兴趣点(Point-Of-Interest,POI)推荐是基于位置社交网络(Location-Based Social Network,LBSN)中一项重要的个性化服务,可以帮助用户发现其感兴趣的POI,提高信息服务质量。针对POI推荐中存在的数据稀疏性问题,提出一种融合社交关系和局...兴趣点(Point-Of-Interest,POI)推荐是基于位置社交网络(Location-Based Social Network,LBSN)中一项重要的个性化服务,可以帮助用户发现其感兴趣的POI,提高信息服务质量。针对POI推荐中存在的数据稀疏性问题,提出一种融合社交关系和局部地理因素的POI推荐算法。根据社交关系中用户间的共同签到和距离关系度量用户相似性,并基于用户的协同过滤方法构建社交影响模型。为每个用户划分一个局部活动区域,通过对区域内POIs间的签到相关性分析,建立局部地理因素影响模型。基于加权矩阵分解挖掘用户自身偏好,并融合社交关系和局部地理因素进行POI推荐。实验表明,所提出的POI推荐算法相比其他方法具有更高的准确率和召回率,能够有效缓解数据稀疏性问题,提高推荐质量。展开更多
随着基于位置的社交网络(Location-Based Social Networks,LBSNs)与兴趣点(Point of Interest,POI)推荐的有效组合,近年来已涌现出大量的相关研究,这些方法主要可分为将地理、社会、类别、文本以及时间等上下文信息进行建模并融合,进而...随着基于位置的社交网络(Location-Based Social Networks,LBSNs)与兴趣点(Point of Interest,POI)推荐的有效组合,近年来已涌现出大量的相关研究,这些方法主要可分为将地理、社会、类别、文本以及时间等上下文信息进行建模并融合,进而克服数据稀疏问题并提升兴趣点推荐的性能.但已有的兴趣点推荐方法认为不同上下文间相互独立,在对不同上下文建模并融合的过程中忽略了其内在联系,导致上下文信息未得到充分利用.另外,在将上下文模型融合到用户自身偏好模型时,未考虑上下文信息对用户历史签到记录的不同影响.为应对上述挑战,本文合理地重构了上下文信息模型并有效地融合到用户偏好模型中,且提出了一种基于用户活动轨迹和个性化区域划分的兴趣点推荐方法.该方法根据用户的活动轨迹刻画出其日常活动区域,并探索了不同用户间的地理距离分布以及活动轨迹的相似度以建模社会关系对用户签到的影响.进一步地,结合用户活动轨迹区域内的POI的地理信息,使用带有自适应带宽的核密度估计方法评估POI间的地理相关性,以建模POI地理信息对用户签到的影响.最后,将用户社会关系模型和POI地理信息模型与用户自身偏好模型融合,使用改进的加权矩阵分解技术求解用户的个性化POI推荐.本文分别采用经典的和当前流行的相关研究作为基准,在Gowalla和Foursquare数据集上进行对比,实验结果表明本文方法具有更好的POI推荐效果,说明了本文提出的模型在融合策略和克服数据稀疏性方面更具优势.展开更多
文摘兴趣点(Point-Of-Interest,POI)推荐是基于位置社交网络(Location-Based Social Network,LBSN)中一项重要的个性化服务,可以帮助用户发现其感兴趣的POI,提高信息服务质量。针对POI推荐中存在的数据稀疏性问题,提出一种融合社交关系和局部地理因素的POI推荐算法。根据社交关系中用户间的共同签到和距离关系度量用户相似性,并基于用户的协同过滤方法构建社交影响模型。为每个用户划分一个局部活动区域,通过对区域内POIs间的签到相关性分析,建立局部地理因素影响模型。基于加权矩阵分解挖掘用户自身偏好,并融合社交关系和局部地理因素进行POI推荐。实验表明,所提出的POI推荐算法相比其他方法具有更高的准确率和召回率,能够有效缓解数据稀疏性问题,提高推荐质量。
文摘随着基于位置的社交网络(Location-Based Social Networks,LBSNs)与兴趣点(Point of Interest,POI)推荐的有效组合,近年来已涌现出大量的相关研究,这些方法主要可分为将地理、社会、类别、文本以及时间等上下文信息进行建模并融合,进而克服数据稀疏问题并提升兴趣点推荐的性能.但已有的兴趣点推荐方法认为不同上下文间相互独立,在对不同上下文建模并融合的过程中忽略了其内在联系,导致上下文信息未得到充分利用.另外,在将上下文模型融合到用户自身偏好模型时,未考虑上下文信息对用户历史签到记录的不同影响.为应对上述挑战,本文合理地重构了上下文信息模型并有效地融合到用户偏好模型中,且提出了一种基于用户活动轨迹和个性化区域划分的兴趣点推荐方法.该方法根据用户的活动轨迹刻画出其日常活动区域,并探索了不同用户间的地理距离分布以及活动轨迹的相似度以建模社会关系对用户签到的影响.进一步地,结合用户活动轨迹区域内的POI的地理信息,使用带有自适应带宽的核密度估计方法评估POI间的地理相关性,以建模POI地理信息对用户签到的影响.最后,将用户社会关系模型和POI地理信息模型与用户自身偏好模型融合,使用改进的加权矩阵分解技术求解用户的个性化POI推荐.本文分别采用经典的和当前流行的相关研究作为基准,在Gowalla和Foursquare数据集上进行对比,实验结果表明本文方法具有更好的POI推荐效果,说明了本文提出的模型在融合策略和克服数据稀疏性方面更具优势.
