融合时空信息个性化旅游兴趣点推荐算法

针对个性化旅游兴趣点推荐算法中存在的问题,如忽视序列图中节点间的时空信息及未能充分利用空间相关性,本文提出了一种融合时空信息个性化旅游兴趣点推荐算法。运用自注意力机制获取用户的动态信息,将其作为图神经网络中用户和兴趣点的时空特征,并参与领域信息的聚合。实验表明,该算法具有可行性,能够有效提升推荐性能。

融合地理信息的兴趣点推荐

智能移动终端在大学校园内的迅速普及,使得校园无线局域网被广泛部署于图书馆、食堂、教学楼、宿舍等区域,推进了信息化校园的建设,为师生的校园生活提供了极大的便利,与此同时大学校园积累了大量基于位置的社交网络(LBSNs, Location-Based Social Networks)数据,如何利用LBSNs进行学生兴趣点(POI, Point-of-Interest)推荐已经成为一个研究热点。校园地理信息的高可用性为提高个性化兴趣点推荐的性能提供了机会,提高POI推荐性能,应解决两个主要挑战:首先,如何利用地理信息来获取用户个人信息、地理坐标和位置流行度等信息;然后如何将地理信息纳入推荐算法中。本文使用一种基于校园地理信息的Logistic矩阵分解(CGLMF, Campus Geographic Information based Logistic Matrix Factorization) POI推荐算法,该算法利用学生个人信息和校园地理信息,通过考虑学生的主要活动区域和该区域每个POI的相关性,提出一种有效的地理信息模型,然后将地理信息模型融合到Logistic矩阵分解中以此提高POI推荐性能,在校园真实学生Wi-Fi签到数据集上进行实验,结果表明该方法优于其他POI推荐方法。