现有的下一个兴趣点(point of interest,PoI)推荐技术存在三个主要问题:使用过于简单的方法构建用户兴趣模型、忽略用户和PoI之间在时空维度上的互动以及未能充分挖掘用户间复杂的高阶交互信息。针对这些问题,提出一种新颖的超图学习模...现有的下一个兴趣点(point of interest,PoI)推荐技术存在三个主要问题:使用过于简单的方法构建用户兴趣模型、忽略用户和PoI之间在时空维度上的互动以及未能充分挖掘用户间复杂的高阶交互信息。针对这些问题,提出一种新颖的超图学习模型FSTMH,细粒度地融合时间、空间和语义信息,用于下一个PoI推荐。FSTMH包括细粒度嵌入模块和多层次嵌入模块。前者通过使用地理图卷积网络和有向超图卷积网络进行学习,获取对应的嵌入信息,并通过对比学习提升PoI表示的质量,使用细粒度超图卷积网络学习该模块的PoI嵌入;后者将多层语义超图输入到多层超图卷积网络,学习多层次语义的PoI嵌入表示。最后,模型将两个模块的PoI嵌入向量进行组合,生成最终的top-K预测结果。通过在广泛使用的三个社交网络公共数据集上进行多种实验,结果均表明FSTMH模型表现出色,说明该新模型可作为提高下一个PoI推荐的有效方法。展开更多
密度峰值聚类(Clustering by Fast Search and Find of Density Peaks,DPC)算法是一种新型的基于密度的聚类算法,通过选取自身密度高且距离其他更高密度点较远的样本点作为聚类中心,再根据样本间的局部密度和距离进行聚类。一方面,虽然...密度峰值聚类(Clustering by Fast Search and Find of Density Peaks,DPC)算法是一种新型的基于密度的聚类算法,通过选取自身密度高且距离其他更高密度点较远的样本点作为聚类中心,再根据样本间的局部密度和距离进行聚类。一方面,虽然DPC算法参数唯一、简单、高效,但是其截断距离的取值是按经验策略设定,而截断距离值选取不当会导致局部密度和距离计算错误;另一方面,聚类中心的选取采用人机交互模式,对聚类结果的主观影响较大。针对DPC算法的这些缺陷,目前的改进方向主要有3个:改进截断距离的取值方式、改进局部密度和距离的计算方式以及改进聚类中心的选取方式。通过这3个方向的改进,使得DPC过程自适应。本文对DPC算法的自适应密度峰值聚类算法的研究现状进行比较分析,对进一步的工作进行展望并给出今后的研究方向:将DPC算法与智能算法有机结合实现算法自适应,对于算法处理高维数据集的性能也需要进一步探索。展开更多
文摘现有的下一个兴趣点(point of interest,PoI)推荐技术存在三个主要问题:使用过于简单的方法构建用户兴趣模型、忽略用户和PoI之间在时空维度上的互动以及未能充分挖掘用户间复杂的高阶交互信息。针对这些问题,提出一种新颖的超图学习模型FSTMH,细粒度地融合时间、空间和语义信息,用于下一个PoI推荐。FSTMH包括细粒度嵌入模块和多层次嵌入模块。前者通过使用地理图卷积网络和有向超图卷积网络进行学习,获取对应的嵌入信息,并通过对比学习提升PoI表示的质量,使用细粒度超图卷积网络学习该模块的PoI嵌入;后者将多层语义超图输入到多层超图卷积网络,学习多层次语义的PoI嵌入表示。最后,模型将两个模块的PoI嵌入向量进行组合,生成最终的top-K预测结果。通过在广泛使用的三个社交网络公共数据集上进行多种实验,结果均表明FSTMH模型表现出色,说明该新模型可作为提高下一个PoI推荐的有效方法。
文摘密度峰值聚类(Clustering by Fast Search and Find of Density Peaks,DPC)算法是一种新型的基于密度的聚类算法,通过选取自身密度高且距离其他更高密度点较远的样本点作为聚类中心,再根据样本间的局部密度和距离进行聚类。一方面,虽然DPC算法参数唯一、简单、高效,但是其截断距离的取值是按经验策略设定,而截断距离值选取不当会导致局部密度和距离计算错误;另一方面,聚类中心的选取采用人机交互模式,对聚类结果的主观影响较大。针对DPC算法的这些缺陷,目前的改进方向主要有3个:改进截断距离的取值方式、改进局部密度和距离的计算方式以及改进聚类中心的选取方式。通过这3个方向的改进,使得DPC过程自适应。本文对DPC算法的自适应密度峰值聚类算法的研究现状进行比较分析,对进一步的工作进行展望并给出今后的研究方向:将DPC算法与智能算法有机结合实现算法自适应,对于算法处理高维数据集的性能也需要进一步探索。
