近年来,随着移动设备的普及,基于位置的社交网络(Location-Based Social Network,LBSN)逐渐被人们广泛使用并成为一种新型的社交媒体.LBSN能够记录丰富的上下文信息,例如用户社交网络、POI地理位置、POI类别信息等,这无疑为个性化的POI(...近年来,随着移动设备的普及,基于位置的社交网络(Location-Based Social Network,LBSN)逐渐被人们广泛使用并成为一种新型的社交媒体.LBSN能够记录丰富的上下文信息,例如用户社交网络、POI地理位置、POI类别信息等,这无疑为个性化的POI(Point-of-Interest)推荐系统带来了巨大的发展机遇.但是如何建模这些上下文信息对POI推荐的影响并将它们有效地融合成为了一大难点,另外用户签到数据的稀疏性也为POI推荐带来巨大的挑战.为了克服上述挑战,该文提出了一个基于矩阵分解的上下文感知POI推荐模型.具体地,该文从多个方面建模用户的签到行为,除了利用用户的签到数据,还考虑了POI的地理位置对用户签到行为的影响,用户更愿意访问那些距离近并且符合自身偏好的POI.另外,为了进一步缓解签到数据的稀疏性,该文还利用了用户社交网络数据和POI类别信息.最后,该文提出了一个通用的矩阵分解模型,它能有效地融合上述上下文信息,并且具有良好的可扩展性和较低的时间复杂度.在两个真实的LBSN数据集上的实验结果表明,该文提出的方法在推荐的准确性上远优于当前流行的POI推荐算法.展开更多
文摘近年来,随着移动设备的普及,基于位置的社交网络(Location-Based Social Network,LBSN)逐渐被人们广泛使用并成为一种新型的社交媒体.LBSN能够记录丰富的上下文信息,例如用户社交网络、POI地理位置、POI类别信息等,这无疑为个性化的POI(Point-of-Interest)推荐系统带来了巨大的发展机遇.但是如何建模这些上下文信息对POI推荐的影响并将它们有效地融合成为了一大难点,另外用户签到数据的稀疏性也为POI推荐带来巨大的挑战.为了克服上述挑战,该文提出了一个基于矩阵分解的上下文感知POI推荐模型.具体地,该文从多个方面建模用户的签到行为,除了利用用户的签到数据,还考虑了POI的地理位置对用户签到行为的影响,用户更愿意访问那些距离近并且符合自身偏好的POI.另外,为了进一步缓解签到数据的稀疏性,该文还利用了用户社交网络数据和POI类别信息.最后,该文提出了一个通用的矩阵分解模型,它能有效地融合上述上下文信息,并且具有良好的可扩展性和较低的时间复杂度.在两个真实的LBSN数据集上的实验结果表明,该文提出的方法在推荐的准确性上远优于当前流行的POI推荐算法.
