融入空间关系的矩阵分解POI推荐模型

兴趣点(point of interest, POI)推荐是在基于位置的社交网络中流行起来的个性化服务。针对数据稀疏和隐性反馈的使用等问题,提出了一种关系型矩阵分解模型——合作竞争矩阵分解(cooperative competition matrix factorization,CC-MF)。该模型根据用户与POI间的相互关系建模,融入空间关系,并将空间关系细分为空间距离关系和空间拓扑关系,挖掘POI之间、POI与用户之间的空间关系,以缓解数据稀疏问题;同时使用加权最小二乘准则构建目标函数,缓解隐性反馈问题。在现实世界签到Foursquare数据集上进行实验,结果显示:(1)CC-MF模型显著提高了推荐结果的准确性;(2)考虑空间拓扑关系的空间距离因素能够进一步提升推荐系统的性能。因此,CC-MF模型具有良好的拓展性和解释性,且缓解了数据稀疏和隐性反馈使用问题。

利用知识图谱的恐怖主义事件模型

恐怖主义受到世界各国的普遍关注,众多学者在事件模型上进行了大量探索,但现有事件模型的恐怖主义概念层次特征不够突出,时序、空间和语义关系相对缺失,且知识图谱模式层的概念和关系类型固定,难以满足事件的多样化描述信息,因此,亟需以事件为中心并结合时空和语义特征构建事件表示模型。在分析事件组成要素的基础上,结合知识图谱前沿技术,提出并设计了模式、事件、数据三层结构的恐怖主义事件表示模型。无须在模式层扩充概念和关系类型,即可在数据层实现事件类型和描述信息的拓展,在事件层实现时序、空间和语义关系表示,并在原型系统中以宏观概览、时序回溯和语义展示3个场景为例,验证了模型的可行性和有效性。