CN109960762B - 一种天气和时间感知的个性化poi序列推荐方法 - Google Patents

一种天气和时间感知的个性化poi序列推荐方法 Download PDF

Info

Publication number
CN109960762B
CN109960762B CN201910248635.6A CN201910248635A CN109960762B CN 109960762 B CN109960762 B CN 109960762B CN 201910248635 A CN201910248635 A CN 201910248635A CN 109960762 B CN109960762 B CN 109960762B
Authority
CN
China
Prior art keywords
time
poi
user
weather
interval
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.)
Active
Application number
CN201910248635.6A
Other languages
English (en)
Other versions
CN109960762A (zh
Inventor
姜文君
陈晶
任德盛
王国军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN201910248635.6A priority Critical patent/CN109960762B/zh
Publication of CN109960762A publication Critical patent/CN109960762A/zh
Application granted granted Critical
Publication of CN109960762B publication Critical patent/CN109960762B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种天气和时间感知的个性化POI序列推荐方法，包括如下步骤：步骤一、数据预处理；步骤二、POI流行度建模；步骤三、用户兴趣建模；步骤四、进行天气和时间感知的个性化POI序列推荐。本发明的有益效果：本发明着重探讨天气和时间因素对POI序列推荐的影响，着重考虑天气因素，如避免下雨天推荐给用户室外的POI，着重考虑时间因素，如用户偏好早上访问体育馆，而不是晚上访问。本发明能给用户推荐一个在特定天气特征和时间区间内，受欢迎的、最大化用户兴趣偏好的个性化POI序列，使其更符合实际应用场景。

Description

一种天气和时间感知的个性化POI序列推荐方法
【技术领域】
本发明涉及社区网络及推荐领域，尤其涉及一种天气和时间感知的个性化POI序列推荐方法。
【背景技术】
兴趣点(POI,Point-of-Interest)推荐是给用户推荐可能感兴趣的单个地点，POI序列推荐是给用户推荐按顺序组成的多个地点。POI序列推荐不仅要满足用户偏好，还要遵循POI与POI之间的连贯性。用户访问POI的概率与上下文信息(时间、空间、天气等)十分相关。现有的POI序列推荐主要考虑了空间(近/远的地方)、时间(晚上很受欢迎的POI是酒吧)、社交(朋友或家人的影响)等因素，对天气因素鲜有考虑。根据生活实际，天气因素对用户访问POI的影响相当大，例如，下雨天，用户更偏向于访问室内的POI。
在相关技术中，Lim等人于2017年在Special Interest Group on InformationRetrieval会议上发表题为“Personalized ltinerary recommendation with queuingtime awareness”的文章，文章是考虑景点的流行度和用户兴趣偏好，同时还考虑参观景点的时间和它的排队时间，推荐流行的、符合用户兴趣的行程，并最大限度地减少用户在景点的排队时间。Lim等人方案的框架图如图1所示，可见，该技术方案主要是考虑路线推荐，需要确认用户的起始地点和结束地点，并且它没有考虑天气对于用户选择POI的重要性。
【发明内容】
本发明公开了一种天气和时间感知的个性化POI序列推荐方法，其解决相关技术在进行POI序列推荐时未考虑天气和时间因素对推荐的影响的技术问题。
本发明的技术方案为：
一种天气和时间感知的个性化POI序列推荐方法，包括如下步骤：
步骤一、数据预处理，把一天的时间划分为五个区间，分别为早上，上午，中午，下午和晚上；统计所有用户的旅行记录，将所有出现过的POI统计到集合A中，A＝{a1,a2,…an}；给定一个用户u，定义他的旅行历史记录为有序序列Su，Su＝(a1,ak,…am)；
步骤二、POI流行度建模，对所有用户的旅行历史签到数据进行统计，将特定天气特征区间和特定时间区间内的所有用户在POI的签到次数归一化后作为在特定天气特征区间和时间区间内POI的流行度值；
步骤三、用户兴趣建模，实现每个用户对集合A中所有POI的偏好预测；若POIai被用户访问过，则通过特定天气和时间签到次数定义用户在特定天气和时间对ai的兴趣值；若出现的POI没有被用户访问过，则根据用户与用户在相同天气特征和时间区间内对同一POI的签到情况来定义相似用户，基于相似用户得到被推荐用户对未访问过POI的兴趣值；
步骤四、进行天气和时间感知的个性化POI序列推荐，具体包括如下步骤：
输入起点POI和推荐序列的限制时间；
结合用户兴趣偏好值和POI的流行度值采用节点选择算法选择当前天气特征区间和时间区间内最优的下一个访问的节点；
根据POI序列推荐算法给用户推荐一条在考虑天气因素和时间因素下，受欢迎、最大化用户兴趣的个性化POI序列。
优选的，在步骤一中，早上表示7点到9点之间，上午表示9点到11点之间，中午表示11点到13点之间，下午表示13点到17点之间，晚上表示17点之后。
优选的，在步骤二中，天气特征分为晴朗，多云，降雨以及降雪四类。
优选的，在步骤二中，所述POI的流行度值由所有用户在特定天气和时间区间内在特定地点a签到次数Ocr(a,Tt,Wt)表示，具体定义为：
Figure BDA0002011743200000021
其中，t表示时间，Tt表示当前时间t所在的时间区间，Wt表示t时间的天气特征，ax表示POI节点，Su表示用户u访问过的POI列表；
如果在当前天气特征区间和时间区间内用户u访问过ax为a，则δ(ax＝a,Tt,Wt)＝1，否则δ(ax＝a,Tt,Wt)＝0；
将POI流行度Pop进行归一化处理,具体定义为：
Figure BDA0002011743200000022
优选的，在步骤三中，兴趣偏好值由以下公式表示：
Figure BDA0002011743200000031
其中，如果当前天气特征区间和时间区间内ak被用户u′访问过，δu′(ax＝a,Tt,Wt)＝1，否则δu′(ax＝a,Tt,Wt)＝0；
Wu,u′(Tt,Wt)表示在考虑天气因素和时间因素下，用户u和用户u′相似度的估计，它的具体定义如下：
Figure BDA0002011743200000032
Cu(a,Tt,Wt)表示用户u在天气特征区间和时间区间内访问a的情况，如果访问过，Cu(a,Tt,Wt)＝1，反之则为0；
对于用户访问过的POI，将用户在特定天气特征和时间区间内访问POI的次数作为用户对访问过的POI的兴趣衡量标准，Intu(a,Tt,Wt)具体定义如下：
Figure BDA0002011743200000033
其中，|Vu(Tt,Wt)|表示用户u在特定天气特征Wt和时间区间Tt内签到总次数。
优选的，在步骤四中，POI序列推荐算法包括如下步骤：
a、输入起始地点a1、出发时间t、当前天气特征、用户总的时间预算B以及迭代次数N；
b、初始化两棵相似的树Tvisit和Treward，树的根节点为起始地点a1，子节点是一系列的POI的集合A，树的深度为|A|，其中，Tvisit记录节点在迭代过程中被访问的次数，Treward记录节点在迭代过程中的奖励情况；
初始化list存放每一迭代形成的POI序列；
初始化列表TR用来存放每次迭代形成POI序列的总奖励值；
初始化变量n；
c、判断n是否小于N，若满足，则重复进行步骤d-e；若不满足，则进行步骤f；
d、初始化列表I(tem)，用来存放本次迭代的节点选择结果，将a1添加到I(tem)，ai←
Figure BDA0002011743200000034
初始化成本cost＝0，根据公式R＝Pop(ak,Tt,Wt)+Intu(ak,Tt,Wt)计算a1的奖励值R，tR←R；
e、判断成本cost是否小于时间预算B，
若满足，重复进行步骤1)和2)；
1)通过API接口访问当前时间的天气特征，将当前时间映射到时间特征区间，根据选择节点算法选择下一个节点aj；
2)将aj添加到I(tem)中，
Figure BDA0002011743200000041
ai←aj，据公式R＝Pop(a,Tt,Wt)+Intu(a,Tt,Wt)计算aj的奖励值,更新tR:tR←tR+R，更新时间信息t；
(本发明采用对数正态分布来计算ak到am的旅行花费时间
Figure BDA0002011743200000042
Figure BDA0002011743200000043
是计算所有用户在aj的平均停留时间)
若不满足，将I(tem)结果反向传播到根节点，更新Tvisit，将I(tem)和tR反向传播到根节点，更新Treward将I(tem)添加到list，tR添加到TR,n+1←n；
f、输出TR中最大值对应list中的POI序列。
优选的，在步骤四中，所述选择节点算法包括如下步骤：
输入当前时间特征Tt、当前时间对应的天气特征Wt、Tvisit、Treward以及本次迭代形成的部分POI序列I(a1,…)；
从Tvisit得到ai被访问次数；
遍历A中剩余的节点aj，其中，aj不属于I(tem)，按照公式
Figure BDA0002011743200000044
Figure BDA0002011743200000045
计算剩余节点的树的上限置信区间UCT(Upper Confidence Bound applied to Tree)值；
输出剩余节点中UCT值最大的aj。
优选的，在步骤四中，采用对数正态分布来计算ak到am的旅行花费时间
Figure BDA0002011743200000046
Figure BDA0002011743200000047
是计算所有用户在aj的平均停留时间。
本发明的有益效果：本发明基于蒙特卡洛树搜索算法，并着重探讨天气和时间因素对POI序列推荐的影响，实现了一种天气和时间感知的个性化POI序列推荐方法；只需要输入用户的起始POI，在考虑时间和天气因素下，推荐给用户一条受欢迎的、最大化用户兴趣偏好的POI序列，使其更符合实际应用场景。
【附图说明】
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
图1为相关技术中感知排队时间的个性化行程推荐框架图；
图2为本发明一种天气和时间感知的个性化POI序列推荐方法的推荐框架图；
图3为本发明一种天气和时间感知的个性化POI序列推荐方法的推荐流程图；
图4为本发明节点选择算法的流程图。
【具体实施方式】
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图2和3所示，本发明提供一种天气和时间感知的个性化POI序列推荐方法，包括如下步骤：
步骤一、数据预处理，把一天的时间划分为五个区间，分别为早上，上午，中午，下午和晚上；统计所有用户的旅行记录，将所有出现过的POI统计到集合A中，A＝{a1,a2,…an}；给定一个用户u，定义他的旅行历史记录为有序序列Su，Su＝(a1,ak,…am)；
具体的，早上表示7点到9点之间，上午表示9点到11点之间，中午表示11点到13点之间，下午表示13点到17点之间，晚上表示17点之后。
步骤二、POI流行度建模，对所有用户的旅行历史签到数据进行统计，将特定天气特征区间和特定时间区间内的所有用户在POI的签到次数归一化后作为在特定天气特征区间和时间区间内POI的流行度值；
具体的，天气特征主要分为晴朗，多云，降雨以及降雪四类。
在步骤二中，所述POI的流行度值由所有用户在特定天气和时间区间内在特定地点a签到次数Ocr(a,Tt,Wt)表示，具体定义为：
Figure BDA0002011743200000061
其中，所述Ocr(a,Tt,Wt)表示由所有用户在特定天气和时间区间内在特定地点a签到次数，t表示时间，Tt表示当前时间t所在的时间区间，Wt表示t时间的天气特征，ax表示POI节点，Su表示用户u访问过的POI列表；
如果在当前天气特征区间和时间区间内用户u访问过ax为a，则δ(ax＝a,Tt,Wt)＝1，否则δ(ax＝a,Tt,Wt)＝0；
将POI流行度Pop进行归一化处理,具体定义为：
Figure BDA0002011743200000062
步骤三、用户兴趣建模，实现每个用户对集合A中所有POI的偏好预测；若POIai被用户访问过，则通过特定天气和时间签到次数定义用户在特定天气和时间对ai的兴趣值；若出现的POI没有被用户访问过，则根据用户与用户在相同天气特征和时间区间内对同一POI的签到情况来定义相似用户，基于相似用户得到被推荐用户对未访问过POI的兴趣值。
具体的，用户兴趣建模主要是离线操作得到用户对POI列表中每个POI的偏好得分，主要根据以下两个准则；1)对于用户曾经访问过的POI，本发明采用统计方法，根据用户在特定天气和时间区间的历史的签到次数来表示用户对特定天气和时间下POI的喜爱程度；2)对于用户未访问过的POI，本发明结合天气因素和时间因素，扩展了基于用户的协同过滤模型。
具体的，所述兴趣偏好值定义如下：
兴趣偏好值由以下公式表示：
Figure BDA0002011743200000063
其中，如果当前天气特征区间和时间区间内ak被用户u′访问过，δu′(ax＝a,Tt,Wt)＝1，否则δu′(ax＝a,Tt,Wt)＝0；
Wu,u′(Tt,Wt)表示在考虑天气因素和时间因素下，用户u和用户u′相似度的估计，它的具体定义如下：
Figure BDA0002011743200000064
Cu(a,Tt,Wt)表示用户u在天气特征区间和时间区间内访问a的情况，如果访问过，Cu(a,Tt,Wt)＝1，反之则为0；
对于用户访问过的POI，将用户在特定天气特征和时间区间内访问POI的次数作为用户对访问过的POI的兴趣衡量标准，Intu(a,Tt,Wt)具体定义如下：
Figure BDA0002011743200000071
其中，|Vu(Tt,Wt)|表示用户u在特定天气特征Wt和时间区间Tt内签到总次数。
步骤四、进行天气和时间感知的个性化POI序列推荐，具体包括如下步骤：
输入起点POI和推荐序列的限制时间；
结合用户兴趣偏好值和POI的流行度值采用节点选择算法选择当前天气特征区间和时间区间内最优的下一个访问的节点；
根据POI序列推荐算法给用户推荐一条在考虑天气因素和时间因素下，受欢迎、最大化用户兴趣的个性化POI序列。
在该步骤四中，主要考虑用户兴趣偏好值和POI的流行度值，以及在迭代过程中还没有遍历的节点。
具体的，所述选择节点算法包括如下步骤：
输入当前时间特征Tt、当前时间对应的天气特征Wt、Tvisit、Treward以及本次迭代形成的部分POI序列I(a1,…)；
从Tvisit得到ai被访问次数；
遍历A中剩余的节点aj，其中，aj不属于I(tem)，按照公式
Figure BDA0002011743200000072
Figure BDA0002011743200000073
计算剩余节点的树的上限置信区间UCT(Upper Confidence Bound applied to Tree)值；
输出剩余节点中UCT值最大的aj。
具体的，POI序列推荐算法包括如下步骤：
a、输入起始地点a1、出发时间t、当前天气特征、用户总的时间预算B以及迭代次数N；
b、初始化两棵相似的树Tvisit和Treward，树的根节点为起始地点a1，子节点是一系列的POI的集合A，树的深度为|A|，其中，Tvisit记录节点在迭代过程中被访问的次数，Treward记录节点在迭代过程中的奖励情况；
初始化list存放每一迭代形成的POI序列；
初始化列表TR用来存放每次迭代形成POI序列的总奖励值；
初始化变量n；
c、判断n是否小于N，若满足，则重复进行步骤d-e；若不满足，则进行步骤f；
d、初始化列表I(tem)，用来存放本次迭代的节点选择结果，将a1添加到I(tem)，
Figure BDA0002011743200000081
Figure BDA0002011743200000082
初始化成本cost＝0，根据公式R＝Pop(ak,Tt,Wt)+Intu(ak,Tt,Wt)计算a1的奖励值R，tR←R；
e、判断成本cost是否小于时间预算B，
若满足，重复进行步骤1)和2)；
1)通过API接口访问当前时间的天气特征，将当前时间映射到时间特征区间，根据选择节点算法选择下一个节点aj；
2)将aj添加到I(tem)中，
Figure BDA0002011743200000083
ai←aj，据公式R＝Pop(a,Tt,Wt)+Intu(a,Tt,Wt)计算aj的奖励值,更新tR:tR←tR+R，更新时间信息t；具体的，本发明采用对数正态分布来计算ak到am的旅行花费时间
Figure BDA0002011743200000084
Figure BDA0002011743200000085
是计算所有用户在aj的平均停留时间；
若不满足，将I(tem)结果反向传播到根节点，更新Tvisit，将I(tem)和tR反向传播到根节点，更新Treward将I(tem)添加到list，tR添加到TR,n+1←n；
f、输出TR中最大值对应list中的POI序列。
本发明的有益效果：本发明着重探讨天气和时间因素对POI序列推荐的影响，基于天气和时间信息对POI流行度和用户兴趣进行建模，实现了一种天气和时间感知的个性化POI序列推荐方法，只需要输入用户的起始POI，就可以在考虑时间和天气因素下，给用户推荐一个受欢迎的、最大化用户兴趣偏好的POI序列，使其更符合实际应用场景。
尽管本发明的实施方案已公开如上，但并不仅仅限于说明书和实施方案中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里所示出与描述的图例。

Claims (8)

1.一种天气和时间感知的个性化POI序列推荐方法，其特征在于，包括如下步骤：
步骤一、数据预处理，把一天的时间划分为五个区间，分别为早上，上午，中午，下午和晚上；统计所有用户的旅行记录，将所有出现过的POI统计到集合A中，A＝{a1,a2,…an}；给定一个用户u，定义他的旅行历史记录为有序序列Su，Su＝(a1,ak,…am)；
步骤二、POI流行度建模，对所有用户的旅行历史签到数据进行统计，将特定天气特征区间和特定时间区间内的所有用户在POI的签到次数归一化后作为在特定天气特征区间和时间区间内POI的流行度值；
步骤三、用户兴趣建模，实现每个用户对集合A中所有POI的偏好预测；若POIai被用户访问过，则通过特定天气和时间签到次数定义用户在特定天气和时间对ai的兴趣值；若出现的POI没有被用户访问过，则根据用户与用户在相同天气特征和时间区间内对同一POI的签到情况来定义相似用户，基于相似用户得到被推荐用户对未访问过POI的兴趣值；
步骤四、进行天气和时间感知的个性化POI序列推荐，具体包括如下步骤：
输入起点POI和推荐序列的限制时间；
结合用户兴趣偏好值和POI的流行度值采用节点选择算法选择当前天气特征区间和时间区间内最优的下一个访问的节点；
根据POI序列推荐算法给用户推荐一条在考虑天气因素和时间因素下，受欢迎、最大化用户兴趣的个性化POI序列。
2.如权利要求1所述的一种天气和时间感知的个性化POI序列推荐方法，其特征在于，在步骤一中，早上表示7点到9点之间，上午表示9点到11点之间，中午表示11点到13点之间，下午表示13点到17点之间，晚上表示17点之后。
3.如权利要求1或2所述的一种天气和时间感知的个性化POI序列推荐方法，其特征在于，在步骤二中，天气特征分为晴朗，多云，降雨以及降雪四类。
4.如权利要求1所述的一种天气和时间感知的个性化POI序列推荐方法，其特征在于，在步骤二中，所述POI的流行度值由所有用户在特定天气和时间区间内在特定地点a签到次数Ocr(a,Tt,Wt)表示，具体定义为：
Figure FDA0002593393650000011
其中，t表示时间，Tt表示当前时间t所在的时间区间，Wt表示t时间的天气特征，ax表示POI节点，Su表示用户u访问过的POI列表；
如果在当前天气特征区间和时间区间内用户u访问过ax为a，则δ(ax＝a,Tt,Wt)＝1，否则δ(ax＝a,Tt,Wt)＝0；
将POI流行度Pop进行归一化处理,具体定义为：
Figure FDA0002593393650000021
5.如权利要求4所述的一种天气和时间感知的个性化POI序列推荐方法，其特征在于，在步骤三中，兴趣偏好值由以下公式表示：
Figure FDA0002593393650000022
其中，如果当前天气特征区间和时间区间内ak被用户u′访问过，δu′(ax＝a,Tt,Wt)＝1，否则δu′(ax＝a,Tt,Wt)＝0；
Wu,u′(Tt,Wt)表示在考虑天气因素和时间因素下，用户u和用户u′相似度的估计，它的具体定义如下：
Figure FDA0002593393650000023
Cu(a,Tt,Wt)表示用户u在天气特征区间和时间区间内访问a的情况，如果访问过，Cu(a,Tt,Wt)＝1，反之则为0；
对于用户访问过的POI，将用户在特定天气特征和时间区间内访问POI的次数作为用户对访问过的POI的兴趣衡量标准，Intu(a,Tt,Wt)具体定义如下：
Figure FDA0002593393650000024
其中，|Vu(Tt,Wt)|表示用户u在特定天气特征Wt和时间区间Tt内签到总次数。
6.如权利要求5所述的一种天气和时间感知的个性化POI序列推荐方法，其特征在于，在步骤四中，POI序列推荐算法包括如下步骤：
a、输入起始地点a1、出发时间t、当前天气特征、用户总的时间预算B以及迭代次数N；
b、初始化两棵相似的树Tvisit和Treward，树的根节点为起始地点a1，子节点是一系列的POI的集合A，树的深度为|A|，其中，Tvisit记录节点在迭代过程中被访问的次数，Treward记录节点在迭代过程中的奖励情况；
初始化list存放每一迭代形成的POI序列；
初始化列表TR用来存放每次迭代形成POI序列的总奖励值；
初始化变量n；
c、判断n是否小于N，若满足，则重复进行步骤d-e；若不满足，则进行步骤f；
d、初始化列表I(tem)，用来存放本次迭代的节点选择结果，将a1添加到I(tem)，ai←a1，
Figure FDA0002593393650000031
初始化成本cost＝0，根据公式R＝Pop(ak,Tt,Wt)+Intu(ak,Tt,Wt)计算a1的奖励值R，tR←R；
e、判断成本cost是否小于时间预算B，
若满足，重复进行步骤1)和2)；
1)通过API接口访问当前时间的天气特征，将当前时间映射到时间特征区间，根据选择节点算法选择下一个节点aj；
2)将aj添加到I(tem)中，
Figure FDA0002593393650000034
ai←aj，据公式R＝Pop(a,Tt,Wt)+Intu(a,Tt,Wt)计算aj的奖励值,更新tR:tR←tR+R，更新时间信息t；
若不满足，将I(tem)结果反向传播到根节点，更新Tvisit，将I(tem)和tR反向传播到根节点，更新Treward将I(tem)添加到list，tR添加到TR,n+1←n；
f、输出TR中最大值对应list中的POI序列。
7.如权利要求6所述的一种天气和时间感知的个性化POI序列推荐方法，其特征在于，在步骤四中，所述选择节点算法包括如下步骤：
输入当前时间特征Tt、当前时间对应的天气特征Wt、Tvisit、Treward以及本次迭代形成的部分POI序列I(a1,…)；
从Tvisit得到ai被访问次数；
遍历A中剩余的节点aj，其中，aj不属于I(tem)，按照公式
Figure FDA0002593393650000032
Figure FDA0002593393650000033
计算剩余节点的树的上限置信区间UCT(Upper Confidence Bound applied to Tree)值；
输出剩余节点中UCT值最大的aj。
8.如权利要求6所述的一种天气和时间感知的个性化POI序列推荐方法，其特征在于，在步骤四中，采用对数正态分布来计算ak到am的旅行花费时间
Figure FDA0002593393650000041
Figure FDA0002593393650000042
是计算所有用户在aj的平均停留时间。
CN201910248635.6A 2019-03-29 2019-03-29 一种天气和时间感知的个性化poi序列推荐方法 Active CN109960762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910248635.6A CN109960762B (zh) 2019-03-29 2019-03-29 一种天气和时间感知的个性化poi序列推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910248635.6A CN109960762B (zh) 2019-03-29 2019-03-29 一种天气和时间感知的个性化poi序列推荐方法

Publications (2)

Publication Number Publication Date
CN109960762A CN109960762A (zh) 2019-07-02
CN109960762B true CN109960762B (zh) 2020-09-11

Family

ID=67025221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910248635.6A Active CN109960762B (zh) 2019-03-29 2019-03-29 一种天气和时间感知的个性化poi序列推荐方法

Country Status (1)

Country Link
CN (1) CN109960762B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781415B (zh) * 2019-09-16 2022-09-30 腾讯科技（深圳）有限公司 一种兴趣点推荐方法、装置、设备及介质
CN110929162B (zh) * 2019-12-04 2021-08-03 腾讯科技（深圳）有限公司 基于兴趣点的推荐方法、装置、计算机设备和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9805058B2 (en) * 2014-06-01 2017-10-31 Microsoft Technology Licensing, Llc Visibility of a point of interest based on environmental conditions
CN105069717A (zh) * 2015-07-29 2015-11-18 陕西师范大学 一种基于游客信任度的个性化旅游线路推荐方法
CN109059934A (zh) * 2018-09-28 2018-12-21 Oppo广东移动通信有限公司 路径规划方法、装置、终端及存储介质

Also Published As

Publication number Publication date
CN109960762A (zh) 2019-07-02

Similar Documents

Publication Publication Date Title
EP3179434A1 (en) Designing context-aware recommendation systems, based on latent contexts
CN103678518B (zh) 一种推荐列表调整方法和装置
CN112069415A (zh) 一种基于异构属性网络表征学习的兴趣点推荐方法
CN106447463A (zh) 一种基于马尔科夫决策过程模型的商品推荐方法
CN109948066B (zh) 一种基于异构信息网络的兴趣点推荐方法
WO2017010317A1 (ja) 表示制御装置、表示制御方法、及び、プログラム
CN105787061A (zh) 信息推送方法
CN109062962A (zh) 一种融合天气信息的门控循环神经网络兴趣点推荐方法
CN104935963A (zh) 一种基于时序数据挖掘的视频推荐方法
CN110287419A (zh) 一种商品推荐方法、装置、服务器及存储介质
CN109960762B (zh) 一种天气和时间感知的个性化poi序列推荐方法
KR102203253B1 (ko) 생성적 적대 신경망에 기반한 평점 증강 및 아이템 추천 방법 및 시스템
CN112733996A (zh) 基于GA-PSO优化XGBoost的水文时间序列预测方法
CN109508428A (zh) 基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法
CN110245987A (zh) 一种广告点击率预测方法、装置、服务器及存储介质
CN105630946A (zh) 一种基于大数据的领域交叉推荐方法及装置
CN109214863A (zh) 一种基于快递数据预测城市房屋需求的方法
Habib et al. Location, time, and preference aware restaurant recommendation method
CN106909560B (zh) 兴趣点排序方法
JP6330901B2 (ja) 階層隠れ変数モデル推定装置、階層隠れ変数モデル推定方法、払出量予測装置、払出量予測方法、及び記録媒体
CN115774819B (zh) 一种基于层次循环神经网络的兴趣点推荐方法及系统
CN116578726B (zh) 一种个性化图书推荐系统
Sarkar et al. gTour: Multiple itinerary recommendation engine for group of tourists
CN109190040A (zh) 基于协同演化的个性化推荐方法及装置
Liu Airbnb pricing based on statistical machine learning models

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