兴趣点推荐是一种基于上下文信息的位置感知的个性化推荐。由于用户签到行为具有高稀疏性,为兴趣点推荐的精确度带来了很大的挑战。针对该问题,提出了一种融合相似度和地理信息的兴趣点推荐模型,称为SIGFM。首先利用潜在迪利克雷分配(La...兴趣点推荐是一种基于上下文信息的位置感知的个性化推荐。由于用户签到行为具有高稀疏性,为兴趣点推荐的精确度带来了很大的挑战。针对该问题,提出了一种融合相似度和地理信息的兴趣点推荐模型,称为SIGFM。首先利用潜在迪利克雷分配(Laten Dirichlet Allocation,LDA)模型挖掘用户相关兴趣特征并进行相似性度量,利用Louvain Community Detection(LCD)算法与用户签到数据进行相似性度量,使两种相似度相融合;然后使用地理信息获取用户的签到特征;最后将融合相似度和地理信息结合到一起获得一个新的模型。在真实数据集上的实验结果表明,SIGFM模型有效解决了数据稀疏性与冷启动问题,优于其他POIs的推荐算法。展开更多
文摘兴趣点推荐是一种基于上下文信息的位置感知的个性化推荐。由于用户签到行为具有高稀疏性,为兴趣点推荐的精确度带来了很大的挑战。针对该问题,提出了一种融合相似度和地理信息的兴趣点推荐模型,称为SIGFM。首先利用潜在迪利克雷分配(Laten Dirichlet Allocation,LDA)模型挖掘用户相关兴趣特征并进行相似性度量,利用Louvain Community Detection(LCD)算法与用户签到数据进行相似性度量,使两种相似度相融合;然后使用地理信息获取用户的签到特征;最后将融合相似度和地理信息结合到一起获得一个新的模型。在真实数据集上的实验结果表明,SIGFM模型有效解决了数据稀疏性与冷启动问题,优于其他POIs的推荐算法。
