自注意力下时空-语义相融合的POI序列推荐

近年来,随着基于位置的社交网络(Location-Based Social Network, LBSN)不断发展,POI序列推荐逐渐成为近年来研究的热点问题.现有的POI序列推荐方法仅仅按照时间的先后顺序建模用户历史签到序列,默认用户POI轨迹中连续POI之间具有相等的时间间隔,忽略了用户签到记录之间的时间间隔影响.另外,POI之间的地理距离以及语义信息也是影响推荐准确性的重要因素.基于此,本文提出自注意力下时空-语义相融合的POI序列推荐模型(POI sequence recommendation model based on the integration of spatiotemporal and semantics under self-attention, SA-TDS-PRec).首先,根据用户的实际签到时间建模POI轨迹.其次,融合POI绝对位置、时空间隔以及语义相关信息.最后利用自注意力机制捕捉用户动态偏好的演化,从而提高POI推荐的准确性.在公开数据集Gowalla和Yelp上进行可扩展实验.结果表明,该模型优于目前主流的基准模型,有效提升推荐结果准确性.     

融合社交关系和局部地理因素的兴趣点推荐

兴趣点（Point-Of-Interest,POI）推荐是基于位置社交网络（Location-Based Social Network,LBSN）中一项重要的个性化服务,可以帮助用户发现其感兴趣的[POI],提高信息服务质量。针对[POI]推荐中存在的数据稀疏性问题,提出一种融合社交关系和局部地理因素的[POI]推荐算法。根据社交关系中用户间的共同签到和距离关系度量用户相似性,并基于用户的协同过滤方法构建社交影响模型。为每个用户划分一个局部活动区域,通过对区域内[POIs]间的签到相关性分析,建立局部地理因素影响模型。基于加权矩阵分解挖掘用户自身偏好,并融合社交关系和局部地理因素进行[POI]推荐。实验表明,所提出的[POI]推荐算法相比其他方法具有更高的准确率和召回率,能够有效缓解数据稀疏性问题,提高推荐质量。     

融合时空网络和自注意力的兴趣点序列推荐

针对现有的序列推荐算法仅利用长短期顺序行为和用户交互行为进行推荐,没有充分考虑用户交互行为之间的时空间隔信息对用户推荐序列更深层影响的问题,提出一种融合时空网络和自注意力的兴趣点序列推荐模型。将用户签到之间的时间和空间间隔信息融入门控循环单元网络,使用用户的历史签到序列信息获取用户的偏好,通过自注意力机制对签到地点进行建模,获得用户对于模型的权重序列,通过签到地点与候选地点的时间间隔和空间间隔匹配兴趣点,为用户推荐一个兴趣点序列。在两个数据集上的实验结果表明,提出方法在召回率上优于之前先进的方法。     

深度学习方法在兴趣点推荐中的应用研究综述

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。     

融合地点影响力的兴趣点推荐算法

为解决兴趣点（POI）推荐不准确和效率低的问题,深入分析社交因素和地理位置因素的影响,提出了一种融合地点影响力的POI推荐算法。首先,为了解决签到数据稀疏的问题,将2-度好友引入协同过滤算法中构建了社交影响模型,通过计算经历和好友相似度获取2-度好友对用户的社交影响;其次,深入考虑地理位置因素对POI推荐影响,在对社交网络分析的基础上构造了地点影响力模型,通过PageRank算法发现用户影响力,结合POI被签到次数计算地点影响力,获取准确的整体位置偏好,并使用核密度估计方法对用户签到行为建模和获取个性化地理位置特征;最后,融合社交模型和地理位置模型提高推荐准确性,并通过构造POI推荐候选集来提高推荐效率。在Gowalla和Yelp签到数据集上实验,结果表明所提算法能够快速完成POI推荐,在准确率和召回率指标上明显优于融合时间因素的位置推荐（LRT）和融合地理社交因素的个性化位置推荐（iGSLR）算法。     

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。     

融合时空信息和兴趣点重要性的POI推荐算法

针对兴趣点（POI）推荐研究中数据噪声过滤问题和不同POI的重要性问题,提出了一种融合时空信息和兴趣点重要性的POI推荐算法——RecSI。首先,根据POI的地理信息和POI之间相互吸引力过滤噪声数据,缩小候选集的范围;其次,根据用户在一天中不同的时间段对POI类别的偏好程度,结合POI的流行度计算出用户的偏好得分;然后,结合社交信息和加权PageRank算法计算POI重要性;最后,将用户的偏好得分和POI重要性线性结合,以向用户推荐TOP-K的POI。在Foursquare真实的签到数据集上的实验结果表明,RecSI算法的精确率和召回率比最优的GCSR算法分别提高了12.5%和6%,验证了RecSI算法的有效性。     

融合全局和局部特征的下一个兴趣点推荐方法

随着海量移动数据的积累,下一个兴趣点推荐已成为基于位置的社交网络中的一项重要任务.目前,主流方法倾向于从用户近期的签到序列中捕捉局部动态偏好,但忽略了历史移动数据蕴含的全局静态信息,从而阻碍了对用户偏好的进一步挖掘,影响了推荐的准确性.为此,提出一种基于全局和局部特征融合的下一个兴趣点推荐方法.该方法利用签到序列中的顺序依赖和全局静态信息中用户与兴趣点之间、连续签到之间隐藏的关联关系建模用户移动行为.首先,引入两类全局静态信息,即User-POI关联路径和POI-POI关联路径,学习用户的全局静态偏好和连续签到之间的全局依赖关系.具体地,利用交互数据以及地理信息构建异构信息网络,设计关联关系表示学习方法,利用相关度引导的路径采样策略以及层级注意力机制获取全局静态特征.然后,基于两类全局静态特征更新签到序列中的兴趣点表示,并采用位置与时间间隔感知的自注意力机制来捕捉用户签到序列中签到之间的局部顺序依赖,进而评估用户访问兴趣点概率,实现下一个兴趣点推荐.最后,在两个真实数据集上进行了实验比较与分析,验证了所提方法能够有效提升下一个兴趣点推荐的准确性.此外,案例分析表明,建模显式路径有助于提...     

一种结合矩阵分解和深度学习技术的POI推荐模型

基于位置社交网络(Location-based social network, LBSN)的兴趣点(Point-of-Interest,POI)推荐算法是近年来的研究热点,有效的POI推荐具有极大的经济和社会效益。针对LBSN中的数据稀疏问题、用户细粒度兴趣(即用户的长期和短期兴趣)序列建模问题和联合多种影响因素的POI推荐问题,研究一种结合矩阵分解和带有注意力机制深度学习技术的POI推荐模型(CF-ADNN)。一方面,构造特征矩阵缓解签到数据稀疏问题,通过矩阵分解得到隐藏因子,计算POI的特征向量;另一方面,构建一种带注意力机制的用户细粒度兴趣的序列建模方式,有效学习用户长期和短期的兴趣特征,提高POI推荐精确度;结合上述两种方法,最终得到可以融合多种影响因素的POI推荐模型。并通过对比试验,进一步验证模型的推荐效果。     

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...     

融合时空感知GRU和注意力的下一个地点推荐

针对循环神经网络（RNN）的门控循环单元（GRU）在进行地点推荐时没有考虑地点的时间和空间信息的影响,提出了融合时空感知的GRU模型。另外,对于签到序列中不相关的签到数据会产生噪声的问题,提出了融合时空感知的GRU和注意力的下一个地点推荐模型（ST-GRU+Attention）。首先,通过计算两个地点之间时间间隙和距离间隙,在GRU模型的基础上增加时间门和空间门,设置权重矩阵,控制时间信息和空间信息对推荐下一个地点的影响;然后,引入注意力机制,通过计算用户偏好的注意力权重得分,得到用户的注意力权重系数,获取用户的个性化偏好;最后,通过贝叶斯个性化排序（BPR）算法构造目标函数并学习模型参数。实验结果表明,与个性化马尔可夫链和用户位置受限的推荐方法（FPMC-LR）、基于个性化排名度量嵌入的推荐方法（PRME）和融合时间和空间的循环神经网络（ST-RNN）的推荐方法相比,ST-GRU+Attention的准确度有了较大的提高,其准确率（Precision）和召回率（Recall）两项指标比较优的ST-RNN算法分别提高了15.4%和17.1%。ST-GRU+Attention推荐方法可以有效地改善地点推荐的结果。     

用户偏好与时间序列的兴趣点推荐模型

传统的兴趣点推荐通常忽略了用户签到行为中序列模式的重要性,且无法有效地捕捉用户复杂且动态变化的兴趣偏好.由此,本文提出了一种用户偏好和时间序列的兴趣点推荐模型(User Preference&Time Sequence based POI Recommenda-tion,UPTS-PRec).该模型能够分别对短期偏好和...     

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...     

融合时空信息和兴趣点重要性的POI推荐算法

针对兴趣点（POI）推荐研究中数据噪声过滤问题和不同POI的重要性问题，提出了一种融合时空信息和兴趣点重要性的POI推荐算法——RecSI。首先，根据POI的地理信息和POI之间相互吸引力过滤噪声数据，缩小候选集的范围；其次，根据用户在一天中不同的时间段对POI类别的偏好程度，结合POI的流行度计算出用户的偏好得分；然后，结合社交信息和加权PageRank算法计算POI重要性；最后，将用户的偏好得分和POI重要性线性结合，以向用户推荐TOP-K的POI。在Foursquare真实的签到数据集上的实验结果表明，RecSI算法的精确率和召回率比最优的GCSR算法分别提高了12.5%和6%，验证了RecSI算法的有效性。     

融合时间序列的POI动态推荐算法

兴趣点(POI)的签到数据体现了用户的偏好和兴趣点的分布特征,这在兴趣点推荐领域有极为重要的价值.为了缓解数据稀疏造成的推荐不准确等问题,本文提出了融合时间序列的POI动态推荐算法,结合用户与用户之间的关系、兴趣点位置以及流行度信息等.首先划分时间序列,得到时间因子的相似度;其次时间序列融入到基于用户的协同过滤算法,再根据时间的连续性特征得到基于用户的预测评分,然后将地理影响因子与基于时间的流行度信息结合,预测用户的评分,进而与基于用户的评分加权融合;最后,在Gowalla数据集上进行实验,结果表明,本文提出的融合时间序列的POI动态推荐算法能够有效减小推荐误差,提高推荐精度与召回率.     

面向个性化课程推荐的分层分期注意力网络模型

随着大规模在线开放课程（MOOC）平台的广泛使用，需要一种有效的方法为用户推荐个性化课程。针对现有的课程推荐方法通常利用课程学习记录为用户的学习兴趣建立整体的静态表示，但忽略了学习兴趣动态变化与用户短期学习兴趣的问题，提出一种分层分期的注意力网络（HPAN）进行个性化课程推荐。该网络的第1层利用注意力网络得到用户的长短期学习兴趣，第2层将用户的长短期学习兴趣和短期交互序列相结合并通过注意力网络得到用户的兴趣向量；然后计算用户兴趣向量与每个课程向量的偏好值，据此为用户进行课程推荐。在XuetangX（学堂在线）公开数据集上的实验结果表明，与次优的序列分层注意力网络（SHAN）模型相比，HPAN模型的Recall@5提高了12.7%，与FPMC(Factorizing Personalized Markov Chains)模型相比，它的MRR@20提高了15.6%。HPAN模型的推荐效果优于对比模型，可解决实际的个性化课程推荐。     

融入时间的兴趣点协同推荐算法

兴趣点（POI）推荐可以帮助用户发现其没有访问过但可能感兴趣的地点,是重要的基于位置的服务之一。时间在POI推荐中是一个重要因素,而现有POI推荐模型并没有较好地考虑时间因素,因此通过考虑时间因素来提出融入时间的POI协同推荐（TUCF）算法,从而提高POI推荐的效果。首先,分析基于位置的社交网络（LBSN）的用户签到数据,以探索用户签到的时间关系;然后,利用时间关系对用户签到数据进行平滑处理,以融入时间因素并缓解数据稀疏性;最后,根据基于用户的协同过滤方法,在不同时间推荐不同POI给用户。在真实签到数据集上的实验结果表明,与基于用户的协同过滤（U）算法相比,TUCF算法的精确率和召回率分别提高了63%和69%;与具有平滑增强时间偏好的协同过滤（UTE）算法相比,TUCF算法的精确率和召回率分别提高了8%和12%;并且TUCF算法的平均绝对误差（MAE）比U算法和UTE算法分别减小了1.4%和0.5%。     

基于动态和静态偏好的兴趣点推荐算法

针对大多数现有主流兴趣点(POI)推荐算法忽略了融合用户复杂动态偏好和一般静态偏好建模的复杂性问题,提出一个融合复杂动态用户偏好和一般静态用户偏好的POI推荐算法CLSR.首先,在复杂动态偏好建模过程中,基于用户的签到行为及其中的跳过行为设计一个混合神经网络,实现用户的复杂动态兴趣的建模;其次,在一般静态偏好建模过程中...     

一种结合专家信任的POI推荐算法

针对目前的POI(point-of-interest)推荐算法未能很好地处理签到数据稀疏的用户的推荐问题,提出一种结合专家信任的POI推荐算法。根据用户签到信息,选取一定时空范围内的用户签到数据,结合签到次数和签到范围的影响来选取专家用户并进行推荐,同时使用核函数来对推荐结果进行优化,得到最终的Top-N推荐列表。实验结果表明,该算法在召回率和准确率上都有所提高。     

一种基于用户网络签到行为的地点推荐方法

基于位置的地点推荐服务日益强调用户的个性化需求。对此,可通过社交网站上用户与其好友之间、用户与签到地点以及地点与地点之间的关联,来从用户的网络签到行为中总结出用户的出行特点,从而提出一种基于用户网络签到行为的个性化地点推荐方法。该方法通过融合用户对地点的个人偏好程度、地点自身属性对用户的影响程度以及用户好友对地点的推荐程度,来筛选出候选地点中满足用户个性化需求的地点。实验结果验证了该方法在一定场景下的可行性和有效性。