| 基于多维上下文感知图嵌入模型的兴趣点推荐 |
| |
| 引用本文： | 陈劲松,孟祥武,纪威宇,张玉洁.基于多维上下文感知图嵌入模型的兴趣点推荐[J].软件学报,2020,31(12):3700-3715. |
| |
| 作者姓名： | 陈劲松 孟祥武 纪威宇 张玉洁 |
| |
| 作者单位： | 智能通信软件与多媒体北京市重点实验室(北京邮电大学),北京100876;北京邮电大学计算机学院,北京100876;智能通信软件与多媒体北京市重点实验室(北京邮电大学),北京100876;北京邮电大学计算机学院,北京100876;智能通信软件与多媒体北京市重点实验室(北京邮电大学),北京100876;北京邮电大学计算机学院,北京100876;智能通信软件与多媒体北京市重点实验室(北京邮电大学),北京100876;北京邮电大学计算机学院,北京100876 |
| |
| 基金项目： | 北京市教育委员会共建项目 |
| |
| 摘 要： | 近些年来，兴趣点推荐系统已经逐渐成为移动推荐系统领域的研究热点之一.多种因素联合建模的方法逐渐深入，如时间、空间、序列、社会化和语义信息被引入统一模型，以建模多维情景下的用户偏好.其中，嵌入学习模型作为一种有效的多因素联合建模方法，在移动推荐领域有较好的性能.然而，多数嵌入学习的模型只是简单地将显式因素，如时间戳、项目、区域、序列等嵌入到相同的空间，由于缺乏对用户和项目的语义特征的深层次挖掘，在用户签到极端稀疏时，难以精准获取用户偏好.鉴于此，提出一种多维上下文感知的图嵌入模型——MCAGE.在MCAGE中，利用主题模型提取用户和项目间的潜在语义特征，并重新定义了一系列图的节点及关联规则，设计了更有效的用户偏好公式，以此提升刻画移动用户偏好的精准度.最后，通过在真实数据集上的实验分析，证明了该模型具有更好的推荐性能.
|
| 关 键 词： | 移动推荐 语义特征 嵌入学习模型 主题模型 |
| 收稿时间： | 2018/7/20 0:00:00 |
| 修稿时间： | 2018/12/24 0:00:00 |
POI Recommendation Based on Multidimensional Context-aware Graph Embedding Model |
| |
| CHEN Jin-Song,MENG Xiang-Wu,JI Wei-Yu,ZHANG Yu-Jie.POI Recommendation Based on Multidimensional Context-aware Graph Embedding Model[J].Journal of Software,2020,31(12):3700-3715. |
| |
| Authors: | CHEN Jin-Song MENG Xiang-Wu JI Wei-Yu ZHANG Yu-Jie |
| |
| Affiliation: | Beijing Key Laboratory of Intelligent Telecommunications Software and Multimedia(Beijing University of Posts and Telecommunications), Beijing 100876, China;School of Computer Science, Beijing University of Posts and Telecommunications, Beijing 100876, China |
| |
| Abstract: | |
| |
| Keywords: | mobile recommendation semantic feature embedding learning model topic model |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《软件学报》浏览原始摘要信息 |
|
点击此处可从《软件学报》下载全文 |
|
