共查询到20条相似文献,搜索用时 156 毫秒
1.
针对当前算法推荐结果与用户感知兴趣点拟合度低,导致推荐可信度低的问题,提出基于矩阵分解的感知兴趣点智能推荐算法。先在典型的社会网络中,对感知兴趣点推荐问题进行描述;建立感知兴趣点模型,构建用户范围矩阵和感知兴趣点的影响力矩阵,提取出用户对不同感知兴趣点的偏好,随后计算感知兴趣点在不同区域中的影响力,并修正感知兴趣点影响力函数,通过对其权重的计算,获取用户对感知兴趣点的访问次数、时间的总和以及感知兴趣点集合。最后计算感知兴趣点智能推荐时间的复杂度,利用矩阵分解思想最终实现了对感知兴趣点的智能推荐。实验结果表明,提出的算法的推荐结果与用户感知兴趣点的拟合度较高,并且感知兴趣点的推荐可信度也较高,验证了提出算法的有效性。 相似文献
2.
《计算机应用与软件》2016,(7)
为了解决数字标牌广告投放的推荐问题,研究基于位置数据的推荐算法。在已有的基于矩阵分解思想的兴趣点推荐算法基础上,提出结合矩阵分解思想和商业地理信息数据的兴趣点推荐模型,并在基于位置的数字标牌广告数据上进行实验。实验结果表明,通过为矩阵分解附加商业地理信息的方法,解决了位置访问数据稀疏性的问题,并为数据类型单一,推荐依据不足的问题提供了有效的数据参考及实现方法。为数字标牌广告投放提供了重要的参考依据。 相似文献
3.
针对集中式矩阵分解模型在进行兴趣点推荐时存在的内存需求多、计算成本高、隐私泄露风险大等问题,提出基于密文的去中心化推荐模型CDMF.比起统一收集处理所有数据的传统矩阵分解推荐方法,CDMF保持用户的数据在个人终端,以防出现大规模的集中计算;结合随机游走和Paillier加密算法实现基于密文的去中心化推荐;为了提高算法的时间性能,CDMF进一步引入个人兴趣点集合.在Foursquare和Gowalla真实数据集上进行实验,实验结果从精确率、召回率及时间性能三方面证明了CDMF的有效性.该方法在保护隐私的同时,相比经典矩阵分解模型其精确率和召回率分别提高1百分点和9百分点. 相似文献
4.
5.
基于LBSN的兴趣点推荐存在用户签到矩阵稀疏、推荐精度不高、上下文信息利用不充分等问题,提出一种融合社交信任的矩阵分解算法TGMF(Trust-Geo?Matrix?Factorization)来缓解以上问题。利用BPR模型优化矩阵分解的过程,改进偏序关系的生成策略。把信任影响和相似度计算相结合,提高推荐精度。融合两种模型得到用户的最终偏好列表。把偏好列表中的top-[k]个兴趣点推荐给用户。实验结果表明,在真实数据集Gowalla和Foursquare上,TGMF算法在准确率和召回率两个指标上均优于传统的兴趣点推荐算法。 相似文献
6.
7.
8.
9.
在基于位置的社交网络中,兴趣点实时推荐数据和用户签到数据存在高稀疏性问题。提出一种基于时间效应的混合推荐模型。通过用户潜在兴趣点数据模型计算用户时间行为影响分数和地理位置影响分数,并用线性统一模型进行处理,选取Top S个兴趣点作为用户的潜在兴趣点。将用户的潜在签到记录引入基于时间效应的矩阵分解模型中,考虑时间差异性和连续性对推荐结果的影响,在此基础上进行优化求解,提出推荐策略。实验结果表明,与LRT模型、UTE+SE模型相比,该模型的推荐效果较好,其准确率和召回率最高可达0.103 4和0.111 8。 相似文献
10.
随着基于位置社交网络(Location-Based Social Network,LBSN)的快速发展,兴趣点(Point-Of-Interest,POI)推荐可以帮助人们发现有趣的并吸引人的位置。针对签到数据的稀疏性和用户兴趣的动态性等挑战性问题,提出了基于LBSN动态异构网络的时间感知兴趣点推荐算法。在LBSN异构网络模式中增加会话节点类型。通过动态元路径,在用户和兴趣点语义关系之间有效地融入时间信息、位置信息和社交信息等。设置了用户-兴趣点之间的动态元路径集,并提出了动态路径实例的偏好度计算方法。采用矩阵分解模型对不同动态偏好矩阵进行矩阵分解。根据不同动态元路径的用户特征矩阵和兴趣点特征矩阵,获取用户在目标时间访问兴趣点的推荐列表。实验结果表明,与其他兴趣点推荐方法相比,所提方法在兴趣点推荐精确度上取得了较好的推荐结果,具有良好的应用前景。 相似文献
11.
针对基于位置社交网络中的兴趣点推荐存在用户签到数据稀疏、评论文本信息利用不充分、推荐准确度不高等问题, 提出一种基于卷积神经网络的评论文本兴趣点推荐模型(RT-CNN). 首先采用高斯函数利用邻近地理位置加权方法填补矩阵分解模型中缺少的位置信息, 预测用户对未签到位置的潜在兴趣. 然后通过卷积神经网络处理评论文本信息挖掘潜在特征, 深度提取用户情感倾向, 使用Softmax逻辑回归函数获得评论文本与用户和位置兴趣点潜在特征相关的概率, 通过对目标函数的求解提取用户和位置潜在特征向量. 最后融合签到行为、地理位置影响、用户情感倾向、用户潜在特征和位置兴趣点潜在特征进行兴趣点推荐. 在公开的Foursquare网站纽约(NYC)和洛杉矶(LA)两个真实签到数据集进行实验, 结果表明RT-CNN模型相比其他先进的兴趣点推荐模型提高了精确率和召回率, 具有更好的推荐性能. 相似文献
12.
13.
随着电子商务规模的进一步扩大,用户数目和文档资源急剧增加,导致用户数据的极端稀疏性.传统协作推荐算法都无法很好地解决数据稀疏性问题.本文提出一种基于兴趣子类的协作推荐算法,通过子类处理思想的引入,使得某两个用户即使整体不相似而因为“局部点”的相似产生有用的推荐,“最近邻居”的发现变得更容易更准确.实验结果表明,该算法能有效地解决用户数据的极端稀疏问题,在同等条件下,相对于传统协作推荐算法有更好的推荐质量. 相似文献
14.
在基于位置的社交网络(LBSN)中,用户可以在兴趣点(POI)进行签到以记录行程,也可以与其他用户分享自身的感受并形成社交好友关系。POI推荐是LBSN提供的一项重要服务,其可以帮助用户快速发现感兴趣的POI,也有利于POI提供商更全面地了解用户偏好,并有针对性地提高服务质量。POI推荐主要基于对用户历史签到数据以及用户生成内容、社交关系等信息的分析来实现。系统归纳POI推荐中所面临的时空序列特征提取、内容社交特征提取、多特征整合、数据稀疏性问题处理这4个方面的挑战,分析在POI推荐中使用深度学习方法解决上述问题时存在的优势以及不足。在此基础上,展望未来通过深度学习提高POI推荐效果的研究方向,即通过增量学习加速推荐模型更新、使用迁移学习缓解冷启动问题以及利用强化学习建模用户动态偏好,从而为实现效率更高、用户体验质量更好的推荐系统提供新的思路。 相似文献
15.
Journal of Computer Science and Technology - In mobile social networks, next point-of-interest (POI) recommendation is a very important function that can provide personalized location-based... 相似文献
16.
随着移动设备和社交软件的普遍应用,下一个兴趣点推荐(next POI recommendation)变成了基于位置的社交网络(LBSN)的一个非常重要的任务。现实生活中用户访问的下一个兴趣点通常受到用户签到序列信息、用户关系和该地点的上下文信息等诸多方面的影响。基于循环神经网络(RNN)的方法已经被广泛的应用到下一个兴趣点推荐中,但是这些基于RNN的方法缺乏对用户关系进行深入建模。为了解决上述问题,提出了一种整合用户关系和门控循环单元(GRU)进行下一个兴趣点推荐的模型(GRU-R),同时该模型能够考虑用户签到序列信息、用户关系、兴趣点的时空信息和类别信息等进行下一个兴趣点推荐。在两个真实公开的数据集上进行实验,结果表明提出的模型比现有主流的下一个兴趣点推荐算法具有更高的推荐准确性。 相似文献
17.
住宅的生活便利度指数指住宅居民在一定范围内可利用的设施种类与数量,是城市宜居度的重要指标.兴趣点(point of interest,POI)数据是一组包含物理实体属性的地理坐标点,具有数据种类详尽、粒度精细、范围广和时效性强的优点.基于高德POI数据,对北京市城区住宅的生活便利度指数进行研究,提出面向地铁出行的各向异... 相似文献
18.
针对现有大多数兴趣点推荐算法都存在签到数据稀疏、社交关系难以获取、用户个性难以考虑等问题,文中提出融合地理信息、种类信息与隐式社交关系的兴趣点推荐算法.首先考虑用户签到种类信息,同时分解用户签到地点矩阵和用户签到种类矩阵,减小签到数据稀疏带来的影响.再在显式社交关系的基础上,使用信息熵的方法度量用户的隐式社交关系,缓解... 相似文献
19.
20.
下一个兴趣点推荐是基于位置的社交网络(Location-Based Social Network,LBSN)的重要服务之一,其不仅可以帮助用户寻找其感兴趣的目的 地,还能帮助商家提高潜在的收入.目前已有算法提出采用用户行为序列信息以及兴趣点信息进行推荐,但其没有很好地利用兴趣点辅助信息,因此无法缓解冷启动与数据稀疏问题.本文提出了一种基于图嵌入与GRU (Gated Recurrent Unit)的兴趣点推荐模型GE-GRU (Graph Embedding-Gated Recurrent Unit).GE-GR首先通过图嵌入的方法,将兴趣点本身与其辅助信息相融合,得到信息丰富的深层次兴趣点向量,再将其输入到神经网络中,利用GRU对用户近期兴趣偏好进行建模得到用户Embedding表示,最后根据兴趣点排序列表进行下一个兴趣点推荐.本文在一个真实的数据集Foursquare中超过48万条签到记录上进行了实验,采用Accuracy@k指标进行评估,实验结果表明,GE-GRU相比于GRU、LSTM (Long Short-Term Memory)在Accuracy@10上分别有3%和7%的提升. 相似文献