CN112784177B - 一种空间距离自适应的下一个兴趣点推荐方法 - Google Patents

一种空间距离自适应的下一个兴趣点推荐方法 Download PDF

Info

Publication number
CN112784177B
CN112784177B CN202110062234.9A CN202110062234A CN112784177B CN 112784177 B CN112784177 B CN 112784177B CN 202110062234 A CN202110062234 A CN 202110062234A CN 112784177 B CN112784177 B CN 112784177B
Authority
CN
China
Prior art keywords
user
interest point
check
interest
probability
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
CN202110062234.9A
Other languages
English (en)
Other versions
CN112784177A (zh
Inventor
俞东进
沈熠
俞婷
王东京
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202110062234.9A priority Critical patent/CN112784177B/zh
Publication of CN112784177A publication Critical patent/CN112784177A/zh
Application granted granted Critical
Publication of CN112784177B publication Critical patent/CN112784177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Abstract

本发明公开了一种空间距离自适应的下一个兴趣点推荐方法。该方法结合马尔科夫链并且能够自适应用户个人偏好进行兴趣点推荐。使用马尔科夫链捕获用户签到序列的时序关系，并且为每个用户生成个性化的转移矩阵用于捕获用户个人偏好。引入张量分解模型解决数据集签到数据稀疏的问题，使每个转移矩阵都受到相似用户、相似兴趣点、用户潜在偏好的影响，生成更完善和高质量的用户转移矩阵，通过这个转移矩阵捕获完善的用户个人偏好和兴趣点之间的转移关系。通过用户签到序列学习用户的个性化潜在行为模式，从而捕获到有效的用户潜在个人偏好。通过融合空间距离的方法对用户长期潜在个人偏信息作出取舍，根据兴趣点间的距离自适应用户个人偏好。

Description

一种空间距离自适应的下一个兴趣点推荐方法
技术领域
本发明属于推荐系统领域，具体涉及一种根据空间距离自适应用户兴趣和兴趣点转移关系的下一个兴趣点推荐方法。
背景技术
近年来，随着网络技术的不断发展，人们在网上能够获取到的信息日益增加，从海量的数据中精确推荐用户所感兴趣的信息成了一个巨大的挑战。针对信息过载的问题，研究学者们提出了各式各样的推荐系统用于音乐、电影、广告、商品等领域。例如，在网易云音乐中会通过用户经常听的音乐推荐相似的音乐，在京东和淘宝上则会通过用户历史购买的商品以及用户曾经搜索过或者点击过的商品进行推荐商品。
兴趣点推荐和上面提到电商、音乐、广告有所不同。兴趣点推荐的用户签到数据非常稀疏，一个用户通常只会访问兴趣点集合的很小一部分。除此之外，用户访问兴趣点会受到空间和时间上的限制，相比其他领域，兴趣点推荐中的上下文信息会更加重要。例如用户在工作日早上会前往工作地点，中午的时候会选择距离工作地点比较近的餐厅用餐；而在周末的时候，他们会选择娱乐场所或者旅游景点进行签到。
目前推荐系统中常用的协同过滤可以通过签到数据预测用户对兴趣点的偏好，其中有一些是通过计算用户-用户、兴趣点-兴趣点之间的相似度来进行推荐，但是由于存在数据稀疏的问题而使得推荐精度较低。有一些则选择通过用户历史访问的兴趣点建立模型，从而推荐用户最可能访问的K个兴趣点，但其往往忽略了用户签到之间的连续关系，而这在兴趣点推荐上非常重要，因为用户的运动通常是连续，有效兴趣点推荐系统应该结合用户的签到序列、用户个人偏好以及空间上的距离。
发明内容
针对现有技术的不足，本发明提出了一种空间距离自适应的下一个兴趣点推荐方法，结合用户签到序列、上下文信息和兴趣点之间的空间关系，采用马尔科夫链和矩阵分解方法解决签到兴趣点签到数据稀疏的问题，最后通过贝叶斯排序的方式对用户的预测结果进行排序，向用户推荐下一个兴趣点。
一种空间距离自适应的下一个兴趣点推荐方法，具体包括以下步骤：
步骤一、数据获取与预处理
获取用户一系列历史签到记录，每条签到记录包含签到时间、用户名称、兴趣点，提取出所有用户和所有兴趣点，删除其中出现次数少于a次的个别兴趣点和个别用户，得到用户集合和兴趣点集合。
作为优选，a的取值为10。
步骤二、构建签到序列
将步骤一预处理后的每个用户的历史签到记录按照签到时间的先后顺序分别排序，得到每个用户按照时间顺序的签到序列。
步骤三、构建转移矩阵
根据步骤二得到的用户签到序列，采用马尔科夫链对每个用户u构建一个转移矩阵Au，其中元素
Figure GDA0003501173150000021
表示签到序列中是否存在用户u从兴趣点i出发到兴趣点l的记录，存在则为1，否则为0；合并所有用户的转移矩阵Au得到一个转移张量A；
步骤四、估计用户签到概率
使用Tucker Decomposition线性分解模型对步骤三中得到转移张量A进行估计，得到估计张量
Figure GDA0003501173150000022
Figure GDA0003501173150000023
其中C为核心张量，U为用户特征矩阵，行表示用户，列表示用户的潜在特征因子；I为当前所在兴趣点i的特征矩阵，行表示当前所在兴趣点，列表示当前所在兴趣点的潜在特征因子；L为下一个兴趣点l的特征矩阵，行表示下一个兴趣点，列表示下一个兴趣点的潜在特征因子；然后根据张量模型成对之间的相互作用估计用户对兴趣点的签到概率，即估计张量
Figure GDA0003501173150000028
中每个元素的估计值。
步骤五、计算用户标准化签到概率
定义用户u从当前所在兴趣点i出发到下一个兴趣点l的签到概率pu(i，l)为：
Figure GDA0003501173150000024
根据签到概率pu(i，l)计算用户的标准化签到概率
Figure GDA0003501173150000025
Figure GDA0003501173150000026
其中ρ和k为待估计参数，使用最小二乘回归法学习；
Figure GDA0003501173150000027
表示用户u当前所在兴趣点i和下一个兴趣点l之间的距离；Max(pu)表示用户u历史签到序列中当前所在兴趣点和下一个兴趣点之间最大的转移概率。
步骤六、计算用户转移概率
将步骤五得到的用户标准化签到概率输入到sigmoid激活函数中，得到权重参数ξ：
Figure GDA0003501173150000031
其中σ表示sigmoid激活函数，
Figure GDA0003501173150000032
e表示自然常数；
Figure GDA0003501173150000033
表示对
Figure GDA0003501173150000034
进行E(x)＝wx+b的线性变换操作，w、b为常数；
然后根据权重参数ξ，得到位于兴趣点i的用户u对下一个兴趣点l的转移概率：
Figure GDA0003501173150000035
Figure GDA0003501173150000036
估计张量
Figure GDA0003501173150000037
中的元素，uU，L表示用户U与下一个兴趣点L的关系矩阵分解后得到的用户u的潜在因子向量；lL，U表示下一个兴趣点L与用户U的关系矩阵分解后得到的下一个兴趣点l的潜在因子向量；lL，I表示当前兴趣点I和下一个兴趣点L的关系矩阵分解后得到的下一个兴趣点l的潜在因子向量；iI，L表示当前兴趣点I和下一个兴趣点L的关系矩阵分解后得到的当前所在兴趣点i的潜在因子向量；
步骤七、学习签到概率
对步骤六的结果进行排序，定义兴趣点m和n之间的排名关系为：
Figure GDA0003501173150000038
其中m＞u，in表示用户u从兴趣点i移动到兴趣点m的概率
Figure GDA00035011731500000314
大于移动到兴趣点n的概率
Figure GDA00035011731500000310
因此：
P(Θ|＞u，i)∝P(＞u，i|Θ)P(Θ) (7)
其中Θ表示模型参数的集合，当每个用户的签到历史为独立的，且模型参数的先验概率服从正态分布
Figure GDA00035011731500000311
则通过最大化后验概率学习模型参数Θ，得到优化公式：
Figure GDA00035011731500000312
然后根据优化公式，采用随机梯度下降法对参数Θ进行优化：
Figure GDA00035011731500000313
其中ω表示梯度步长，对每个用户的签到序列进行采样，然后采用随机梯度下降法沿着负梯度方向更新参数Θ，迭代至收敛或迭代结束，学习每个用户下一个兴趣点的签到概率
Figure GDA0003501173150000041
作为优选，排序方法使用贝叶斯个性化排序的方式。
步骤八、兴趣点推荐
根据步骤七学习得到的用户下一个兴趣点的签到概率，计算用户签到序列中的最后一个兴趣点对其他所有兴趣点的签到概率，将其中签到概率最大的K个兴趣点作为下一个兴趣点推荐给该用户。
本发明具有以下有益效果：
1、通过用户历史签到记录，学习用户的个性化潜在行为模式，从而捕获到有效的用户潜在的个人偏好和兴趣点之间的转移关系。通过对真实数据集的分析，当访问空间距离上接近的兴趣点的时候，相较于用户个人偏好，兴趣点之间的转移关系会对用户产生更加大的影响；而访问空间距离上相距较远的兴趣点的时候，用户个人偏好会对用户产生更大的影响。所以融合了空间距离的方法对自适应用户对不同距离的兴趣点的潜在偏好权重，实现为每个用户推荐更加准确的兴趣点。
2、使用马尔科夫链捕获用户签到序列的时序关系，并且为每个用户生成个性化的转移矩阵用于捕获用户的个人偏好和兴趣点之间的转移关系。引入张量分解模型解决数据集签到数据稀疏的问题，使每个个性化转移矩阵都受到相似用户、相似兴趣点、用户潜在偏好的影响，生成更加完善和高质量的用户转移矩阵，通过这个转移矩阵捕获完善的用户个人偏好和兴趣点转移关系。
附图说明
图1为一种空间距离自适应的下一个兴趣点推荐方法流程图。
具体实施方式
以下结合附图对本发明作进一步的解释说明；
如图1所示，本方法具体包括以下步骤：
步骤一、数据获取与预处理
采用Foursquare等位置社交服务网站采集到的真实数据集，数据集中包含一系列历史签到记录，每条签到记录包含签到时间、用户、兴趣点。从数据集中提取出所有用户和所有兴趣点，因为出现次数过少的个别用户和兴趣点会对实验结果产生较大偏差，所以删除其中出现次数少于10次的个别兴趣点和个别用户，最终得到用户集合和兴趣点集合。
步骤二、构建签到序列
将步骤一预处理后的每个用户的历史签到记录按照签到时间的先后顺序分别排序，得到每个用户按照时间顺序的签到序列。
步骤三、构建转移矩阵
为捕捉用户在不同兴趣点之间的转移关系，根据步骤二得到的用户签到序列，采用马尔科夫链对每个用户u构建一个转移矩阵Au，其中元素
Figure GDA0003501173150000051
表示签到序列中是否存在用户u从兴趣点i出发到兴趣点l的记录，存在则为1，否则为0；合并所有用户的转移矩阵Au得到一个转移张量A；
步骤四、估计用户签到概率
使用Tucker Decomposition线性分解模型对步骤三中得到转移张量A进行估计，得到估计张量
Figure GDA0003501173150000052
Figure GDA0003501173150000053
其中C为核心张量，U为用户特征矩阵，行表示用户，列表示用户的潜在特征因子；I为当前所在兴趣点i的特征矩阵，行表示当前所在兴趣点，列表示当前所在兴趣点的潜在特征因子；L为下一个兴趣点l的特征矩阵，行表示下一个兴趣点，列表示下一个兴趣点的潜在特征因子；
然后根据三个张量模型成对之间的相互作用估计用户对兴趣点的签到概率
Figure GDA0003501173150000054
即估计张量
Figure GDA0003501173150000055
中每个元素的估计值：
Figure GDA0003501173150000056
uU，L表示用户U与下一个兴趣点L的关系矩阵分解后得到的用户u的潜在因子向量；lL，U表示下一个兴趣点L与用户U的关系矩阵分解后得到的下一个兴趣点l的潜在因子向量；lL，I表示当前兴趣点I和下一个兴趣点L的关系矩阵分解后得到的下一个兴趣点l的潜在因子向量；iI，L表示当前兴趣点I和下一个兴趣点L的关系矩阵分解后得到的当前所在兴趣点i的潜在因子向量；uU，L、lL，I、uU，I这三个关系矩阵包含在转移张量A中。
由于组合uU，I·iI，U不依赖于L并且对排名没有影响，因此可以忽略，所以
Figure GDA0003501173150000057
可以表示为：
Figure GDA0003501173150000058
步骤五、计算用户标准化签到概率
定义用户u从当前所在兴趣点i出发到下一个兴趣点l的签到概率pu(i，l)为：
Figure GDA0003501173150000059
根据签到概率pu(i，l)计算用户的标准化签到概率
Figure GDA0003501173150000061
Figure GDA0003501173150000062
其中ρ和k为待估计参数，使用最小二乘回归法学习；
Figure GDA0003501173150000063
表示用户u当前所在兴趣点i和下一个兴趣点l之间的距离；Max(pu)表示用户u历史签到序列中当前所在兴趣点和下一个兴趣点之间最大的转移概率。
步骤六、计算用户转移概率
将步骤五得到的用户标准化签到概率输入到sigmoid激活函数中，得到权重参数ξ：
Figure GDA0003501173150000064
其中σ表示sigmoid激活函数，
Figure GDA0003501173150000065
e表示自然常数；
Figure GDA0003501173150000066
表示对
Figure GDA0003501173150000067
进行E(x)＝wx+b的线性变换操作，w、b为常数；
然后根据权重参数ξ，得到位于兴趣点i的用户u对下一个兴趣点l的转移概率：
Figure GDA0003501173150000068
步骤七、学习签到概率
在进行下一兴趣点推荐时，将给出K个概率不同的推荐点，这些推荐点按照用户当前位置之后可能访问的可能性进行排名，此时兴趣点之间的排名顺序比其准确概率值更具有关联性，因此采用贝叶斯个性化排序的方式对步骤六的结果进行排序，定义兴趣点m和n之间的排名关系为：
Figure GDA0003501173150000069
其中m＞u，in表示用户u从兴趣点i移动到兴趣点m的概率
Figure GDA00035011731500000610
大于移动到兴趣点n的概率
Figure GDA00035011731500000611
因此：
P(Θ|＞u，i)∝P(＞u，i|Θ)P(Θ) (9)
其中Θ表示模型参数的集合，当每个用户的签到历史为独立的，通过最大化后验概率学习模型参数Θ：
Figure GDA00035011731500000612
定义两个兴趣点之间的排名关系：
Figure GDA00035011731500000613
将排名关系输入到sigmoid激活函数中进行排序：
Figure GDA0003501173150000071
假设模型参数的先验概率服从正态分布
Figure GDA0003501173150000072
通过最大化后验概率来学习模型参数Θ，得到最终的优化公式：
Figure GDA0003501173150000073
由于该优化公式可微，所以采用随机梯度下降法对参数Θ进行优化：
Figure GDA0003501173150000074
其中ω表示梯度步长，对每个用户的签到序列进行采样，然后采用随机梯度下降法沿着负梯度方向更新参数Θ，迭代至收敛或迭代结束，学习每个用户下一个兴趣点的签到概率
Figure GDA0003501173150000075
步骤八、兴趣点推荐
根据步骤七学习得到的用户下一个兴趣点的签到概率，计算用户签到序列中的最后一个兴趣点对其他所有兴趣点的签到概率，将其中签到概率最大的K个兴趣点作为下一个兴趣点推荐给该用户。

Claims (3)

1.一种空间距离自适应的下一个兴趣点推荐方法，其特征在于：该方法具体包括以下步骤：
步骤一、数据获取与预处理
获取用户一系列历史签到记录，每条签到记录包含签到时间、用户名称、兴趣点，提取出所有用户和所有兴趣点，删除其中出现次数少于a次的个别兴趣点和个别用户，得到用户集合和兴趣点集合；
步骤二、构建签到序列
将步骤一预处理后的每个用户的历史签到记录按照签到时间的先后顺序分别排序，得到每个用户按照时间顺序的签到序列；
步骤三、构建转移矩阵
根据步骤二得到的用户签到序列，采用马尔科夫链对每个用户u构建一个转移矩阵Au，其中元素
Figure FDA0003501173140000011
表示签到序列中是否存在用户u从兴趣点i出发到兴趣点l的记录，存在则为1，否则为0；合并所有用户的转移矩阵Au得到一个转移张量A；
步骤四、估计用户签到概率
使用Tucker Decomposition线性分解模型对步骤三中得到转移张量A进行估计，得到估计张量
Figure FDA0003501173140000012
Figure FDA0003501173140000013
其中C为核心张量，U为用户特征矩阵，行表示用户，列表示用户的潜在特征因子；I为当前所在兴趣点i的特征矩阵，行表示当前所在兴趣点，列表示当前所在兴趣点的潜在特征因子；L为下一个兴趣点l的特征矩阵，行表示下一个兴趣点，列表示下一个兴趣点的潜在特征因子；然后根据张量模型成对之间的相互作用估计用户对兴趣点的签到概率，即估计张量
Figure FDA0003501173140000014
中每个元素的估计值；
步骤五、计算用户标准化签到概率
定义用户u从当前所在兴趣点i出发到下一个兴趣点l的签到概率pu(i，l)为：
Figure FDA0003501173140000015
根据签到概率pu(i，l)计算用户的标准化签到概率
Figure FDA0003501173140000016
Figure FDA0003501173140000017
其中ρ和k为待估计参数，使用最小二乘回归法学习；
Figure FDA0003501173140000021
表示用户u当前所在兴趣点i和下一个兴趣点l之间的距离；Max(pu)表示用户u历史签到序列中当前所在兴趣点和下一个兴趣点之间最大的转移概率；
步骤六、计算用户转移概率
将步骤五得到的用户标准化签到概率输入到sigmoid激活函数中，得到权重参数ξ：
Figure FDA0003501173140000022
其中σ表示sigmoid激活函数，
Figure FDA0003501173140000023
e表示自然常数；
Figure FDA0003501173140000024
表示对
Figure FDA0003501173140000025
进行E(x)＝wx+b的线性变换操作，w、b为常数；
然后根据权重参数ξ，得到位于兴趣点i的用户u对下一个兴趣点l的转移概率：
Figure FDA0003501173140000026
Figure FDA0003501173140000027
估计张量
Figure FDA0003501173140000028
中的元素，uU，L表示用户U与下一个兴趣点L的关系矩阵分解后得到的用户u的潜在因子向量；lL，U表示下一个兴趣点L与用户U的关系矩阵分解后得到的下一个兴趣点l的潜在因子向量；lL，I表示当前兴趣点I和下一个兴趣点L的关系矩阵分解后得到的下一个兴趣点l的潜在因子向量；iI，L表示当前兴趣点I和下一个兴趣点L的关系矩阵分解后得到的当前所在兴趣点i的潜在因子向量；
步骤七、学习签到概率
对步骤六的结果进行排序，定义兴趣点m和n之间的排名关系为：
Figure FDA0003501173140000029
其中m＞u，in表示用户u从兴趣点i移动到兴趣点m的概率
Figure FDA00035011731400000210
大于移动到兴趣点n的概率
Figure FDA00035011731400000211
因此：
P(Θ|＞u，i)∝P(＞u，i|Θ)P(Θ) (7)
其中Θ表示模型参数的集合，当每个用户的签到历史为独立的，且模型参数的先验概率服从正态分布
Figure FDA00035011731400000212
则通过最大化后验概率学习模型参数Θ，得到优化公式：
Figure FDA00035011731400000213
然后根据优化公式，采用随机梯度下降法对参数Θ进行优化：
Figure FDA0003501173140000031
其中ω表示梯度步长，对每个用户的签到序列进行采样，然后采用随机梯度下降法沿着负梯度方向更新参数Θ，迭代至收敛或迭代结束，学习每个用户下一个兴趣点的签到概率
Figure FDA0003501173140000032
步骤八、兴趣点推荐
根据步骤七学习得到的用户下一个兴趣点的签到概率，计算用户签到序列中的最后一个兴趣点对其他所有兴趣点的签到概率，将其中签到概率最大的K个兴趣点作为下一个兴趣点推荐给该用户。
2.如权利要求1所述一种空间距离自适应的下一个兴趣点推荐方法，其特征在于：步骤一中a的取值为10。
3.如权利要求1所述一种空间距离自适应的下一个兴趣点推荐方法，其特征在于：步骤七中使用的排序方法为贝叶斯个性化排序。
CN202110062234.9A 2021-01-18 2021-01-18 一种空间距离自适应的下一个兴趣点推荐方法 Active CN112784177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110062234.9A CN112784177B (zh) 2021-01-18 2021-01-18 一种空间距离自适应的下一个兴趣点推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110062234.9A CN112784177B (zh) 2021-01-18 2021-01-18 一种空间距离自适应的下一个兴趣点推荐方法

Publications (2)

Publication Number Publication Date
CN112784177A CN112784177A (zh) 2021-05-11
CN112784177B true CN112784177B (zh) 2022-04-15

Family

ID=75756324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110062234.9A Active CN112784177B (zh) 2021-01-18 2021-01-18 一种空间距离自适应的下一个兴趣点推荐方法

Country Status (1)

Country Link
CN (1) CN112784177B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549143B (zh) * 2022-03-18 2022-07-29 电子科技大学 线下停车记录与线上购买行为融合的个性化商品推荐方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933595A (zh) * 2015-05-22 2015-09-23 齐鲁工业大学 一种基于马尔科夫预测模型的协同过滤推荐方法
CN105740401A (zh) * 2016-01-28 2016-07-06 北京理工大学 一种基于个体行为和群体兴趣的兴趣地点推荐方法及装置
CN106960256A (zh) * 2017-03-17 2017-07-18 中山大学 基于时间空间上下文的循环神经网络预测位置的方法
CN109492166A (zh) * 2018-08-06 2019-03-19 北京理工大学 基于签到时间间隔模式的连续兴趣点推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933595A (zh) * 2015-05-22 2015-09-23 齐鲁工业大学 一种基于马尔科夫预测模型的协同过滤推荐方法
CN105740401A (zh) * 2016-01-28 2016-07-06 北京理工大学 一种基于个体行为和群体兴趣的兴趣地点推荐方法及装置
CN106960256A (zh) * 2017-03-17 2017-07-18 中山大学 基于时间空间上下文的循环神经网络预测位置的方法
CN109492166A (zh) * 2018-08-06 2019-03-19 北京理工大学 基于签到时间间隔模式的连续兴趣点推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Aggregated Temporal Tensor Factorization Model for Point-of-Interest Recommendation";Shenglin Zhao等;《Neural Processing Letters》;20170812;第975–992页 *
"基于个性化马尔科夫链的推荐算法";李贵等;《计算机科学》;20140820;第40卷(第10期);第319-322页 *

Also Published As

Publication number Publication date
CN112784177A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN109062962B (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
CN113010572B (zh) 基于深度贝叶斯网络的公共数字生活场景规则模型预测预警方法
CN110503531A (zh) 时序感知的动态社交场景推荐方法
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
CN111506835A (zh) 一种融合用户时间特征和个性特征的数据特征提取方法
CN111241425B (zh) 一种基于层次注意力机制的poi推荐方法
Yang et al. Recurrent spatio-temporal point process for check-in time prediction
CN112650933B (zh) 一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法
CN112784177B (zh) 一种空间距离自适应的下一个兴趣点推荐方法
He Research on tourism route recommendation strategy based on convolutional neural network and collaborative filtering algorithm
Xue et al. Forecasting hourly attraction tourist volume with search engine and social media data for decision support
CN109684561B (zh) 基于用户签到行为变化的深层语义分析的兴趣点推荐方法
CN114782114A (zh) 一种基于CNN-GRU和SSA-GWO-LightGBM的机票价格预测方法
CN107909498B (zh) 基于最大化接受者操作特征曲线下方面积的推荐方法
CN115935067A (zh) 面向社会化推荐的语义与结构视图融合的物品推荐方法
CN112765493B (zh) 一种用于兴趣点推荐的获取时间偏好融合序列偏好的方法
CN115952355A (zh) 基于时空幂律注意力的下一兴趣点推荐系统
CN114417166A (zh) 基于行为序列和动态社交影响的连续兴趣点推荐方法
CN113886451A (zh) 一种融入多视图的基于自注意力机制的poi推荐方法
Wu et al. Mining trajectory patterns with point-of-interest and behavior-of-interest
Zu et al. Wisdom Homestay Tourism Recommendation Platform and Marketing Strategy Based on Multi-Information Fusion Sensor Network
Haidn Flight recommender system using implicit feedback
CN111967946B (zh) 一种基于面向用户多关系信息网络的商品推荐方法及系统
JP2020047079A (ja) 学習プログラム、学習方法および学習装置
CN113032688B (zh) 针对社交网络用户在未来给定时间的访问位置预测方法

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