基于频繁序列挖掘的后续行程序列推荐

个性化旅游发展迅速,已有方法主要集中在单个旅游产品推荐上,而旅游行程存在明显的序列性,并受到当前已有行程轨迹影响。因此,提出一种旅行中后续行程序列的推荐方法 SeqRem,基于所有用户的行程序列挖掘频繁序列模式,并以此为依据利用最大点权独立集方法对用户的历史行程序列进行分割,以发现最优序列推荐内容。实验证明,SeqRem在单点推荐和序列推荐准确率与召回率均具有较好效果。

基于地理信息偏好修正和社交关系偏好隐式分析的POI推荐

【目的】利用用户签到记录的地理位置信息和用户社交关系开展对兴趣点(POI)推荐问题的研究。【方法】基于签到地理位置所隐含的用户偏好及用户社交关系的偏好特征两方面提高兴趣点推荐质量,提出一种推荐模型MFDR,对已有工作进行如下改进:采用距离熵描述不同签到地理位置所反映的用户偏好并用于修正用户兴趣矩阵;引入用户关系兴趣矩阵用于细化社交关系的兴趣偏好,基于正则矩阵分解法求解用户兴趣矩阵和用户关系兴趣矩阵,并采用联合分解方式保障结果的一致性。【结果】在Gowalla和Brightkite签到数据集上进行实验,结果优于已有的POI推荐工作。当隐语义数为10、推荐数为10时,该模型在Gowalla上推荐的准确率为4.47%,召回率为9.95%,分别比其他兴趣点推荐模型高至少30.71%和28.93%。【局限】受朋友关系及其共同签到数据的稀疏性影响,实验样本数量有待扩充,所得结论有待进一步推广。【结论】基于地理信息偏好修正和社交关系隐式分析的POI推荐方法具有较好的推荐效果。