融合社交关系与地理信息的兴趣点推荐模型

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。     

融合社交网络和图像内容的兴趣点推荐

基于位置的社交网络（LBSN）蓬勃发展，带来了大量的兴趣点（POI）数据，加速了兴趣点推荐的研究。针对用户-兴趣点矩阵极端稀疏造成的推荐精度低和兴趣点特征缺失问题，通过融合兴趣点的标签、地理、社交、评分以及图像等信息，提出了一种融合社交网络和图像内容的兴趣点推荐方法（SVPOI）。首先分析兴趣点数据集，针对地理信息，利用幂律概率分布构造距离因子；针对标签信息，利用检索词频率构造标签因子；融合已有的历史评分数据，构造新的用户-兴趣点评分矩阵。其次利用VGG16深度卷积神经网络模型（DCNN）识别兴趣点图像内容，构造兴趣点图像内容矩阵。然后根据兴趣点数据的社交网络信息，构造用户社交矩阵。最后，利用概率矩阵分解（PMF）模型，融合用户-兴趣点评分矩阵、图像内容矩阵、用户社交矩阵，构成SVPOI兴趣点推荐模型，生成兴趣点推荐列表。大量的真实数据集上的实验结果表明，与PMF、SoRec、TrustMF、TrustSVD推荐算法相比，SVPOI推荐的准确度均有较大提升，其平均绝对误差（MAE）和均方根误差（RMSE）两项指标比最优的TrustMF算法分别降低了5.5%和7.82%，表明SVPOI具有更好的推荐效果。     

LBSN中融合时空信息的连续兴趣点推荐

针对位置社交网络（location-based social networks,LBSN）中连续兴趣点（point-of-interest,POI）推荐系统面临的数据稀疏性、签到数据的隐式反馈属性、用户的个性化偏好等挑战,提出一种融合时空信息的连续兴趣点推荐算法。该算法将用户的签到行为建模为用户—当前兴趣点—下一个兴趣点—时间段的四阶张量,并利用LBSN中的地理信息定义用户访问兴趣点的地理距离偏好,最后采用BPR（Bayesian personalized ranking）标准优化目标函数。实验结果表明该算法相比其他先进的连续兴趣点推荐算法具有更好的推荐效果。     

融合邻居选择策略和信任关系的兴趣点推荐

兴趣点推荐是推荐系统的关键研究之一,传统的算法只利用用户签到信息进行推荐,且对于签到信息只单纯地考虑签到和没签到,而忽略了用户签到的频次和信任关系。为提高推荐精度,提出了一种融合用户相似性、地理位置和信任关系的混合推荐算法(UGT)。对于签到信息,采用签到频次来代替传统的二值签到,并对签到信息添加时间权重;对于基于用户的协同过滤,提出了一种邻居选择策略来提高预测精度;对于信任关系,首先分析用户的属性,然后给出社会地位的计算方法,重构信任度的计算方法。实验结果表明,该混合算法相比较传统的推荐算法而言,在准确率和召回率上有了显著的提升。     

地理分层结构与社会关系的兴趣点推荐

随着基于地理位置的社交网络的兴起,兴趣点(POI)推荐引起了人们的许多关注。POI推荐向用户推荐他们可能感兴趣但没有访问过的地方,从而解决用户下一步去哪的问题。本文提出新的用户相似性度量、全局影响力以及热门POI的概念。综合考虑了多个影响因素之间的关系,以地理分层结构的矩阵分解模型(HGMF)为基础,提出新的POI推荐算法HGS-MF。在Yelp和Gowalla社交网络数据集上对HGS-MF进行了评估。实验结果表明,HGS-MF方法的实验表现均优于传统的POI推荐算法。     

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...     

基于用户活动轨迹和个性化区域划分的兴趣点推荐

随着基于位置的社交网络(Location-Based Social Networks,LBSNs)与兴趣点(Point of Interest,POI)推荐的有效组合,近年来已涌现出大量的相关研究,这些方法主要可分为将地理、社会、类别、文本以及时间等上下文信息进行建模并融合,进而克服数据稀疏问题并提升兴趣点推荐的性能.但已有的兴趣点推荐方法认为不同上下文间相互独立,在对不同上下文建模并融合的过程中忽略了其内在联系,导致上下文信息未得到充分利用.另外,在将上下文模型融合到用户自身偏好模型时,未考虑上下文信息对用户历史签到记录的不同影响.为应对上述挑战,本文合理地重构了上下文信息模型并有效地融合到用户偏好模型中,且提出了一种基于用户活动轨迹和个性化区域划分的兴趣点推荐方法.该方法根据用户的活动轨迹刻画出其日常活动区域,并探索了不同用户间的地理距离分布以及活动轨迹的相似度以建模社会关系对用户签到的影响.进一步地,结合用户活动轨迹区域内的POI的地理信息,使用带有自适应带宽的核密度估计方法评估POI间的地理相关性,以建模POI地理信息对用户签到的影响.最后,将用户社会关系模型和POI地理信息模...     

基于图嵌入和GRU的兴趣点推荐模型

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.     

基于位置社会网络的双重细粒度兴趣点推荐

兴趣点推荐是在基于位置社会网络(location-based social network, LBSN)中流行起来的一种全新形式的推荐.利用LBSN所包含的丰富信息进行个性化推荐能有效增强用户体验和提高用户对LBSN的依赖度.针对无显示用户偏好、兴趣非一致性和数据稀疏性等挑战性问题,研究一种针对LBSN的双重细粒度POI推荐策略,即一方面将用户的全部历史签到信息以小时为单位细分为24个时间段,另一方面将每个POI细分为多个潜在主题及其分布,同时利用用户的历史签到信息和评论信息挖掘出用户在不同时间段的主题偏好,以实现POI的Top-N推荐.为实现该推荐思路,首先,根据用户的评论信息,运用LDA模型提取出每个POI的主题分布;然后,对于每个用户,将其签到信息划分到24个时间段中,通过连接相应的POI主题分布映射出用户在不同时间段对每个主题的兴趣偏好.为解决数据稀疏问题,运用高阶奇异值分解算法对用户-主题-时间三阶张量进行分解,获取用户在每个时间段对每个主题更为准确的兴趣评分.在真实数据集上进行了性能测试,结果表明所提出的推荐策略具有较好的推荐效果.     

基于LBSN动态异构网络的时间感知兴趣点推荐

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。     

融合社交网络用户潜在因子的社会化推荐

针对传统社会化推荐准确率不高的问题,提出一种融合社交网络用户潜在因子的推荐算法SGCN-MF。SGCN-MF考虑社交网络中用户的隐语义信息对推荐结果的影响。使用图卷积神经网络将用户-项目历史交互信息和用户社交网络进行编码嵌入,学习得到具有用户特征和网络结构信息的节点在低维向量空间的潜在特征表达;将用户潜在因子融入基于矩阵分解的社会化推荐模型中;使用梯度下降算法训练模型参数。在Filmtrust、Ciao和Epinions数据集上的实验表明,与传统的社会化推荐算法相比,SGCN-MF能够提升推荐的准确率。     

结合全局与双重局部信息的社交推荐

随着Web2.0的飞速发展,社交推荐逐渐成为推荐领域近几年的研究热点。如何更有效地利用用户的社交关系是社交推荐的关键,目前的社交推荐算法主要引入的是用户之间的直接联系(明确关系)。将社交关系进一步细分为明确关系和隐含关系,并结合历史评分得到的用户声誉信息刻画了由用户全局信息(声誉)与局部信息(明确关系和隐含关系)所构成的推荐系统框架。与现有的社交推荐算法相比,所提出的算法更全面地分析了用户的社交关系,且具有良好的可解释性。在Douban数据集和Epinions数据集上进行了实验,并将本算法与主流的推荐算法进行了比较,结果表明本算法具有更好的推荐精度。     

基于领域敏感兴趣圈的社会化推荐算法

为了更好地融入信任关系对用户评分的影响，并考虑用户兴趣随领域变化的特点，提出了一种基于领域敏感兴趣圈的社会化推荐算法DSC-PMF。DSC-PMF算法通过构造领域敏感兴趣圈（DSC）模型，并结合概率矩阵分解（PMF）推荐算法，对用户进行推荐。DSC模型仅考虑兴趣相似朋友的影响，用信任划分的方法度量了不同朋友的影响程度，同时引入用户领域敏感度来衡量用户受朋友影响的意愿程度。通过在Yelp数据集上的多组对比实验，该算法不仅降低了MAE和RMSE，还提高了系统推荐准确率。     

融合社会标签与信任关系的社会网络推荐方法

针对推荐系统中普遍存在的数据稀疏和冷启动等问题,本文将标签与基于信任的社交推荐方法相结合,提出了一种融合社会标签和信任关系的社会网络推荐方法。该方法利用概率因式分解技术实现了社会信任关系、项目标记信息和用户项目评分矩阵的集成。从不同维度出发,实现了用户和项目潜在特性空间的互连。在此基础上,通过概率矩阵因式分解技术实现降维,从而实现了有效的社会化推荐。在Epinions和Movielens数据集上的实验结果表明本文所提出的方法优于传统的社会化推荐和社会标签推荐算法,特别是当用户评分数据较少时该算法的优越性体现得更好。     

基于Ranking的泊松矩阵分解兴趣点推荐算法

随着基于位置社交网络(location-based social network, LBSN)的发展,兴趣点推荐成为满足用户个性化需求、减轻信息过载问题的重要手段.然而,已有的兴趣点推荐算法存在如下的问题：1)多数已有的兴趣点推荐算法简化用户签到频率数据,仅使用二进制值来表示用户是否访问一个兴趣点;2)基于矩阵分解的兴趣点推荐算法把签到频率数据和传统推荐系统中的评分数据等同看待,使用高斯分布模型建模用户的签到行为;3)忽视用户签到数据的隐式反馈属性.为解决以上问题,提出一个基于Ranking的泊松矩阵分解兴趣点推荐算法.首先,根据LBSN中用户的签到行为特点,利用泊松分布模型替代高斯分布模型建模用户在兴趣点上签到行为;然后采用BPR(Bayesian personalized ranking)标准优化泊松矩阵分解的损失函数,拟合用户在兴趣点对上的偏序关系;最后,利用包含地域影响力的正则化因子约束泊松矩阵分解的过程.在真实数据集上的实验结果表明：基于Ranking的泊松矩阵分解兴趣点推荐算法的性能优于传统的兴趣点推荐算法.     

融合神经网络和泊松分解的兴趣点推荐算法

针对兴趣点推荐系统存在的隐式反馈建模用户-POI交互准确率不高和忽视用户签到数据的隐性反馈属性的问题。提出了一种新颖的兴趣点推荐算法。具体而言,采用一种基于神经网络的排序算法来捕获用户-兴趣点的交互关系,结合泊松分解算法和贝叶斯个性化排序技术建模用户的签到行为,将上述2个步骤得到的算法整合到统一的推荐算法架构中,从而提供兴趣点推荐服务。实验结果表明,提出的算法推荐性能优于传统主流先进兴趣点推荐算法。