Charging Pile Siting Recommendations via the Fusion of Points of Interest and Vehicle Trajectories

By mining of the requirements of lots of electric vehicle users for charging piles, this paper proposes the charging pile siting algorithm via the fusion of Points of Interest and vehicle trajectories. The proposed algorithm computes appropriate charging pile locations by: 1) mining user Points of Interest from social network; 2) mining parking sites of vehicle form GPS trajectories and 3) fusing the Points of Interest and parking sites together then clustering the fusions with our improved DBSCAN algorithm, whose clustering results indicates the final appropriate charging pile locations. Experimental results show that our proposed methods are more efficient than existing methods.

An Entropy-Based Model for Recommendation of Taxis’Cruising Route

Cruising route recommendation based on trajectory mining can improve taxi-drivers'income and reduce energy consumption.However,existing methods mostly recommend pick-up points for taxis only.Moreover,their performance is not good enough since there lacks a good evaluation model for the pick-up points.Therefore,we propose an entropy-based model for recommendation of taxis'cruising route.Firstly,we select more positional attributes from historical pick-up points in order to obtain accurate spatial-temporal features.Secondly,the information entropy of spatial-temporal features is integrated in the evaluation model.Then it is applied for getting the next pick-up points and further recommending a series of successive points.These points are constructed a cruising route for taxi-drivers.Experimental results show that our method is able to obviously improve the recommendation accuracy of pick-up points,and help taxi-drivers make profitable benefits more than before.

Partition-based Collaborative Tensor Factorization for POI Recommendation

The rapid development of location-based social networks(LBSNs) provides people with an opportunity of better understanding their mobility behavior which enables them to decide their next location.For example,it can help travelers to choose where to go next,or recommend salesmen the most potential places to deliver advertisements or sell products.In this paper,a method for recommending points of interest(POIs)is proposed based on a collaborative tensor factorization(CTF)technique.Firstly,a generalized objective function is constructed for collaboratively factorizing a tensor with several feature matrices.Secondly,a 3-mode tensor is used to model all users' check-in behaviors,and three feature matrices are extracted to characterize the time distribution,category distribution and POI correlation,respectively.Thirdly,each user's preference to a POI at a specific time can be estimated by using CTF.In order to further improve the recommendation accuracy,PCTF(Partitionbased CTF) is proposed to fill the missing entries of a tensor after clustering its every mode.Experiments on a real checkin database show that the proposed method can provide more accurate location recommendation.

Development of a Best Answer Recommendation Model in a Community Question Answering (CQA) System

In this work, a best answer recommendation model is proposed for a Question Answering (QA) system. A Community Question Answering System was subsequently developed based on the model. The system applies Brouwer Fixed Point Theorem to prove the existence of the desired voter scoring function and Normalized Google Distance (NGD) to show closeness between words before an answer is suggested to users. Answers are ranked according to their Fixed-Point Score (FPS) for each question. Thereafter, the highest scored answer is chosen as the FPS Best Answer (BA). For each question asked by user, the system applies NGD to check if similar or related questions with the best answer had been asked and stored in the database. When similar or related questions with the best answer are not found in the database, Brouwer Fixed point is used to calculate the best answer from the pool of answers on a question then the best answer is stored in the NGD data-table for recommendation purpose. The system was implemented using PHP scripting language, MySQL for database management, JQuery, and Apache. The system was evaluated using standard metrics: Reciprocal Rank, Mean Reciprocal Rank (MRR) and Discounted Cumulative Gain (DCG). The system eliminated longer waiting time faced by askers in a community question answering system. The developed system can be used for research and learning purposes.

基于用户偏好的多媒体视频个性化智能推荐方法研究

为了满足用户个性化需求,提出基于用户偏好的多媒体视频个性化智能推荐方法。采集用户历史浏览行为数据,对提取的视频特征向量作相似度计算,生成视频候选集,建立视频浏览兴趣点(PoI)关联图,根据用户浏览时间计算其对不同类别视频PoI的兴趣偏好度,选择排名靠前的N个视频生成推荐列表,实现多媒体视频个性化智能推荐。实验结果表明,该方法可实现多媒体视频个性化推荐,当其维度为180时,视频推荐的Top-1指标最高;兴趣吻合度指标均值达到94.9%,Top-1均值为95.51%。

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。

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。

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。

基于机器学习的计算机专业课程知识点推荐系统设计与优化

计算机科学领域发展迅速,学生需要学习大量的知识点。为了帮助学生高效地掌握专业技能,文章设计一个基于机器学习的计算机专业课程知识点推荐系统。该系统的推荐准确率、响应时间、用户满意度均达到要求,能够为学生提供个性化的课程推荐,具有一定的应用价值。

基于认知诊断的个性化习题推荐

针对现有的基于认知诊断的习题推荐建模角度单一以及习题推荐结果不够合理的问题,提出结合认知诊断和深度因子分解机的个性化习题推荐方法。首先,设计一种知识点关系计算方法构建课程知识树,并提出增强Q矩阵准确表示习题所含知识点的关系的概念;其次,提出基于知识点关系和习题表征的认知诊断(NeuralCD-KD)模型,该模型计算增强Q矩阵,利用特征二阶交叉和注意力机制融合习题难度的内外因素,并模拟学生的认知状态。在私有数据集和公开数据集上验证了提出的认知诊断模型的有效性,并且该方法能对学生的认知状态做出合理解释。为了个性化习题推荐,结合诊断模型和深度双线性因子分解机,提出结合认知诊断和深度因子分解机(NKD-DBFM)方法,在私有数据集上验证了所提习题推荐方法的有效性,在曲线下面积(AUC)上相较于最优基线模型神经认知诊断模型(NeuralCDM)提升了3.7个百分点。

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.

基于静态与动态学习需求感知的知识点推荐方法

随着互联网信息技术的高速发展,线上学习资源的爆炸式增长引起了“信息过载”与“学习迷航”问题.在缺乏专家指导的场景中,用户难以明确自己的学习需求并从海量的学习资源中选择合适的内容进行学习.教育领域推荐方法能够基于用户的历史学习行为提供学习资源的个性化推荐,因此该方法近年来受到大量研究人员的广泛关注.然而,现有的教育领域推荐方法在学习需求感知时忽略了对知识点之间复杂关系的建模,同时缺乏考虑用户学习需求的动态性变化,导致推荐的学习资源不够精准.针对上述问题,提出一种基于静态与动态学习需求感知的知识点推荐方法,通过静态感知与动态感知相结合的方式建模复杂知识关联下的用户学习行为.对于静态学习需求感知,设计一种基于知识点先修后继元路径引导的注意力图卷积网络,通过建模知识点之间先修后继关系的复杂约束,能够消除其他非学习需求因素的干扰,从而精准地捕获用户在细粒度知识点层面上的静态学习需求;对于动态学习需求感知,所提方法以课程为单元聚合知识点嵌入以表征用户在不同时刻的知识水平,然后采用循环神经网络建模编码用户的知识水平序列,能够有效地挖掘用户知识水平变化中蕴含的动态学习需求;最后,对获得的静态与动态学习需求进行融合,在同一框架下建模静态与动态学习需求之间的兼容性,促进这两种学习需求相互补充,以实现细粒度的个性化知识点推荐.实验表明,在两个公开数据集上,所提方法能够有效地感知用户的学习需求并提供个性化的知识点推荐,在多种评估指标上优于主流的推荐方法.

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。

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。

多兴趣点融合多模态知识图谱的跨会话推荐

针对现有的会话推荐专注单一兴趣的上下文,忽略了单用户多兴趣,以及利用知识图谱时忽略多模态数据类型的不足,提出一种多兴趣点融合多模态知识图谱的跨会话推荐。受少样本学习在有限实例学习模型的启发,设计一个跨会话协作网络,将下一个项目推荐建模为少样本学习问题;从用户的行为序列中捕获用户的各种兴趣,根据用户的历史和当前行为序列构建兴趣图;引入多模态知识图注意力网络,通过使用多模态图注意力机制进行信息传播,得到聚集嵌入表示并进行推荐;设计一个相似会话检索网络,从历史会话中找出与当前会话相似的网络来补充和优化偏好表示。实验结果表明,所提算法在Recall@20和MRR@20指标上均优于基线。

Time and Location Aware Points of Interest Recommendation inLocation-Based Social Networks

The wide spread of location-based social networks brings about a huge volume of user check-in data, whichfacilitates the recommendation of points of interest （POIs）. Recent advances on distributed representation shed light onlearning low dimensional dense vectors to alleviate the data sparsity problem. Current studies on representation learningfor POI recommendation embed both users and POIs in a common latent space, and users＇ preference is inferred basedon the distance/similarity between a user and a POI. Such an approach is not in accordance with the semantics of usersand POIs as they are inherently different objects. In this paper, we present a novel translation-based, time and locationaware （TransTL） representation, which models the spatial and temporal information as a relationship connecting users andPOIs. Our model generalizes the recent advances in knowledge graph embedding. The basic idea is that the embedding ofa 〈time, location〉 pair corresponds to a translation from embeddings of users to POIs. Since the POI embedding shouldbe close to the user embedding plus the relationship vector, the recommendation can be performed by selecting the top-kPOIs similar to the translated POI, which are all of the same type of objects. We conduct extensive experiments on tworeal-world data.sets. The results demonstrate that our TransTL model achieves the state-of-the-art performance. It is alsomuch more robust to data sparsity than the baselines.

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。