处理模块通信连接，用于根据所述用户签到数据及所述用户社交关系数据，基于相似用户对相似兴趣点的不同访问模式、同一用户对相似兴趣点的不同访问模式及相似用户对同一兴趣点的不同访问模式，构建不同影响因子对应的忠诚度模型；嵌入图模块，与所述忠诚度模型构建模块及所述数据预处理模块通信连接，用于基于图嵌入方法分别将不同影响因子的忠诚度模型嵌入至所述原始图中，得到对应的各忠诚度图；推荐模块，与所述嵌入图模块通信连接，用于基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型；以及，融合模块，与所述推荐模块通信连接，用于基于多项式融合方法融合各所述兴趣点推荐模型得到目标兴趣点推荐模型，并根据所述目标兴趣点推荐模型对待推荐用户进行兴趣点推荐；所述不同影响因子对应的忠诚度模型包括：地理信息忠诚度模型、时间信息忠诚度模型及社交关系信息忠诚度模型；所述地理信息忠诚度模型为： ；式中， 为兴趣点集合中的元素； 为用户u的忠诚点集合 中的元素； 为用户u每个活动区域的自适应带宽； 为每个用户中心的加权平均值； 为每个用户中心的权重由对应活动范围的总频率确定的归一化公式；所述时间信息忠诚度模型为： ；式中， 为兴趣点 的前k个相似兴趣点的序列； 为用户u的签到序列； 为用户u对所有兴趣点的前k个相似兴趣点的交集最大值；所述社交关系信息忠诚度模型为如下： ；式中， 为叠加上忠诚度的直接朋友相似度； 为直接朋友相似度； 为用户u的直接朋友集合； 为用户u的间接朋友集合； 为直接朋友边的权重； 为间接朋友边的权重；所述基于高斯核模型及个性化页面排序方法计算得到各忠诚度图对应在不同影响因子下的兴趣点推荐模型步骤，具体包括以下步骤：各忠诚度图包括：地理忠诚度图、时间忠诚度图及社交忠诚度图；基于高斯核模型计算得到所述地理忠诚度图在地理影响因子下对应的地理信息兴趣点推荐模型；基于个性化页面排序方法计算得到所述时间忠诚度图在时间影响因子下对应的时间信息兴趣点推荐模型；基于个性化页面排序方法计算得到所述社交忠诚度图在时间影响因子下对应的社交信息兴趣点推荐模型；所述地理信息兴趣点推荐模型为： ；式中， 为已访问兴趣点和所有兴趣点的距离； 为忠诚点和所有兴趣点之间的距离； 为忠诚点对推荐模型的影响程度参数； 为每个用户中心和兴趣点之间的签到距离成本；所述社交信息兴趣点推荐模型为： ；式中， 为在社交信息层面与用户u相连的用户节点； 为用户 对兴趣点 的访问频率； 为社交关系信息忠诚度模型；所述时间信息兴趣点推荐模型为： ；式中， 为平衡相似度的参数； 为用户 对兴趣点 的访问频率； 为用户u对兴趣点 的访问频率； 为在时间信息层面与用户u相连的用户节点； 为在时间信息层面与兴趣点 相连的兴趣点节点； 为用户节点之间的相似度； 为兴趣点节点之间的相似度。
