基于MogrifierLSTM的POI推荐算法研究

针对兴趣点推荐研究中忽略用户未来规划对下一POI的影响以及用户当前序列上下文信息学习不充分的问题,提出了一种基于MogrifierLSTM和未来信息的POI推荐算法——MOGREC。首先,根据用户签到行为的周期性学习用户历史行为偏好;其次,使用LSTM的变体MogrifierLSTM来对当前用户签到序列进行上下文学习;然后,利用注意力机制设计用户多步骤未来信息提取器;最后结合用户当前行为序列以及提取的多步骤未来信息来向用户推荐下一个POI。在Foursquare真实的签到数据集上的实验结果表明,MOGREC算法在长序列数据集SIN上的召回率和NDCG值比最优的CFPRec分别提高了16.17%和18.18%,验证了MOGREC算法的有效性。

基于混合图神经网络的个性化POI推荐方法研究

随着基于位置的社交网络的快速发展,POI(Point of Interest)推荐已成为推荐领域的研究热点,然而已有的工作未能充分挖掘用户的POI交互偏好以及POI转移偏好,影响了POI推荐效果.提出一种基于混合图神经网络的个性化POI推荐方法.首先构建用户社交网络图,利用图注意力网络(Graph Attention Networks,GAT)学习含有社交关系的用户特征;其次,构建用户与POI的标号交互二部图,基于标号二部图神经网络(Signed Bipartite Graph Neural Networks,SBGNN)学习含有用户POI交互偏好的用户特征与POI特征;构建POI有向转移图,基于会话图神经网络(SessionBased Recommendation with Graph Neural Networks,SRGNN)学习含有用户POI转移偏好的POI特征;之后,融合含有社交关系的用户特征与含有POI交互偏好信息的用户特征得到最终的用户特征表示,融合含有用户POI交互偏好的POI特征与含有用户POI转移偏好的POI特征,得到最终的POI特征表示;最后,将用户特征表示与POI特征表示做乘积操作,通过Sigmoid函数得到用户对每个POI的预测评分,并以此向用户推荐Top-K POI序列.基于三个公共数据集(Gowalla,Foursquare和Yelp)开展了大量的实验,结果表明,与七种基线模型的推荐效果相比,提出的方法的准确率和召回率分别平均提升19.95%和1.35%.

LBSN中利用深度学习的POI推荐方法

提出一种基于位置的社交网络(LBSN)中利用深度学习的POI推荐方法。设计LBSN异构图,即UP2Vec模型,整合地理签到信息、用户社会关系和时间信息等语境。提出偏好增强谱聚类(PSC)算法,通过分析用户的各种语境信息获得多个维度的数据空间特征,使用谱聚类划分用户群体。利用谱嵌入增强的神经网络深度挖掘用户与POI之间的非线性关联,实现POI的高质量推荐。实验结果表明,所提方法性能优于对比方法,推荐准确率超过90%。

一种结合矩阵分解和深度学习技术的POI推荐模型

基于位置社交网络(LBSN)的兴趣点(POI)推荐算法是近年来的研究热点,有效的POI推荐具有极大的经济和社会效益;针对LBSN中的数据稀疏问题、用户细粒度兴趣(即用户的长期和短期兴趣)序列建模问题和联合多种影响因素的POI推荐问题,研究一种结合矩阵分解和带有注意力机制深度学习技术的POI推荐模型(CF-ADNN);一方面,构造特征矩阵缓解签到数据稀疏问题,通过矩阵分解得到隐藏因子,计算POI的特征向量;另一方面,构建一种带注意力机制的用户细粒度兴趣的序列建模方式,有效学习用户长期和短期的兴趣特征,提高POI推荐精确度;结合上述两种方法,最终得到可以融合多种影响因素的POI推荐模型;并通过对比试验,进一步验证模型的推荐效果。

LBSN中利用深度学习的POI推荐方法

提出一种基于位置的社交网络中利用深度学习的POI推荐方法。建立一个地理时空注意力网络,以发现总体序列依赖性和微妙的POI-POI关系;将签到序列中连续的地理距离和时间间隔信息加入到地理时空注意力网络中,建立用户个性化移动行为和挖掘用户个性化时空偏好;设计特定于上下文的共同注意力网络,通过从签到历史中自适应选择相关签到活动来学习更改用户偏好,使地理-时空门控循环单元网络(geographical-spatiotemporal gated recurrent unit network,GS-GRUN)能够区分不同签到的用户偏好程度。在Foursquare和Gowalla数据集上的实验结果表明,所提算法能够显著提升POI推荐方法的推荐匹配度。

一种基于图注意力聚合的POI推荐新方法

在基于位置社交网络(Location-based Social Network,LBSNs)的服务中,有效的兴趣点(Point-of-Interest,POI)推荐具有极大的经济和社会效用,但如何深入理解LBSN中的位置、结构和行为等相关信息,并进行推理以及实现POI推荐仍然是一项挑战性任务。针对LBSNs中的多种异构数据,提出了一种能够挖掘用户社交和POI多种特征信息的用于POI推荐的图神经网络模型——POIR-GAT。首先POIR-GAT利用社交关系构建用户-用户图,并结合用户-POI交互图共同抽取用户特征向量;其次,基于POI的不同地理特征构造不同的特征矩阵,并通过矩阵分解获得不同的潜在因子,将这些潜在因子融入POI的特征向量,以学习它们对用户行为的共同影响,并用于实现融合社交因素和POI特征的推荐模型。通过在2个公开数据集上进行的实验,验证了所提POIR-GAT模型可以有效融合用户社交信息和POI特征信息,提高POI推荐质量。

基于位置社交网络的POI推荐影响因素分析与研究

近年来,随着定位技术的成熟,基于位置的社交网络(Location-Based Social Networks,LBSN)应运而生。LBSN的出现使得传统的社交网络更加接近现实。位置网络所包含的位置信息是相当重要的,综合分析位置信息可以识别用户的行为偏好,为用户推荐可能感兴趣的位置,即POI推荐,也是目前LBSN的热门研究方向。由于涉及隐私问题,用户的历史位置数据存在高度稀疏性。因此,如何提升POI的推荐质量也是LBSN服务所面临的挑战。本文考虑融合地理位置因素、社交关系、时间因素、空间因素、热门地区等,针对POI推荐所面临的冷启动以及推荐精度等问题进行分析与研究,对该领域在未来提升POI推荐质量提供参考。

面向数据匮乏城市的下一个POI推荐方法

位置社交网络(LBSN)用户位置数据的分布不均衡,及某些用户出于对隐私安全的考量刻意隐藏自己部分位置信息等因素加剧了兴趣点(POI)推荐难度。就此本文提出了基于元学习的时空神经常微分方程(ML-ODE)来进行有效的下一个POI推荐。该模型主要是将元学习的思想融入到POI推荐过程中,通过不同任务训练优化初始参数,将数据丰富城市中的泛化移动模式迁移到数据匮乏城市,达到优化POI预测任务的目的。该模型将神经常微分方程用于POI推荐领域,定义连续的动态过程,可以接受任意时刻的输入数据,克服了大多数时序推荐模型静态离散化的时间间隔处理方式,更适用于POI序列推荐任务。在真实公开数据集Foursqure上的实验结果表明,ML-ODE在POI推荐方面比当前主流的POI预测方法在NDCG@N指标上提升了超过10%。

自注意力下时空-语义相融合的POI序列推荐

近年来,随着基于位置的社交网络(Location-Based Social Network, LBSN)不断发展,POI序列推荐逐渐成为近年来研究的热点问题.现有的POI序列推荐方法仅仅按照时间的先后顺序建模用户历史签到序列,默认用户POI轨迹中连续POI之间具有相等的时间间隔,忽略了用户签到记录之间的时间间隔影响.另外,POI之间的地理距离以及语义信息也是影响推荐准确性的重要因素.基于此,本文提出自注意力下时空-语义相融合的POI序列推荐模型(POI sequence recommendation model based on the integration of spatiotemporal and semantics under self-attention, SA-TDS-PRec).首先,根据用户的实际签到时间建模POI轨迹.其次,融合POI绝对位置、时空间隔以及语义相关信息.最后利用自注意力机制捕捉用户动态偏好的演化,从而提高POI推荐的准确性.在公开数据集Gowalla和Yelp上进行可扩展实验.结果表明,该模型优于目前主流的基准模型,有效提升推荐结果准确性.

基于LSTM的POI个性化推荐框架

近年来,随着基于位置的社会网络(Location-Based Social Network, LBSN)热度的不断增加,为用户推荐下一个POI (Point-Of-Interests)也显得越来越重要.而对应的各种应用搜集到的用户的行为时间、地理、好友以及标签等信息的增多,使得POI推荐变得更加容易.目前针对POI推荐,已经有部分算法提出,但是他们受限于自身的局限性,还都不能很好的解决这个问题,例如,个性化马尔科夫链(Factorizing Personalized Markov Chain, FPMC)、张量分解(Tensor Factorization, TF)、RNN (Recurrent Neural Networks)等.但是,这些模型由于其本身缺陷,都不能完美的糅合POI场景中的所有信息.在这篇文章中,我们扩展了长短时记忆循环神经网络(Long-ShorT Memory recurrent neural networks, LSTM),提出一种全新的推荐框架POI-LSTM来解决POI推荐问题. POI-LSTM借鉴Embedding的思想,对用户信息、好友关系、POI信息和评论信息进行向量化后,输入到神经网络中,同时利用LSTM捕捉用户的兴趣特征和兴趣的变化趋势,最终能够在不同的输入层拟合社交网络信息和语义信息,同时利用用户历史行为的时间和地理位置信息来为用户推荐下一个兴趣点.

融合社交和地理影响的个性化兴趣点深度推荐模型

针对现有的兴趣点推荐模型中社交信息利用不充分和模型结构复杂的问题,提出一种基于多社交关系和地理信息的深度自编码器模型(MSG-DAE)。利用条件层对用户的直接和潜在好友影响建模,获取用户与好友之间的签到关联;通过多层网络结构挖掘用户签到偏好的深层特征;对输出层的预测偏好进行地理正则化约束,引入地理位置影响,同时提高模型的训练速度和鲁棒性。在Foursquare数据集上进行实验,结果表明MSG-DAE模型在准确率和召回率两项指标上均优于其他先进的兴趣点推荐模型。

融合用户感知和多因素的兴趣点推荐

针对传统的基于协同过滤的兴趣点(POI)推荐方法存在数据稀疏问题和现有工作往往单纯利用上下文信息却没有合理平衡各因素的作用影响的问题,提出融合用户感知和多因素的兴趣点推荐模型(UPMF).为基于用户感知的隐式建模提取用户相似性以丰富用户表示,并利用序列、地理和社交等上下文信息构建用户感知协同影响的POI推荐模型,缓解数据稀疏问题.设计新颖的用户感知的融合策略(UPIS),在基于用户感知的同时合理利用各种上下文信息挖掘用户的动态偏好.提出基于分段的活动区域选择算法针对不同活动区域对用户的影响进行建模.实验结果表明,与其他流行的POI推荐方法相比,UPMF在准确率、召回率和归一化折损累计增益(NDCG) 3个评价标准上都有一定程度的提高.在Gowalla和Yelp数据集上,UPMF模型的NDCG@10比SUCP的分别高12.77%、7.24%.

位置社交网络中谱嵌入增强的兴趣点推荐算法

为了有效地捕捉LBSN中丰富的签到、社交等多维上下文信息的空间特性,并深层挖掘用户和POI之间的非线性交互,提出了一种谱嵌入增强的POI推荐算法——PSC-SMLP,设计了偏好增强的谱聚类算法PSC和谱嵌入增强的神经网络SMLP。在2个经典数据集上与现有的POI推荐算法相比,PSC-SMLP可以深层学习用户对POI的个性化偏好,在准确率、召回率、nDCG、平均精度等指标中均获得较大提升。

基于张量分解的多维信息融合兴趣点推荐算法

网络及移动设备的普及促使基于位置的社交网络(Location Based Social Network)被人们广泛使用,为个性化的兴趣点推荐系统带来了巨大的发展前景.用户出行受到多方面因素影响,当前兴趣点推荐多数利用地点的地理位置和用户的社会关系,只同时考虑两种或三种影响因素,影响因素利用不够全面导致准确率难以提高.此外,推荐系统仍存在数据稀疏和冷启动问题,大多数研究也没有讨论本地和异地推荐问题.本文提出了一种基于张量分解的多维信息融合的兴趣点推荐通用模型,先利用社会关系、兴趣点类别和时间因素构造三阶张量并定义用户常驻地用于刻画用户画像,再利用地理因素和流行度影响构造地点标签,结合两者后分配影响因素权重,最后得到每个用户的TOP-N个兴趣点进行推荐.在Foursquare数据集上的实验结果表明,该算法不仅具有灵活的扩展性和较低的复杂度,而且相比当前流行的兴趣点推荐算法获得了较为显著的准确率提升.

GMFS:一种新的基于社会网和地理信息的兴趣点推荐方法

基于地理位置的社会网(LBSNs)吸引了大量用户通过签到来分享他们的社会关系和地理信息。通过签到信息可了解用户对地点的偏好,从而给用户提供更好的推荐,因此在基于地理位置的社会网上进行兴趣点(POI,Point-of-Interest)推荐逐渐成为了热点研究问题。以往的研究没有将社会关系和地理信息联合融入到基于矩阵分解的POI推荐方法中。基于社会网和用户签到活动日志,提出了用加权的方法计算用户之间的相似性,在此基础上提出了一个联合社会网和地理信息的加权矩阵分解模型GMFS,并给出了高效的求解方法。多个真实数据集上的实验结果表明:GMFS方法能有效地进行POI推荐。

一种新的行程推荐算法研究

论文在研究POI等行程推荐技术的基础上,提出了基于遗传算法和总时间约束的行程推荐算法,并通过实际路网数据,对所提算法的效率、推荐结果合理性等进行了实验测试,实验结果表明,论文所提出的推荐算法能够得到符合用户期望的合理行程推荐。

基于GPS轨迹挖掘的兴趣地点个性化推荐方法

随着全球定位系统(GPS)等定位设备的普及,用户可方便地记录其GPS轨迹,这使得自动从用户的GPS轨迹中发现兴趣地点(POI)(如餐厅、商场、景点)并在用户之间进行推荐成为可能。因此,本文提出了一种基于GPS轨迹挖掘的兴趣地点个性化推荐方法。该方法与现有主流的兴趣地点推荐平台具有以下不同:首先,现有平台假设兴趣地点是事先已知的,而该方法通过一个层次化聚类算法从用户GPS轨迹中自动挖掘兴趣地点。其次,现有平台的推荐模式为平台向用户推荐,因此仅考虑了用户的偏好,忽略了用户之间的社交关联对推荐效果的影响。针对此问题,该方法基于用户交叠访问行为计算用户之间的社交信任度,基于用户访问行为的相似性计算其对兴趣地点偏好的相似度,在此基础上提出了一种能够融合用户信任度和相似度的评分算法。文本基于真实GPS轨迹数据对提出的方法进行了评测,实验结果表明,本文所提方法的综合推荐性能明显优于简单的基于访问数量的推荐方法、仅基于用户信任度的推荐方法及仅基于偏好相似度的推荐方法。