基于LSTM与距离优化的兴趣点推荐方法
现有的兴趣点(POI)推荐方法以基于位置的社交网络为准, 通过用户个人的兴趣点访问频率以及其关系者的访问习惯进行推荐, 而兴趣点的地理位置也作为推荐的考虑条件之一. 但大部分的兴趣点推荐仅仅将兴趣点的地理位置作为推荐的偏好参考, 而非用户本身到达该兴趣点的代价, 所以基于类似方法所产生的某些兴趣点候选项可能符合用户偏好, 但其可达性并不好. 针对上述问题, 本文提出了一种基于LSTM与距离优化的兴趣点推荐方法.该方法首先根据用户的社交关系网信息对用户与兴趣点的交互矩阵进行补充, 然后对此矩阵进行分解生成兴趣点隐向量. 最后, 以用户的兴趣点访问记录为依据建立兴趣点隐向量之间的时序关系, 并且以类递归形式的模型对序列进行学习, 推断出用户未来可能访问的兴趣点序列. 本文使用Gowalla和Yelp数据集对模型的性能进行验证, 发现在有限的信息维度下, 该模型的推荐准确率与其它代表性推荐模型相比有略微的提升, 且所生成的兴趣点序列对当前用户具有较好的可达性.
兴趣点、矩阵分解、序列推荐、访问代价、距离损失
30
TP391;TP181;TN925.93
国家自然科学基金;国家重点科研计划;山东省自然科学基金;中央高校基本科研业务费专项;西海岸人工智能技术创新中心建设专项;西海岸人工智能技术创新中心建设专项;上海可信工业控制平台开放项目
2021-06-28（万方平台首次上网日期，不代表论文的发表时间）
共8页
176-183
