基于地理偏好排序的兴趣点混合推荐模型

随着基于位置的社交网络（LBSN）迅速发展,作为缓解信息过载的有效手段,兴趣点（POI）推荐备受关注。由于用户签到数据是隐式反馈数据,且十分稀疏,为了有效地从用户签到数据中捕获用户POI偏好,提出了一个基于地理偏好排序的POI混合推荐模型。首先,考虑用户签到数据的隐式反馈特性及用户活动的空间约束,利用传统贝叶斯个性化排序（BPR）模型计算POI距离对POI排序的影响,提出加权BPR(GWBPR)模型;然后,针对用户签到数据的稀疏性,融合GWBPR模型和逻辑矩阵分解（LMF）模型,提出混合模型GWBPR-LMF。在两个真实数据集Foursquare和Gowalla上的实验结果表明,GWBPR-LMF模型的性能优于BPR、LMF、SAE-NAD(Self-AttentiveEncoderand Neighbor-Aware Decoder)等对比模型。与较优的对比模型SAE-NAD相比,GWBPR-LMF模型的POI推荐的精确率、召回率、F1值、平均精度均值（mAP）、归一化折损累积增益（NDCG）在数据集Foursquare上分别平均提升了44.9%、57.1%、78.4%、55.3%和...     

面向智慧水务平台的区块链BaaS关键技术

传统水务数据大多以中心化管理模式为主,但是数据权益涉及到水务集团、设备生产商和保险公司等.在此前提下,数据是否可信,数据传输和存储过程中是否被篡改成为利益涉及方痛点问题与面临的挑战.针对上述问题和挑战,本文结合区块链技术去中心化、不可篡改、可追溯的特性,提出了一种智慧水务区块链BaaS(Blockchain as a Service,区块链即服务)的构建思路和方法,较好地解决了水务数据所面临的可信度低问题.对BaaS服务关键技术:(1)BaaS服务体系架构;(2)智能水表健康数据分布式账本数据模型和Merkle二叉树验证模型;(3)基于双缓冲队列和多区块链节点接入的关键技术,进行了较为详细的阐述.