一种预填补社团聚类的兴趣点推荐算法

基于位置的社交网络(LBSN)中的数据信息往往会存在数据稀疏,甚至部分信息缺失的情况,导致推荐的准确性不高.兴趣点推荐系统中蕴含着丰富的多源异构数据,如好友关系数据、地理位置数据以及用户对兴趣点的评分等,使用这些数据可以有效提升兴趣点推荐算法的准确率.本文提出一种预填补社团聚类的兴趣点推荐算法.通过社团聚类算法来分别对签到评分数据以及好友关系数据建模得到用户对兴趣点的个人兴趣和社交兴趣,并添加距离影响因素.从而建立了SoGS模型来进行兴趣点推荐.并且提出一种基于相容类的预填补算法来缓解原始用户-兴趣点评分矩阵的稀疏性问题,融合SoGS模型进行对比实验.实验采用Yelp数据集,结果表明,SoGS模型能有效提高兴趣点推荐系统的准确率和召回率.