基于时空循环神经网络的下一个兴趣点推荐方法
下一个兴趣点推荐已经成为基于位置的社交网络(location-based social networks,LBSNs)中一个重要任务.现有的模型没有深入考虑相邻签到兴趣点之间的转移时空信息,无法对用户访问下一个兴趣点的长短时间偏好和远近距离偏好进行有效建模.本文通过对循环神经网络(recurrent neural network,RNN)进行扩展,提出一个新的基于会话的时空循环神经网络模型(sesson-based spatial-temporal recurrent neural network,SST-RNN)用于下一个兴趣点推荐.该模型通过设置时间转移矩阵和空间转移矩阵分别对用户的时间和空间偏好信息进行建模,综合考虑连续签到兴趣点的序列信息、时空信息以及用户偏好进行下一个兴趣点推荐.通过在2个真实公开的数据集上进行实验,结果显示本文提出的SST-RNN模型的推荐效果比主流的推荐模型有显著提升.在Foursquare和CA数据集上,ACC@5评价指标分别提升了 36.38%和13.81%,MAP评价指标分别提升了 30.72%和 17.26%.
下一个兴趣点推荐;基于位置的社交网络;循环神经网络;序列信息;时间偏好;空间偏好;用户偏好;会话
16
TP183(自动化基础理论)
国家自然科学基金面上项目61772249
2021-08-31(万方平台首次上网日期,不代表论文的发表时间)
共9页
407-415