CN109241454A - 一种将社交网络和图像内容融合的兴趣点推荐方法 - Google Patents
一种将社交网络和图像内容融合的兴趣点推荐方法 Download PDFInfo
- Publication number
- CN109241454A CN109241454A CN201810791178.0A CN201810791178A CN109241454A CN 109241454 A CN109241454 A CN 109241454A CN 201810791178 A CN201810791178 A CN 201810791178A CN 109241454 A CN109241454 A CN 109241454A
- Authority
- CN
- China
- Prior art keywords
- point
- interest
- user
- matrix
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000000463 material Substances 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 238000000354 decomposition reaction Methods 0.000 abstract description 7
- 238000002372 labelling Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种将社交网络和图像内容融合的兴趣点推荐方法,在已有社交推荐模型的基础上,提出了新的融合社交网络和图像内容的矩阵分解模型,能够充分利用用户评价信息中的图片信息,缓解数据的稀疏性,来提高兴趣点推荐的准确度。另外,本发明利用率兴趣点评价的文本信息,地理信息,以及兴趣点的标签分类信息,更好地解决了兴趣点推荐的冷启动和准确度问题,向用户推荐其最想去的兴趣点,提升用户的体验度。
Description
技术领域
本发明涉及信息推荐领域,更具体地,涉及一种将社交网络和图像内容融合的兴趣点推荐方法。
背景技术
随着Web 2.0的快速发展,无线通信与位置采集技术促生了很多基于位置的社交网络(LBSNs),例如。Yelp、Foursquare、FacebookPlaces等。用户能够以“签到”的形式发布他们的地理标签和物理位置,并对已访问的兴趣点(例如,商场、餐厅、博物馆、娱乐场所、酒店等)与朋友分享他们的体验与经验。在日常生活中,人们通常喜欢探索居住的城市与邻近的地方,根据自己的个人兴趣选择与自己偏好相关的兴趣点。由于兴趣点与用户偏好的数据中包含大量有价值的信息可以用于兴趣点推荐中。同时,在大量的兴趣点中如何有效地帮用户做出满意的决策是一个困难的问题,通常被认为“选择麻痹”。为了解决这个问题,兴趣点推荐任务将帮助用户过滤掉不感兴趣的位置并减少决策时间。在现实世界的Yelp数据中,用户可以在签到地点上传图片信息。图片信息不仅折射出用户的偏好,更对地理位置提供了更多的可解释性。例如,一个用户经常发布建筑类照片,说明他更喜欢去一些有地标的地点;然而另外一个用户可能经常发布关于食物的照片,说明她更喜欢去一些餐馆或是饭店,当然,可以根据用户发布的照片内容,进行食物类别的区分,不同用户可能喜欢不同的食物。
目前兴趣点推荐面临的主要问题在两个方面,一个是兴趣点推荐的数据稀疏性问题(data sparsity),另外一个是冷启动问题(cold-start)。同时,面临多源的异构数据,如文本类数据,地理位置,用户历史喜好数据,点评数据,社交关系网络数据;如图片数据,用户上传的兴趣图片数据等。如何合理的将数据融入到现有的兴趣点推荐系统中,提高推荐效果,是非常重要的。
目前相关领域主要采用两种类型的技术,基于内容的方法(Content-basedMethods),基于协同过滤的方法(Collaborative FilteringbasedMethods)。
基于内容的推荐方法是最早使用的推荐方法,根据用户过去喜欢的兴趣点,为用户推荐和他过去喜欢的兴趣点类似的兴趣点。而关键技术就是在这个兴趣点相似性的度量上。但是这种技术抽取内容特征比较复杂;无法挖掘出用户的潜在兴趣,由于是推荐与历史喜好相关的兴趣点,其他类型兴趣点不会进行挖掘;无法为新用户产生推荐,新用户没有兴趣点喜好数据,也就无法对他形成推荐。
基于协同过滤的方法包括基于用户的协同过滤方法,其核心思想是使用统计技术寻找与目标用户有相同喜好的邻居,然后根据邻居的喜好产生目标用户的兴趣点喜好;基于项目的协同过滤方法,其核心思想是根据用户对兴趣点的评价,发现兴趣点与兴趣点之间的相似度,然后根据用户的历史偏好信息将类似的兴趣点推荐给该用户;基于矩阵分解的协同过滤方法,该方法将用户对兴趣点的评分信息以矩阵形式表示,通过对矩阵的分解操作挖掘低维特征空间,并将用户与兴趣点在该低维空间上进行重表示,进而以用户物品向量间的内积来刻画用户兴趣点之间的关联性。然而评分矩阵存在数据高度稀疏与分布不均匀等特点,这些特点进一步导致了协同过滤方法推荐性能低、冷启动、长尾等问题。
此外,研究人员通过对基于矩阵分解的协同过滤方法,引入社交信息,来解决兴趣点推荐的冷启动问题,提出融合社交信息的兴趣点推荐方法,以及融合地理位置、时间效应等方法。但是,这些方法都是基于文本类型的数据信息,忽略了图像内容这样的隐含信息丰富的多媒体信息。没有将文本数据和图像数据同时融入到矩阵分解模型中。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种将社交网络和图像内容融合的兴趣点推荐方法,更好地解决兴趣点推荐的冷启动和准确度问题,为每个用户适合准确地推荐兴趣点。
为解决上述技术问题,本发明的技术方案如下:
一种将社交网络和图像内容融合的兴趣点推荐方法,包括以下步骤:
步骤1,构造用户-兴趣点评分矩阵Rij,通过融合距离和标签因素,构造出新的用户-兴趣点评分矩阵;
步骤2,实现VGG16卷积神经网络,修改最后的soft层,将图片处理为1000维度的向量,并根据兴趣点构造图像内容矩阵;
步骤3,根据数据集中的社交信任关系,构建用户社交矩阵;
步骤4,在用户-兴趣点评分矩阵、图像内容矩阵、用户社交矩阵中,假设真实观测值与实际值之间的差值符合高斯分布,从而根据后验概率分布推导出SVPOI模型,并推导出最终的损失函数:
其中,
Rij表示用户i对于兴趣点j的评分信息,
Cik表示用户i对于好友k的社交关系信息,
Gjl表示兴趣点j对于图像l的图像内容信息,
Ui表示用户i的隐含特征信息,
Vj表示兴趣点j的隐含特征信息,
Zk表示用户i的好友k的隐含社交关系信息,
Pl表示兴趣点j的图像l的隐含图像内容信息,
分别表示对应特征矩阵的二范式,
αu、αv、αr分别表示系数;
步骤5,根据步骤4中的函数对用户特征矩阵Ui求偏导,对物品特征矩阵Vj求偏导,对社交特征矩阵Zk求偏导,对图像特征矩阵Pl求偏导,
步骤6,利用梯度下降法求以上特征矩阵,求得特征矩阵Ui和Vj;
步骤7,根据步骤6求得的特征矩阵,预测用户对兴趣点的评分,并根据评分高低形成推荐列表。
在步骤1中,通过对兴趣点评分信息的统计观察,发现用户中心地区的点集最为密集;说明兴趣点的评分受到距离因素的影响;同时,发现不同的兴趣点有不同的标签;属于不同的category;说明兴趣点同时受到标签因素的影响;特别的,对距离因素和标签因素做了一些处理,在SVPOI模型中,将用户评分分数记为而真正的用户-兴趣点评分信息为其中,定义距离因素为Γ1=a*db,标签因素为
细节方面:
(1)对每个用户计算其签到兴趣点所有经纬度的均值,作为该用户兴趣点的中心点,并逐次计算每个签到点到该点的距离d;a和b是系数,且(b<0);
(2)计算标签时,由于每个兴趣点对应多个标签,所以,将标签数据集进行了“展平”处理,计算该用户在某一兴趣点标签在其所有兴趣点标签的比例。
在步骤2中,通过构造VGG16卷积神经网络,修改最后的soft层,实现图像的高维度特征抽取,最后构成一个1000维度的向量;网络利用了ImageNet实现了图像权重的初始化训练;
部分细节处理:
(1)图片库中去除了包含人脸噪声的图片;
(2)由于每个兴趣点对应多个图片,所以,对每个兴趣点对应的图像向量进行了取均值的操作;
(3)最后,形成了一个图像信息矩阵。
在步骤3中,根据SoRec推荐算法中用户社交矩阵的构建方式,实现其用户社交矩阵的构建。
在步骤6中,根据推荐模型的评价指标RMSE、MAE,进行模型的实验对比和参数调优;其中,
两个指标的值越低,说明模型的推荐效果越好;从而选取最好的模型参数,进行特征矩阵Ui和Vj的求解。
与现有技术相比,本发明技术方案的有益效果是:本发明提出一种将社交网络和图像内容融合的兴趣点推荐方法,在已有社交推荐模型的基础上,提出了新的融合社交网络和图像内容的矩阵分解模型,能够充分利用用户评价信息中的图片信息,缓解数据的稀疏性,来提高兴趣点推荐的准确度。另外,本发明利用率兴趣点评价的文本信息,地理信息,以及兴趣点的标签分类信息,更好地解决了兴趣点推荐的冷启动和准确度问题,向用户推荐其最想去的兴趣点,提升用户的体验度。
附图说明
图1为本发明所提出的兴趣点推荐方法的流程图。
图2为社交网络和图像内容融合的矩阵概率矩阵分解模型图。
图3为热力图。
图4为兴趣点标签分类图。
图5为在SVPOI模型示意图。
图6为图像权重的初始化训练示意图。
图7为取均值的部分数据示意图。
图8为取均值的部分数据示意图。
图9为本发明相比于已有算法的实验比较效果图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1-2所示,一种将社交网络和图像内容融合的兴趣点推荐方法,包括以下步骤:
步骤1,构造用户-兴趣点评分矩阵Rij,通过融合距离和标签因素,构造出新的用户-兴趣点评分矩阵;本发明中,过滤掉少于10次签到的用户,且选取每个兴趣点应该至少被用户访问10次,用户应该至少访问5个不同的兴趣点。对于图片数据,本发明过滤掉包含人像等的图片。
步骤2,实现VGG16卷积神经网络,修改最后的soft层,将图片处理为1000维度的向量,并根据兴趣点构造图像内容矩阵;利用VGG16模型处理图像变成1000维的向量时,由于每个兴趣点对应多张图片,即处理后,每个兴趣点对应多个1000维的向量,本发明对每个兴趣点对应的矩阵进行取均值操作,最后,每个兴趣点对应一个1000维度的向量。
步骤3,构建社交矩阵根据社交好友信息中的用户id,利用SoRec算法中的社交矩阵构建方法,即进行社交矩阵的构建。其中,d+(vi)表示社交网络中节点vi的出度,而d-(vk)表示社交网络中节点vk的入度,cik表示原来的社交网络信息。
步骤4,在用户-兴趣点评分矩阵、图像内容矩阵、用户社交矩阵中,假设真实观测值与实际值之间的差值符合高斯分布,从而根据后验概率分布推导出SVPOI模型,并推导出最终的损失函数:
其中,
Rij表示用户i对于兴趣点j的评分信息,
Cik表示用户i对于好友k的社交关系信息,
Gjl表示兴趣点j对于图像l的图像内容信息,
Ui表示用户i的隐含特征信息,
Vj表示兴趣点j的隐含特征信息,
Zk表示用户i的好友k的隐含社交关系信息,
Pl表示兴趣点j的图像l的隐含图像内容信息,
分别表示对应特征矩阵的二范式,
αu、αv、αr分别表示系数。
构建用户兴趣点评分矩阵时,对于距离因素,处理如下:
a.首先,对每个用户所有签到的兴趣点的经纬度进行取均值的操作,这样,每个用户就能得到所签到兴趣点的一个相对“中心点”;
b.将该用户签到的兴趣点的经纬度与上述得到的“中心点”的经纬度进行距离d的计算;
c.利用公式计算距离因素Γ1=a*db。
对于标签因素:
a.首先在数据集中统计每个用户签到的兴趣点的标签类别集合,构成标签集合计算
b.在数据集中统计该物品所属的类别集合最后计算
c.最后计算
步骤5,根据步骤4中的函数对用户特征矩阵Ui求偏导,对物品特征矩阵Vj求偏导,对社交特征矩阵Zk求偏导,对图像特征矩阵Pl求偏导,
步骤6,利用梯度下降法求以上特征矩阵,求得特征矩阵Ui和Vj;
步骤7,根据步骤6求得的特征矩阵,预测用户对兴趣点的评分,并根据评分高低形成推荐列表。
在步骤1中,通过对兴趣点评分信息的统计观察,如图3热力图显示,发现用户中心地区的点集最为密集;说明兴趣点的评分受到距离因素的影响;同时,发现不同的兴趣点有不同的标签;属于不同的category,如图4所示;说明兴趣点同时受到标签因素的影响;特别的,对距离因素和标签因素做了一些处理,如图5所示,在SVPOI模型中,将用户评分分数记为而真正的用户-兴趣点评分信息为其中,定义距离因素为Γ1=a*db,标签因素为
细节方面:
(1)对每个用户计算其签到兴趣点所有经纬度的均值,作为该用户兴趣点的中心点,并逐次计算每个签到点到该点的距离d;a和b是系数,且(b<0);
(2)计算标签时,由于每个兴趣点对应多个标签,所以,将标签数据集进行了“展平”处理,计算该用户在某一兴趣点标签在其所有兴趣点标签的比例。
在步骤2中,通过构造VGG16卷积神经网络,修改最后的soft层,实现图像的高维度特征抽取,最后构成一个1000维度的向量;网络利用了ImageNet实现了图像权重的初始化训练;如图6所示。
部分细节处理:
(1)图片库中去除了包含人脸噪声的图片;
(2)由于每个兴趣点对应多个图片,所以,对每个兴趣点对应的图像向量进行了取均值的操作;取均值的部分数据如下图7-8所示。
(3)最后,形成了一个图像信息矩阵。
在步骤3中,根据SoRec推荐算法中用户社交矩阵的构建方式,实现其用户社交矩阵的构建。
在步骤6中,根据推荐模型的评价指标RMSE、MAE,进行模型的实验对比和参数调优;其中,
两个指标的值越低,说明模型的推荐效果越好;从而选取最好的模型参数,进行特征矩阵Ui和Vj的求解。
如图9所示,通过对Yelp部分真实数据的实验,本发明提出的SVPOI模型比之前经典算法有极大的提高。
Claims (5)
1.一种将社交网络和图像内容融合的兴趣点推荐方法,其特征在于,包括以下步骤:
步骤1,构造用户-兴趣点评分矩阵Rij,通过融合距离和标签因素,构造出新的用户-兴趣点评分矩阵;
步骤2,实现VGG16卷积神经网络,修改最后的soft层,将图片处理为1000维度的向量,并根据兴趣点构造图像内容矩阵;
步骤3,根据数据集中的社交信任关系,构建用户社交矩阵;
步骤4,在用户-兴趣点评分矩阵、图像内容矩阵、用户社交矩阵中,假设真实观测值与实际值之间的差值符合高斯分布,从而根据后验概率分布推导出SVPOI模型,并推导出最终的损失函数:
其中,
Rij表示用户i对于兴趣点j的评分信息,
Cik表示用户i对于好友k的社交关系信息,
Gjl表示兴趣点j对于图像l的图像内容信息,
Ui表示用户i的隐含特征信息,
Vj表示兴趣点j的隐含特征信息,
Zk表示用户i的好友k的隐含社交关系信息,
Pl表示兴趣点j的图像l的隐含图像内容信息,
分别表示对应特征矩阵的二范式,
αu、αv、αr分别表示系数;
步骤5,根据步骤4中的函数对用户特征矩阵Ui求偏导,对物品特征矩阵Vj求偏导,对社交特征矩阵Zk求偏导,对图像特征矩阵Pl求偏导,
步骤6,利用梯度下降法求以上特征矩阵,求得特征矩阵Ui和Vj;
步骤7,根据步骤6求得的特征矩阵,预测用户对兴趣点的评分,并根据评分高低形成推荐列表。
2.根据权利要求1所述的将社交网络和图像内容融合的兴趣点推荐方法,其特征在于,在步骤1中,通过对兴趣点评分信息的统计观察,发现用户中心地区的点集最为密集;说明兴趣点的评分受到距离因素的影响;同时,发现不同的兴趣点有不同的标签;属于不同的category;说明兴趣点同时受到标签因素的影响;特别的,对距离因素和标签因素做了一些处理,在SVPOI模型中,将用户评分分数记为而真正的用户-兴趣点评分信息为其中,定义距离因素为Γ1=a*db,标签因素为
细节方面:
(1)对每个用户计算其签到兴趣点所有经纬度的均值,作为该用户兴趣点的中心点,并逐次计算每个签到点到该点的距离d;a和b是系数,且(b<0);
(2)计算标签时,由于每个兴趣点对应多个标签,所以,将标签数据集进行了“展平”处理,计算该用户在某一兴趣点标签在其所有兴趣点标签的比例。
3.根据权利要求1所述的将社交网络和图像内容融合的兴趣点推荐方法,其特征在于,在步骤2中,通过构造VGG16卷积神经网络,修改最后的soft层,实现图像的高维度特征抽取,最后构成一个1000维度的向量;网络利用了ImageNet实现了图像权重的初始化训练;部分细节处理:
(1)图片库中去除了包含人脸噪声的图片;
(2)由于每个兴趣点对应多个图片,所以,对每个兴趣点对应的图像向量进行了取均值的操作;
(3)最后,形成了一个图像信息矩阵。
4.根据权利要求1所述的将社交网络和图像内容融合的兴趣点推荐方法,其特征在于,在步骤3中,根据SoRec推荐算法中用户社交矩阵的构建方式,实现其用户社交矩阵的构建。
5.根据权利要求1所述的将社交网络和图像内容融合的兴趣点推荐方法,其特征在于,在步骤6中,根据推荐模型的评价指标RMSE、MAE,进行模型的实验对比和参数调优;其中,
两个指标的值越低,说明模型的推荐效果越好;从而选取最好的模型参数,进行特征矩阵Ui和Vj的求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810791178.0A CN109241454B (zh) | 2018-07-18 | 2018-07-18 | 一种将社交网络和图像内容融合的兴趣点推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810791178.0A CN109241454B (zh) | 2018-07-18 | 2018-07-18 | 一种将社交网络和图像内容融合的兴趣点推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109241454A true CN109241454A (zh) | 2019-01-18 |
CN109241454B CN109241454B (zh) | 2021-08-24 |
Family
ID=65071989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810791178.0A Active CN109241454B (zh) | 2018-07-18 | 2018-07-18 | 一种将社交网络和图像内容融合的兴趣点推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241454B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008912A (zh) * | 2019-04-10 | 2019-07-12 | 东北大学 | 一种基于植物识别的社交平台匹配方法和系统 |
CN110008402A (zh) * | 2019-02-22 | 2019-07-12 | 苏州大学 | 一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法 |
CN110134885A (zh) * | 2019-05-22 | 2019-08-16 | 广东工业大学 | 一种兴趣点推荐方法、装置、设备以及计算机存储介质 |
CN110175289A (zh) * | 2019-05-24 | 2019-08-27 | 西安电子科技大学 | 基于余弦相似度协同过滤的混合推荐方法 |
CN110347940A (zh) * | 2019-07-17 | 2019-10-18 | 北京百度网讯科技有限公司 | 用于优化兴趣点标签的方法和装置 |
CN110598130A (zh) * | 2019-09-30 | 2019-12-20 | 重庆邮电大学 | 一种融合异构信息网络和深度学习的电影推荐方法 |
CN111061961A (zh) * | 2019-11-19 | 2020-04-24 | 江西财经大学 | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 |
CN111209475A (zh) * | 2019-12-27 | 2020-05-29 | 武汉大学 | 一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置 |
CN112036979A (zh) * | 2020-08-26 | 2020-12-04 | 华东理工大学 | 评分预测方法、推荐方法、处理装置及存储介质 |
CN112069415A (zh) * | 2020-08-13 | 2020-12-11 | 中国海洋大学 | 一种基于异构属性网络表征学习的兴趣点推荐方法 |
CN112685656A (zh) * | 2020-12-22 | 2021-04-20 | 航天信息股份有限公司 | 标签推荐方法及电子设备 |
CN113742597A (zh) * | 2021-09-18 | 2021-12-03 | 辽宁工程技术大学 | 一种基于lbsn和多图融合的兴趣点推荐方法 |
CN113918823A (zh) * | 2021-11-02 | 2022-01-11 | 中电万维信息技术有限责任公司 | 一种融合信任关系的排序学习poi推荐算法 |
CN114840764A (zh) * | 2022-05-25 | 2022-08-02 | 哈尔滨兰拓智能网络有限公司 | 服务于用户兴趣分析的大数据挖掘方法及云端ai部署系统 |
CN116069885A (zh) * | 2023-01-05 | 2023-05-05 | 阿里巴巴(中国)有限公司 | 一种信息真实性的确定方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102594905A (zh) * | 2012-03-07 | 2012-07-18 | 南京邮电大学 | 一种基于场景的社交网络位置兴趣点推荐方法 |
CN103164480A (zh) * | 2011-12-13 | 2013-06-19 | 北京千橡网景科技发展有限公司 | 用于在社交网络中推荐兴趣点的方法和设备 |
US9104293B1 (en) * | 2012-12-19 | 2015-08-11 | Amazon Technologies, Inc. | User interface points of interest approaches for mapping applications |
US9857177B1 (en) * | 2012-06-20 | 2018-01-02 | Amazon Technologies, Inc. | Personalized points of interest for mapping applications |
-
2018
- 2018-07-18 CN CN201810791178.0A patent/CN109241454B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164480A (zh) * | 2011-12-13 | 2013-06-19 | 北京千橡网景科技发展有限公司 | 用于在社交网络中推荐兴趣点的方法和设备 |
CN102594905A (zh) * | 2012-03-07 | 2012-07-18 | 南京邮电大学 | 一种基于场景的社交网络位置兴趣点推荐方法 |
US9857177B1 (en) * | 2012-06-20 | 2018-01-02 | Amazon Technologies, Inc. | Personalized points of interest for mapping applications |
US9104293B1 (en) * | 2012-12-19 | 2015-08-11 | Amazon Technologies, Inc. | User interface points of interest approaches for mapping applications |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008402B (zh) * | 2019-02-22 | 2021-09-03 | 苏州大学 | 一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法 |
CN110008402A (zh) * | 2019-02-22 | 2019-07-12 | 苏州大学 | 一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法 |
CN110008912A (zh) * | 2019-04-10 | 2019-07-12 | 东北大学 | 一种基于植物识别的社交平台匹配方法和系统 |
CN110134885A (zh) * | 2019-05-22 | 2019-08-16 | 广东工业大学 | 一种兴趣点推荐方法、装置、设备以及计算机存储介质 |
CN110134885B (zh) * | 2019-05-22 | 2022-12-20 | 广东工业大学 | 一种兴趣点推荐方法、装置、设备以及计算机存储介质 |
CN110175289A (zh) * | 2019-05-24 | 2019-08-27 | 西安电子科技大学 | 基于余弦相似度协同过滤的混合推荐方法 |
CN110175289B (zh) * | 2019-05-24 | 2023-04-07 | 西安电子科技大学 | 基于余弦相似度协同过滤的混合推荐方法 |
CN110347940A (zh) * | 2019-07-17 | 2019-10-18 | 北京百度网讯科技有限公司 | 用于优化兴趣点标签的方法和装置 |
US11361188B2 (en) | 2019-07-17 | 2022-06-14 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for optimizing tag of point of interest |
CN110598130B (zh) * | 2019-09-30 | 2022-06-24 | 重庆邮电大学 | 一种融合异构信息网络和深度学习的电影推荐方法 |
CN110598130A (zh) * | 2019-09-30 | 2019-12-20 | 重庆邮电大学 | 一种融合异构信息网络和深度学习的电影推荐方法 |
CN111061961A (zh) * | 2019-11-19 | 2020-04-24 | 江西财经大学 | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 |
CN111061961B (zh) * | 2019-11-19 | 2023-05-26 | 江西财经大学 | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 |
CN111209475A (zh) * | 2019-12-27 | 2020-05-29 | 武汉大学 | 一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置 |
CN111209475B (zh) * | 2019-12-27 | 2022-03-15 | 武汉大学 | 一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置 |
CN112069415A (zh) * | 2020-08-13 | 2020-12-11 | 中国海洋大学 | 一种基于异构属性网络表征学习的兴趣点推荐方法 |
CN112069415B (zh) * | 2020-08-13 | 2023-11-24 | 中国海洋大学 | 一种基于异构属性网络表征学习的兴趣点推荐方法 |
CN112036979A (zh) * | 2020-08-26 | 2020-12-04 | 华东理工大学 | 评分预测方法、推荐方法、处理装置及存储介质 |
CN112685656A (zh) * | 2020-12-22 | 2021-04-20 | 航天信息股份有限公司 | 标签推荐方法及电子设备 |
CN113742597A (zh) * | 2021-09-18 | 2021-12-03 | 辽宁工程技术大学 | 一种基于lbsn和多图融合的兴趣点推荐方法 |
CN113918823A (zh) * | 2021-11-02 | 2022-01-11 | 中电万维信息技术有限责任公司 | 一种融合信任关系的排序学习poi推荐算法 |
CN114840764B (zh) * | 2022-05-25 | 2022-11-25 | 皓量科技(深圳)有限公司 | 服务于用户兴趣分析的大数据挖掘方法及云端ai部署系统 |
CN114840764A (zh) * | 2022-05-25 | 2022-08-02 | 哈尔滨兰拓智能网络有限公司 | 服务于用户兴趣分析的大数据挖掘方法及云端ai部署系统 |
CN116069885A (zh) * | 2023-01-05 | 2023-05-05 | 阿里巴巴(中国)有限公司 | 一种信息真实性的确定方法、装置和电子设备 |
CN116069885B (zh) * | 2023-01-05 | 2024-01-09 | 阿里巴巴(中国)有限公司 | 一种信息真实性的确定方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109241454B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241454A (zh) | 一种将社交网络和图像内容融合的兴趣点推荐方法 | |
Boy et al. | Reassembling the city through Instagram | |
JP6784308B2 (ja) | 施設特性を更新するプログラム、施設をプロファイリングするプログラム、コンピュータ・システム、及び施設特性を更新する方法 | |
Hu et al. | A graph-based approach to detecting tourist movement patterns using social media data | |
Stepchenkova et al. | Visual destination images of Peru: Comparative content analysis of DMO and user-generated photography | |
CN107133277B (zh) | 一种基于动态主题模型和矩阵分解的旅游景点推荐方法 | |
CN102594905B (zh) | 一种基于场景的社交网络位置兴趣点推荐方法 | |
KR102189065B1 (ko) | 모바일 애플리케이션 사용자의 관심 프로파일 | |
CN107291888B (zh) | 基于机器学习统计模型的入住酒店附近生活推荐系统方法 | |
CN106168953B (zh) | 面向弱关系社交网络的博文推荐方法 | |
Bokányi et al. | Race, religion and the city: twitter word frequency patterns reveal dominant demographic dimensions in the United States | |
Peng et al. | Perceiving Beijing’s “city image” across different groups based on geotagged social media data | |
Gong et al. | Crowd characterization for crowd management using social media data in city events | |
Gasparetti | Personalization and context-awareness in social local search: State-of-the-art and future research challenges | |
Kotzias et al. | Home is where your friends are: Utilizing the social graph to locate twitter users in a city | |
CN108665083A (zh) | 一种基于用户画像动态轨迹模型的广告推荐方法及系统 | |
CN109272390A (zh) | 融合评分和标签信息的个性化推荐方法 | |
Liu et al. | International anime tourists’ experiences: a netnography of popular Japanese anime tourism destinations | |
Zhong et al. | Notice of Violation of IEEE Publication Principles: A Big Data Framework to Identify Tourist Interests Based on Geotagged Travel Photos | |
CN106202369A (zh) | 基于lbs与游客特征大数据分析的旅游信息推送方法 | |
CN117217872A (zh) | 一种基于游客画像智能生成景区游玩方案的方法 | |
i Agustí | Mapping gender in tourist behaviour based on Instagram | |
Vu et al. | Exploration of tourist activities in urban destination using venue check-in data | |
Nawshin et al. | Modeling weather-aware prediction of user activities and future visits | |
US20210075754A1 (en) | Method for sharing a photograph |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |