时空邻域感知的时序兴趣点推荐

如何捕捉用户行为的动态变化和依赖关系是当前兴趣点推荐的一个重要问题,主要面临着数据稀疏、时空序列特征提取难以及用户个性化差异不易捕捉等挑战。为了解决这些挑战,提出了一种基于时空邻域感知及隐含状态变化的时序兴趣点推荐方法。该方法将用户行为的学习转换成了潜在状态的学习,并以一种结合距离信息的方式引入空间信息,有效地捕捉了用户的移动特征。首先,利用变分自编码器表征用户的潜在状态,再通过图神经网络学习到潜在状态之间的依赖关系,从而捕捉到用户行为的时序依赖;然后,利用注意力机制和径向基函数来捕捉用户与地点候选集之间的空间依赖,进而评估用户访问每个地点的概率,实现兴趣点推荐。在三个真实数据集上进行了实验比较和分析,显示了该方法相比于现有的基准算法具有更好的时序推荐性能。

基于GT模型的多编码下一个兴趣点推荐模型

下一个兴趣点推荐是推荐算法领域的热点,旨在为用户推荐适合的下一地点。较新的研究通过图和序列方法模拟用户与POI的交互以及POI之间转换关系,性能得到显著提升。然而,现有模型仍然存在需要解决的问题。针对现有的下一个兴趣点推荐模型的局限性,特别是如何充分捕捉User-POI交互图上全局和局部信息,以及缓解图神经网络的过平滑特性导致图上信息丢失的问题,提出了基于graph Transformer的多编码模型(multi-coding network based on GT model)对下一个兴趣点进行推荐。首先,从位置和结构的视角上联合对user-POI交互图上进行全局、局部以及相对信息进行编码;然后,将编码后生成的图嵌入通过graph Transformer网络层更新图上节点与边信息;最后通过MLP网络层生成预测;最终,MCGT在Gowalla和TKY两个公开数据集进行对比实验。结果表明,在Gowalla数据集上recall和NDCG指标至少有3.79%的提升,在TKY数据集上recall和NDCG指标至少有2.5%的提升,证明了MCGT设计的合理性与有效性。

融合时序门控图神经网络的兴趣点推荐方法

现有的大多数兴趣点(point of interest,POI)推荐系统由于忽略了用户签到序列中的顺序行为模式,以及用户的个性化偏好对于POI推荐的影响,导致POI推荐系统性能较低,推荐结果不可靠,进而影响用户体验。为了解决上述问题,提出一种融合时序门控图神经网络的兴趣点推荐方法。运用时序门控图神经网络(temporal gated graph neural network,TGGNN)学习POI embedding;采用注意力机制捕获用户的长期偏好;通过注意力机制融合用户的最新偏好和实时偏好,进而捕获用户的短期偏好。通过自适应的方式结合用户的长期和短期偏好,计算候选POI的推荐得分,并根据得分为用户进行POI推荐。实验结果表明,与现有方法相比,该方法在召回率和平均倒数排名这两项指标上均有较为明显的提升,因此可以取得很好的推荐效果,具有良好的应用前景。

融合全局特征的时空网络兴趣点推荐算法

随着基于位置社交网络的迅速发展,兴趣点序列推荐逐渐成为近年来研究热点之一。针对现有推荐方法忽略签到数据中的全局信息,未充分考虑序列签到数据之间的时空间隔问题,提出一种融合全局特征的时空网络兴趣点推荐算法。该方法利用关系图神经网络获取签到数据异构网络图的全局特征,将时空门控融入传统门控结构中,融合全局特征对用户移动行为进行建模,再引入自注意力机制学习用户偏好向量表示。在两个真实数据集上进行实验比较与分析,实验结果表明所提方法推荐性能优于同类算法,验证了算法的有效性。

基于长短期偏好注意力网络的兴趣点推荐

兴趣点(Point-Of-Interest,POI)推荐是基于位置的社交网络(Location-based Social Networks,LBSNs)研究中最重要的任务之一。为了解决POI推荐中的空间稀疏性问题,提出一种用于位置推荐的长短期偏好时空注意力网络(LSAN)。首先,构建了签到序列的时空关系矩阵,使用多头注意力机制从中提取非连续签到和非相邻位置中的时空相关性,缓解签到数据稀疏所带来的困难。其次,在模型中设置用户短期偏好和长期偏好提取模块,自适应的将二者结合在一起,考虑了用户偏好对用户决策影响。最后,在Foursquare数据集上进行测试,并与其它模型结果进行对比,证实了提出的LSAN模型结果最优。研究表明LSAN模型能够获得最佳的推荐效果,为POI推荐提供新思路。

基于在线评论信息的商业兴趣点推荐

在信息爆炸式增长的背景下,在线评论信息为消费者选择商业兴趣点决策提供了重要依据。依据数量庞大的在线评论信息,考虑消费者的主观风险偏好行为,对具有时空特征的商业兴趣点构建推荐模型,并利用Yelp平台上的真实数据集和Python软件对上述模型进行实验分析。

融合用户活跃度的上下文感知兴趣点推荐算法

为了提高兴趣点(point of interest,POI)推荐的准确性和个性化,提升用户对推荐结果的满意度,针对不同活跃度用户的特点,提出一种融合用户活跃度的上下文感知兴趣点推荐算法(A POI recommendation algorithm that integrates geographical,categorical,and temporal factors,while simultaneously considering user activity),简称AU-GCTRS。首先,为缓解数据稀疏性和冷启动问题,引入多维上下文信息;其次,通过挖掘用户签到频率、签到兴趣点数量和签到时间,将用户划分为不同活跃度的群体;最后,综合用户活跃度与上下文分数,将得分高的前K个兴趣点推荐给用户。在真实数据集上进行实验表明,AU-GCTRS算法比其他流行算法更有效地缓解了数据稀疏性和冷启动问题,提高了推荐准确率和召回率。

基于时空轨迹相似性的兴趣点推荐算法

针对现有兴趣点推荐中忽略用户轨迹间存在的依赖关系,未充分考虑轨迹间的时空间隔问题,该文提出一种基于时空轨迹相似性的兴趣点推荐算法G-IPRTS.该方法首先对轨迹预处理,将其转化为有意义的停留点轨迹.其次在停留点轨迹相似性处理中利用Geohash编码,以及时间维过滤提高轨迹相似性的精度和速度.同时在兴趣点推荐中引用熵权法构建兴趣点全局属性融合得分机制,与用户局部动态轨迹偏好相结合,进行Top-K兴趣点推荐.最后在两个真实数据集上进行实验比较与分析,实验结果表明该方法能够更好地提高轨迹相似性的处理,提升兴趣点推荐的性能.

基于兴趣点大数据的兰州新区城市多中心空间结构演变

基于2012-2020年兰州新区兴趣点数据,利用核密度分析和探索性空间数据分析等方法,根据多年整体及不同类型兴趣点数据的空间分布特征和聚集程度,分析城市多中心空间结构的演变过程和特征.结果表明,兰州新区呈现出明显的“多中心、组团式”的空间结构,公共服务、生活服务和商务类中心发展较快,休闲和居住类中心发展较慢;兰州新区“多中心、组团式”空间结构的形成表现出依托起步核心,通过路网等基础设施构建,串联起“高-低”和“高-高”聚集增长核同步发展的特征;兰州新区城市多中心空间结构演变的驱动力主要包括约束力、引导力、推动力、支撑力,多因素共同作用于城市,在助力城市发展的同时,造成不同中心发展的时空差异.

基于多因素解纠缠的用户—兴趣点联合预测

用户—兴趣点预测问题基于在线用户的历史签入记录来判断用户是否会签入特定兴趣点,但用户—兴趣点数据存在长尾分布现象。针对该数据稀疏性问题,一些研究人员将地理效应和地理序列效应通过自监督学习进行解纠缠表示,以提升兴趣点预测任务的可解释性和准确性。文章引入语义序列效应,提出一种改进的解纠缠图嵌入模型,该模型利用兴趣点在地理空间和语义空间的成对约束,基于地理坐标空间和语义类别空间中影响因素的特征表达、特征修正、特征解耦合和多层感知机融合,在地理层面上结合语义层面更好地预测用户对兴趣点的访问情况。实验结果表明,该方法在签入稀疏的数据集上依然能够取得良好的预测效果。

基于标签传播的轨迹兴趣点挖掘及隐私保护

随着全球定位系统和移动数据采集设备的普及,产生了大量的轨迹数据,挖掘轨迹数据中潜在信息具有重要的现实意义,但在挖掘过程中存在着隐私信息泄露的危险。因此,本文提出一种基于标签传播的轨迹兴趣点挖掘及数据隐私保护机制,该机制将原始轨迹数据集进行预处理之后,进行基于密度的初次聚类,再运用改进的标签传播算法进行再次聚类,此算法在挖掘过程融入轨迹数据的多维度信息,提高了数据的利用率和兴趣点的精确度。同时,该机制融入一种基于改进的指数机制的差分隐私保护算法,此算法可以有效地保护用户的隐私信息不被泄露。对比实验结果表明,本文提出的方法与现有方法相比,具有更好的性能优势,同时有效地解决了用户隐私信息泄露的问题。

结合兴趣点类别周期属性和用户短期偏好特征的推荐模型

随着基于位置的社交网络在日常生活中的广泛应用,有效提取用户的隐藏兴趣和行为序列模式并向用户提供满足其个性化需求的下一个兴趣点推荐服务成为推荐领域的热点问题之一.针对下一个兴趣点推荐中的用户偏好挖掘问题,提出基于用户兴趣点类别周期性偏好和短期兴趣相结合的兴趣点推荐模型(Combining Periodic and Spatio-Temporal Intervals'Network,CPSTIN).该模型将用户的签到记录按小时时段模式嵌入时间窗口并使用多头自注意力机制提取用户结合用户兴趣点类别的周期性偏好;同时,将非连续时空间隔信息送入可学习矩阵,使用线性插值法提取用户基于高阶关联性的短期兴趣.最后,在两个真实数据集上验证了该模型的有效性,证明其能有效地利用用户高阶关联性短期兴趣和结合兴趣点类别的周期偏好,更准确地预测用户最有可能访问的下一个兴趣点.

融合时空-社交-顺序影响的多维兴趣点推荐

现有的兴趣点推荐方法忽略了不同上下文因素之间的内在联系,导致上下文因素未能得到充分利用,为此提出一种融合时空-社交-顺序影响的多维兴趣点推荐算法。根据用户的时间状态和活动轨迹刻画用户的活动区域,探索用户的时间偏好程度和活动轨迹相似度;利用高斯分布模型评估用户的地理偏好程度,使用马尔科夫链算法预测用户访问下一个兴趣点的概率。实验结果表明,该算法优于其它算法。

异质图嵌入的地理不敏感时空兴趣点推荐方法

基于地理位置的社交网络(LBSN)规模日渐庞大,促进了兴趣点(POI)推荐业务快速发展。现有研究常直接引入POI地理空间距离难以模拟用户高度随机的行为路径,导致兴趣点推荐过程对地点位置距离度量较为敏感。同时,社交网络中用户稀疏的POI签到数据也容易对推荐精度产生巨大影响。针对以上问题,提出一种基于异质图嵌入的地理不敏感时空兴趣点推荐模型(GIPR)。首先,引入用户行为序列,构造行为POI时空拓扑图,使用权重空间路径表示相对位置距离,既符合用户行为特征,也降低了推荐过程对兴趣点间距离的敏感程度,进而增强推荐结果的可解释性。其次,面对异质且高度稀疏的交互数据,提出的GIPR推荐方法可从局部和全局对完整的LBSN异质图进行学习,融合更丰富的用户和POI特征。最后,经过注意力层提取用户的长短期偏好,实现更加个性化的兴趣点推荐。在两个大规模真实数据集Foursquare和Gowalla上的实验表明,GIPR方法具有更高的推荐精度与更强的可解释性。

多条件约束下的多级电子地图兴趣点抽稀方法

兴趣点具有数量多、密度大的特点,制作电子地图时通常需要抽稀,避免兴趣点标注出现压盖问题。“天地图·福建”电子地图的兴趣点标注需要满足多个条件的约束,常规的兴趣点抽稀方法无法满足。本文提出多条件约束的多级电子地图兴趣点抽稀方法,并对15—18级电子地图的兴趣点进行抽稀试验,抽稀后的兴趣点分布合理,标注不会出现压盖,能够满足“天地图·福建”电子地图兴趣点抽稀的要求。

基于用户轨迹和好友关系的兴趣点推荐

连续兴趣点(POI)推荐是基于地理位置社交网络(LBSN)的重要应用之一,已有研究提出采用兴趣点信息和时空信息进行推荐的方法,但没有充分地利用相关辅助信息,因此无法解决用户短轨迹签到导致的信息不足问题。针对这些问题,提出一种整合好友关系和自注意力的兴趣点推荐模型ATFR。该预测模型包含3个部分:首先,通过图嵌入的方法得到好友关系的向量表示并利用GRU得到用户兴趣偏好向量;其次,利用自注意力机制对用户签到序列的顺序影响和社交影响建模,有选择地关注签入序列中相关的历史签入记录;最后,根据兴趣点排序列表进行未来兴趣点推荐。在2个真实数据集上的实验结果表明ATFR模型有更好的表现,可以用来提高网站应用和个性化兴趣点推荐服务的质量。

基于开放街道地图和兴趣点的上海城市功能区识别与分析

城市功能区的空间分布与特征是对超大型城市的科学规划管理的重要参考。本文以上海全市范围为研究区,获取了上海市开放街道地图路网和水体数据与兴趣点数据,划分最小功能单元,采用核密度估算等方法,识别分析上海市城市功能区空间分布和特征。结果表明:上海市各类型用地整体呈“一核多心”分布特征,可分为29类城市功能区,主要为综合功能用地区和混合功能用地区;识别结果与实际情况相符合,可以为上海的城市规划与管理提供参考。

基于因子分析的兴趣点城市建成环境评价模型

城市建成环境对于人们的生活具有较大影响,但城市建成环境构成的因素比较复杂,量化评价方法是城市规划人员研究的重点。文章以广东省为例,以各市区为分析单位,利用兴趣点(POI)数据,基于因子分析法提出一种城市建成环境量化评价方法。该方法通过建成环境、交通两个公共因子描述城市建成环境,为城市建成环境提供了一个评价模型,可以为未来的城市构建提供参考。

基于街景影像和兴趣点的梅州城市空间功能混合度研究

面对当前城市街区空间功能混合度评估指标主要集中于土地利用多样性,并局限于二维地表空间,较少从立体角度出发去综合评估功能混合度的问题。本研究从三维视角出发,通过街景影像和城市兴趣点(POI)获取城市立体空间内的空间功能类型和分布情况,并结合建筑三维数据精确测算空间功能多样性、可达性和兼容性,从不同尺度对城市功能混合度进行测度和空间特征分析。研究结果表明:①基于街景影像和兴趣点数据构建了城市立体空间功能混合度指标(CMI-3D),这是对传统混合度计算指标的三维空间立体延伸和具象化;②空间混合度数值分布整体呈现“东高西低、南高北低”分布特征,总体均值为1.458,极大值区间(2.951,4]的建筑物占比为10.16%;③研究区城市空间功能混合度的分布与传统城市功能规划布局存在局部差异,主要集中在商业高层和混合商业体,对以商业体为代表的高层建筑功能混合情况分析提供了新思路。本文研究方法在城市功能布局规划上具有一定参考价值。

基于极限学习机的兴趣点推荐模型

随着移动社交平台的发展,基于位置的社交网络服务(Location-Based Social Network,LBSN)已进入人们的视野。在LBSN中,根据用户的签到数据进行兴趣点(Point-of-Interest,POI)推荐是近年来研究的热点问题。提出一种基于极限学习机(Extreme Learning Machine,ELM)的POI推荐算法,提取用户的个人偏好、朋友偏好、类型偏好、流行度偏好等特征,利用ELM提供的分类方法,使用上述特征向量集合训练ELM分类器,最终根据分类结果向用户推荐POI。本文使用Foursquare和Twitter数据集的实验结果表明,该方法在精确率和效率方面均有所提高。