CN113626697A - 一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法 - Google Patents
一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法 Download PDFInfo
- Publication number
- CN113626697A CN113626697A CN202110896856.1A CN202110896856A CN113626697A CN 113626697 A CN113626697 A CN 113626697A CN 202110896856 A CN202110896856 A CN 202110896856A CN 113626697 A CN113626697 A CN 113626697A
- Authority
- CN
- China
- Prior art keywords
- user
- interest
- lda
- anchor
- layer
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 238000002474 experimental method Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000012905 input function Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 5
- 238000004873 anchoring Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于anchor‑LDA和卷积神经网络的兴趣点推荐方法,首先采用anchor‑LDA学习用户和兴趣点的显示关联关系,关联关系主要受距离的影响。其次采用卷积神经网络学习用户和兴趣点的隐式关联关系。最后将用户和兴趣点的显示和隐式关系集成,进行兴趣点推荐,提高推荐的准确性。本发明在一个公开真实的数据集上进行实验,实验结果表明提出的模型显著优于当前主流模型,改进了传统的矩阵分解的推荐算法,提高了推荐的准确性并且降低了时间复杂度,对兴趣点推荐的发展具有实际意义。
Description
技术领域
本发明属于神经网络和推荐系统的技术领域,尤其涉及一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法。
背景技术
近年来,随着现代的科技不断发展和进步,智能设备的普及应用,获取实时的位置信息越来越方便和容易。此外,Web上出现了许多与位置相关的兴趣点推荐相关的app,提供基于位置的服务给他们的用户,如Facebook、Instagram等。兴趣点推荐是基于位置的社交网络中最具有代表性的领域之一。协同过滤也是近年来推荐系统中比较受欢迎的技术,基本思想是通过分析用户的偏好找到与指定的用户偏好的其他形似用户,综合这些用户对兴趣点的评价信息,形成对指定用户的兴趣点预测。
兴趣点首先要考虑的信息就是位置信息。例如,大多数人首先会考虑访问离自己距离近的地点。矩阵分解是兴趣点推荐中比较常用的方法之一。尽管数据大多数是基于位置的社交网络,但是在这些数据中还是很难获得用户的偏好信息。矩阵分解被广泛的运用于解决数据稀疏的问题,因为它可以在稀疏的数据中加入隐式信息,考虑社会信息可以很容易的扩展矩阵分解。
发明内容
针对现有技术的不足,本发明所解决的技术问题在于提供一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法,将初始签到信息作为主要因素,时间复杂度较低,提出了一种神经网络模型,将协作信息和社交网络等信息嵌入到用户和兴趣点的向量中,集成这两个模型的输出,进而为用户进行兴趣点的推荐。
为了解决上述技术问题,本发明通过以下技术方案来实现:
本发明提供一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法,包括以下步骤:
步骤S1:在登陆的用户位置信息中,忽略用户的时间循环信息;
步骤S1.1:收集用户的签到信息,构造用户-项目矩阵;
步骤S2:使用LDA模型寻找用户偏好主题;
步骤S3:设置初始签到地点和锚点,计算锚点和用户访问的访问地点的距离;
步骤S3.1:将用户和锚点的距离拟合到指数分布函数中;
步骤S3.2:通过LDA和概率分布的指数分布为每个用户进行兴趣点推荐;
步骤S4:由CNN的卷积层提取数据特征和获得时空依赖性;
步骤S5:使用批处理归一化层来改进训练和规范化数据值;
步骤S5.1:再次利用批处理标准化层和激活层;
步骤S6:将用户和兴趣点的显示和隐式关联关系集成到一起,进行兴趣点推荐。
可选的,在步骤S1中,用户在LBSN登陆他们访问的位置信息,其中包括用户ID、位置ID、时间循环和各种信息;通过收集用户所有签到记录,构造一个用户项目矩阵,其中每一行对应唯一的用户,每一列对应一个地点。
进一步的,所述步骤S3中,用户访问兴趣点通过两个因素描述,一个是纯粹的兴趣,另一个是距离的远近;纯粹的兴趣可以从LDA中得到用户的兴趣主题,对于距离因素,每个用户都有自己的锚点,在地点集合中;当访问地点受距离影响时,遵循参数的指数分布。
可选的,所述步骤S4中,由CNN的卷积层提取数据特征和获得时空依赖性,在每个卷积核和输入数据之间执行点积的代数运算,第一卷积层负责提取低层次特征,而更深的卷积层检测更高层次特征,将每一层的输出标准化为下一层的输入,重新校准数据完成这个标准化过程,使标准偏差和平均值为零。
进一步的,所述步骤S5中,使用六个输入功能图,包括每个用户的访问时间的用户标识、月、日、小时、分钟和秒;使用批处理归一化层来改进训练和规范化数据值,其输出反馈给激活层,下一层有16个卷积核组来提取特征,然后和它们相应的32个卷积核;再次利用批处理标准化层和激活层,在下一层中,有64个具有相同尺寸的卷积核,批归一化层和ReLU功能保持输出值在正常范围内;应用两个完全连接的层来实现健壮性,利用回归层生成两个值,根据训练数据预测的经度和纬度推荐位置。
进一步的,所述步骤S6中,将用户和兴趣点的显和隐式关联关系集成到一起,输入到一个全连接的神经网络中进行兴趣点推荐;对于实验的数据集,将其分成十份,轮流将其中的9份作为训练数据,1份是测视数据进行实验。
由上,本发明的基于anchor-LDA和卷积神经网络的兴趣点推荐方法具有如下有益效果:
本发明将用户与兴趣点的关系分为两种情况,一种是显示信息,另外一种是隐式信息。显示信息主要是用户选择兴趣点直接受物理距离的影响,首先会考虑物理距离距离自己比较近的地点。使用了基于锚定效应的LDA模型,LDA模型是一个文档主题生成模型,也成为三层贝叶斯概率模型,将锚定效应和LDA模型结合起来解决用户和兴趣点的显示关联关系。隐式信息主要是考虑用户和兴趣点的隐式关联关系,例如用户的性格、出行的目的、经费原因等各种潜在的因素。使用卷积神经网络来改善矩阵分解的方法,更好地挖掘用户与兴趣点的隐式关联关系。最后整合用户显示关联关系和隐式关联关系,提高推荐的准确性。
本发明在最后在一个真实的数据集上用许多最先进的基线方法和评估指标进行了广泛的实验。即在Gowalla数据集上对其中所包含的三个城市进行实验,实验结果证明了该发明的有效性。该发明改进了传统的矩阵分解的推荐算法,提高了推荐的准确性并且降低了时间复杂度,对兴趣点推荐的发展具有实际意义。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下结合优选实施例,并配合附图,详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单地介绍。
图1为本发明的基于anchor-LDA和卷积神经网络的兴趣点推荐方法的流程图;
图2为访问地点和锚点之间的距离关系图;
图3为CNN模型图;
图4为Anchor-LDA图;
图5为本发明的总体框架图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式,其作为本说明书的一部分,通过实施例来说明本发明的原理,本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中,不同的图中相同或相似的部件使用相同的附图标号来表示。
为了测试对兴趣点的推荐的准确性,在Gowalla数据集上进行实验,Gowalla包含San Francisco(SFC)、Austin(ATX)、New York City(NYC)。Gowalla数据集中SFC的用户有2056个,地点有11462个,签到总数有89815个ATX的用户有4181个,地点有218435个,签到总数有200926个,NYC的用户有2171个,地点有19130个,签到总数有83099个。
如图1至图5所示,本发明的基于Anchor-LDA和神经网络的兴趣点推荐方法,包括以下步骤:
步骤S1:用户在LBSN登陆他们访问的位置信息,其中包括用户ID、位置ID、时间循环和各种信息。在Anchor-LDA中,忽略时间循环的信息。因为在这个模型中主要是找到用户初始的签到地点。
步骤S1.1:通过收集用户所有签到记录,可以构造一个用户项目矩阵,其中每一行对应唯一的用户,每一列对应一个地点。使用用户-地点签到矩阵来了解用户对地点的偏好。
步骤S1.2:每次签到都是由于用户的偏好驱动的,这并不是人为指定的。依靠LDA模型寻找用户的偏好主题LDA最初是在自然语言处理中提出来的,并广泛应用于文档中提取主题。这里将文档视为用户,将单词视为地点。
步骤S2:将用户的初始签到地点设置为锚定效应中的锚点,计算每个用户访问的地点和锚点之间的距离。如图2所示是用户访问地点和锚点距离之间的直方图,图2中显示大多数用户访问的地点都在锚点附近。
步骤S2.1:将如图2所示直方图拟合到指数分布函数中,找到用户访问地点和初始签到地点。
步骤S3:用户访问兴趣点可以通过两个因素描述,一个是纯粹的兴趣,另一个是距离的远近。纯粹的兴趣可以从LDA中得到用户的兴趣主题,对于距离因素,每个用户都有自己的锚点,在地点集合中。当访问地点受距离影响时,它遵循参数λ的指数分布。这两个因素是通过伯努利实验确定的。
步骤S3.2:情况a对应于LDA,情况b对应于锚定效应的生成过程。对于情况a,按照LDA的生成过程进行主题的选择。对于情况b,将每个用户的初始签到地点设置为锚点,通过用户访问地点和锚点之间的距离关系图,使用概率分布函数的指数分布为每个用户进行兴趣点推荐。
变分推理最常用于推断潜在变量的后验分布,变分推理通过最小化变分分布和后验分布之间的KL散度。
步骤S4:由CNN的卷积层提取数据特征和获得时空依赖性。在每个卷积核和输入数据之间执行点积的代数运算。第一卷积层负责提取低层次特征,而更深的卷积层检测更高层次特征。将每一层的输出标准化为下一层的输入。重新校准数据完成这个标准化过程,使标准偏差和平均值为零。
步骤S4.1:将批处理标准化或卷积层的输出输入到激活层,基于误差反向传播的ReLU激活函数将负数更改为零值。全连接层每个节点及其相应的可学习权值乘以每个输入向量,与卷积层相比,全连接的层包含了更多的参数。
步骤S5:方法使用六个输入功能图,包括每个用户的访问时间的用户ID、月、日、小时、分钟和秒。如图3所示,有10个不同数量的卷积层。在前三层中使用了3个具有2×1大小的卷积核。改进训练和规范化数据值。其输出反馈给激活层,下一层有16个卷积核组来提取特征,然后和它们相应的32个卷积核。
步骤S5.1:再次利用批处理标准化层和激活层。在下一层中,有64个具有相同尺寸的卷积核。归一化层和ReLU功能保持输出值在正常范围内,防止过拟合效果。
步骤S5.2:应用两个完全连接的层来实现健壮性。最后,由于结果是连续的,利用回归层生成两个值,根据训练数据预测的经度和纬度推荐位置。
CNN模型使用RMSE的方法计算损失,它计算实际位置和预测位置之间的差异。
步骤S6:将用户和兴趣点的显示和隐式关联关系集成到一起,输入到一个全连接的神经网络中进行兴趣点推荐。
步骤S6.1:对于实验的数据集,将其分成十份,轮流将其中的9份作为训练数据,1份是测视数据进行实验。
实验结果验证了该发明的有效性。该发明改进了传统的兴趣点推荐系统,在一定程度上提高了推荐系统的准确率。对兴趣点推荐的发展具有实际意义。
以上所述是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变动,这些改进和变动也视为本发明的保护范围。
Claims (6)
1.一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法,其特征在于,包括以下步骤:
步骤S1:在登陆的用户位置信息中,忽略用户的时间循环信息;
步骤S1.1:收集用户的签到信息,构造用户-项目矩阵;
步骤S2:使用LDA模型寻找用户偏好主题;
步骤S3:设置初始签到地点和锚点,计算锚点和用户访问的访问地点的距离;
步骤S3.1:将用户和锚点的距离拟合到指数分布函数中;
步骤S3.2:通过LDA和概率分布的指数分布为每个用户进行兴趣点推荐;
步骤S4:由CNN的卷积层提取数据特征和获得时空依赖性;
步骤S5:使用批处理归一化层来改进训练和规范化数据值;
步骤S5.1:再次利用批处理标准化层和激活层;
步骤S6:将用户和兴趣点的显示和隐式关联关系集成到一起,进行兴趣点推荐。
2.如权利要求1所述的基于anchor-LDA和卷积神经网络的兴趣点推荐方法,其特征在于,在步骤S1中,用户在LBSN登陆他们访问的位置信息,其中包括用户ID、位置ID、时间循环和各种信息;
通过收集用户所有签到记录,构造一个用户项目矩阵,其中每一行对应唯一的用户,每一列对应一个地点。
3.如权利要求1所述的基于anchor-LDA和卷积神经网络的兴趣点推荐方法,其特征在于,所述步骤S3中,用户访问兴趣点通过两个因素描述,一个是纯粹的兴趣,另一个是距离的远近;纯粹的兴趣可以从LDA中得到用户的兴趣主题,对于距离因素,每个用户都有自己的锚点,在地点集合中;当访问地点受距离影响时,遵循参数的指数分布。
4.如权利要求1所述的基于anchor-LDA和卷积神经网络的兴趣点推荐方法,其特征在于,所述步骤S4中,由CNN的卷积层提取数据特征和获得时空依赖性,在每个卷积核和输入数据之间执行点积的代数运算,第一卷积层负责提取低层次特征,而更深的卷积层检测更高层次特征,将每一层的输出标准化为下一层的输入,重新校准数据完成这个标准化过程,使标准偏差和平均值为零。
5.如权利要求1所述的基于anchor-LDA和卷积神经网络的兴趣点推荐方法,其特征在于,所述步骤S5中,使用六个输入功能图,包括每个用户的访问时间的用户标识、月、日、小时、分钟和秒;使用批处理归一化层来改进训练和规范化数据值,其输出反馈给激活层,下一层有16个卷积核组来提取特征,然后和它们相应的32个卷积核;
再次利用批处理标准化层和激活层,在下一层中,有64个具有相同尺寸的卷积核,批归一化层和ReLU功能保持输出值在正常范围内;
应用两个完全连接的层来实现健壮性,利用回归层生成两个值,根据训练数据预测的经度和纬度推荐位置。
6.如权利要求1所述的基于anchor-LDA和卷积神经网络的兴趣点推荐方法,其特征在于,所述步骤S6中,将用户和兴趣点的显和隐式关联关系集成到一起,输入到一个全连接的神经网络中进行兴趣点推荐;
对于实验的数据集,将其分成十份,轮流将其中的9份作为训练数据,1份是测视数据进行实验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110896856.1A CN113626697A (zh) | 2021-08-05 | 2021-08-05 | 一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110896856.1A CN113626697A (zh) | 2021-08-05 | 2021-08-05 | 一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113626697A true CN113626697A (zh) | 2021-11-09 |
Family
ID=78383013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110896856.1A Pending CN113626697A (zh) | 2021-08-05 | 2021-08-05 | 一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113626697A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114692010A (zh) * | 2022-03-01 | 2022-07-01 | 遂宁游走科技有限责任公司 | 一种行为活动分析方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021456A (zh) * | 2016-05-17 | 2016-10-12 | 中山大学 | 将文本和地理信息融合在局部协同排列的兴趣点推荐方法 |
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 |
CN111241419A (zh) * | 2020-01-09 | 2020-06-05 | 辽宁工程技术大学 | 一种基于用户关系嵌入模型的下一个兴趣点推荐方法 |
US20200288205A1 (en) * | 2019-05-27 | 2020-09-10 | Beijing Dajia Internet Information Technology Co., Ltd. | Method, apparatus, electronic device, and storage medium for recommending multimedia resource |
-
2021
- 2021-08-05 CN CN202110896856.1A patent/CN113626697A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021456A (zh) * | 2016-05-17 | 2016-10-12 | 中山大学 | 将文本和地理信息融合在局部协同排列的兴趣点推荐方法 |
US20200288205A1 (en) * | 2019-05-27 | 2020-09-10 | Beijing Dajia Internet Information Technology Co., Ltd. | Method, apparatus, electronic device, and storage medium for recommending multimedia resource |
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 |
CN111241419A (zh) * | 2020-01-09 | 2020-06-05 | 辽宁工程技术大学 | 一种基于用户关系嵌入模型的下一个兴趣点推荐方法 |
Non-Patent Citations (3)
Title |
---|
SADAF SAFAVI等: "RecPOID: POI Recommendation with Friendship Aware and Deep CNN", 《FUTURE INTERNET》, vol. 13, no. 3, 22 March 2021 (2021-03-22), pages 1 - 14 * |
YOUNG-DUK SEO等: "Point of interest recommendations based on the anchoring effect in location-based social network services", 《EXPERT SYSTEMS WITH APPLICATIONS》, vol. 164, 15 September 2020 (2020-09-15), pages 1 - 9, XP086364087, DOI: 10.1016/j.eswa.2020.114018 * |
孟祥福等: "用户−兴趣点耦合关系的兴趣点推荐方法", 《智能系统学报》, vol. 16, no. 2, 14 July 2020 (2020-07-14), pages 1 - 9 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114692010A (zh) * | 2022-03-01 | 2022-07-01 | 遂宁游走科技有限责任公司 | 一种行为活动分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Deep federated learning enhanced secure POI microservices for cyber-physical systems | |
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 | |
May Petry et al. | MARC: a robust method for multiple-aspect trajectory classification via space, time, and semantic embeddings | |
WO2022016556A1 (zh) | 一种神经网络蒸馏方法以及装置 | |
CN111241419A (zh) | 一种基于用户关系嵌入模型的下一个兴趣点推荐方法 | |
CN116010684A (zh) | 物品推荐方法、装置及存储介质 | |
Chen et al. | Next POI recommendation based on location interest mining with recurrent neural networks | |
CN109656541A (zh) | 开发资源的推荐方法、装置、存储介质和电子设备 | |
CN113139140A (zh) | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 | |
CN112288554B (zh) | 商品推荐方法和装置、存储介质及电子装置 | |
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 | |
CN112131261B (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
CN116244513B (zh) | 随机群组poi推荐方法、系统、设备及存储介质 | |
Safavi et al. | DeePOF: A hybrid approach of deep convolutional neural network and friendship to Point‐of‐Interest (POI) recommendation system in location‐based social networks | |
Maroulis et al. | Context-aware point of interest recommendation using tensor factorization | |
CN112488742A (zh) | 用户属性信息的预测方法、装置、电子设备及存储介质 | |
Ma et al. | Exploring multiple spatio-temporal information for point-of-interest recommendation | |
KR102352356B1 (ko) | 기 학습된 인공지능 모델을 이용한 개인 정보 전처리 방법, 장치 및 컴퓨터프로그램 | |
CN113626697A (zh) | 一种基于anchor-LDA和卷积神经网络的兴趣点推荐方法 | |
Yucel et al. | Sequential hierarchical regression imputation | |
Yang et al. | Efficient knowledge management for heterogeneous federated continual learning on resource-constrained edge devices | |
CN116957035A (zh) | 模型训练方法、以及推荐媒体内容的方法 | |
CN113935251A (zh) | 用户行为预测模型的生成方法、用户行为预测方法及装置 | |
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 | |
CN114219663A (zh) | 产品推荐方法、装置、计算机设备及存储介质 |
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 |