CN113918823A - 一种融合信任关系的排序学习poi推荐算法 - Google Patents
一种融合信任关系的排序学习poi推荐算法 Download PDFInfo
- Publication number
- CN113918823A CN113918823A CN202111286263.XA CN202111286263A CN113918823A CN 113918823 A CN113918823 A CN 113918823A CN 202111286263 A CN202111286263 A CN 202111286263A CN 113918823 A CN113918823 A CN 113918823A
- Authority
- CN
- China
- Prior art keywords
- user
- users
- trust
- attribute
- value
- 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
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012163 sequencing technique Methods 0.000 claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 22
- 230000003993 interaction Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 101100153586 Caenorhabditis elegans top-1 gene Proteins 0.000 description 2
- 101100370075 Mus musculus Top1 gene Proteins 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000009827 uniform distribution 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及大数据处理技术领域,具体为融合信任关系的排序学习POI推荐算法。算法首先通过分析多层社交网络中用户的结构特征与社会属性特征对信任值的影响,构建用户之间的综合信任值,然后将用户的综合信任值应用到矩阵分解中获得用户的初始推荐列表,最后利用排序学习获得每个用户的最终的推荐列表。本发明通过引入边信息与矩阵分解相结合获得初始推荐列表,在一定程度上缓解了POI推荐的数据稀疏性与冷启动带来的影响,同时利用排序学习的隐语义分析模型进一步弥补了隐性反馈不足的缺点。实验结果在真实数据集上表明,所提算法与同类型的算法相比提高了推荐的准确性。
Description
技术领域
本发明涉及大数据处理技术领域,具体为融合信任关系的排序学习POI推荐算法。
背景技术
随着移动互联的快速发展与全球定位系统的逐渐完善,基于位置的社交网络(location-based social network,LBSN)成为当前研究的热点,相继产生了一系列的LBSN应用服务,如Foursquare、Twinkle、Yelp等。这些应用服务依据各自的社交平台收集用户分享的位置签到信息,充分挖掘用户与签到位置之间的关联关系,从而为用户提供优质化服务。POI推荐是指通过分析用户的历史签到位置数据,为用户推荐感兴趣的位置,如餐厅、酒店、商店等等。利用兴趣点推荐有助于用户快速搜索同城的生活服务、适应新环境,以及减少搜索时间成本,同时也为商家带来潜在的经济利益。
与传统推荐系统(如商品推荐、电影推荐等)不同,POI推荐涉及面更广,推荐任务更加复杂。POI推荐是以LBSN为研究基石,研究内容涵盖用户与用户之间社交关系,用户与位置之间的牵连关系,以及与POI相关的语义关系等三个方面的内容。由于在LBSN服务中涉及到的兴趣点种类繁多,而用户的签到记录相对较少,POI推荐面临着更为严重的数据稀疏、冷启动问题。此外,用户的签到数据涉及个人隐私,为保护隐私不被泄露,用户的签到数据往往不会被记录,如何处理这样的数据隐性反馈已成为当前亟待解决的重要问题。
发明内容
近年来,为缓解POI推荐现存在的问题,研究学者将排序学习引入POI推荐系统,以提升推荐性能。排序学习通过自动的学习训练数据构建排序函数,按得分排序用户兴趣点列表,输出排名较高的兴趣点,实验结果表明,这些方法一定程度上提高了推荐性能。然而,传统的方法在构建排序函数的过程中,只考虑了用户历史签到的上下文信息和兴趣点的语义信息,并未融合用户的社交关系。社交关系是多层社交网络中维持用户联系的纽带,而社交关系的本质是信任关系,用户信任作为社会交互的核心部分,是一个人在社交网络中的相处模式的集中体现,也是维持和建立人际关系的桥梁。通过建立信任,人与人之间保持一种长期稳定的社交联系,随着时间的改变,信任关系越强的用户之间汇聚在一起,彼此之间共享信息,通过相互影响建立相似的兴趣与爱好。为此,我们融合信任关系重新构建排序学习的排序函数,提出一种融合用户社交关系的排序学习推荐模型(Ranking learning POIrecommendation algorithm fused with trust relationship,RLPOI)。
针对POI推荐数据稀疏、冷启动以及隐性反馈等问题,本发明提出一种融合信任关系的排序学习POI推荐算法。首先通过分析多层社交网络中用户结构信任与社会属性信任,获得用户之间的综合信任值。之后,利用融合信任关系的矩阵分解获得每个用户的初始推荐列表。最后,通过排序学习得到最终的推荐列表。
一种融合信任关系的排序学习POI推荐算法,其特征在于包括如下步骤:A将多层网络中结构信任与社会属性信任相结合获得用户之间的综合信任值;B将综合信任值与矩阵分解模型相结合获得用户初始推荐矩阵;C将综合信任值引入排序学习中得到KL损失函数,经过ALS最小二乘法迭代求解之后获得每个用户的最佳兴趣点推荐列表;
以Yelp数据集为基础,随机抽取m个用户对n个地点的签到数据,并且抽取到m个用户的社交数据集,分别为Twiitter层,Facebook层以及DBLP层,将用户的社会属性特征采用矩阵描述,1表示用户拥有该属性,0表示没有该属性,用户社会属性特征包含人口统计特征,如性别,年龄,职业,学历,此外也包含用户的兴趣、爱好;
其中表示网络层数,对应于用户扮演的角色数量,如研究网络由三层组成,分别为Twiitter层,Facebook层以及DBLP层,用户在每个层中都扮演着一个角色身份;表示n个节点集合;表示m个边集合,边为节点之间的社交关系,边上权值0<<1为节点之间关系的强弱程度;是网络中节点的属性集合;
式中,表示社会属性数量,表示节点针对属性的信任关系,按属性的不同其取值可分为两种情况;当属性是离散属性时,如职业,文凭,年龄,用户有相同的属性值,的取值为1,否则为0;当属性是短本文属性时,如搜索记录、聊天记录等,受短文本挖掘的启发,以文本中关键词出现的频率来计算的取值;假设是文本属性的关键字,则,式中为包含关键字的节点数量,为节点的属性是否包含,如果包含=1,否则=0;
其中为用户i对j的单向信任值,当越接近1时,用户对的信任关系越强;为用户i对其近邻用户的信任总和,为指示函数,当小于等于0时,值为0;相反,值为;然而,在交互的过程中,用户之间信任关系的建立往往取决于信任值较低的一方,为此,本文选择作为用户之间的最终信任度;
其中, 为用户i对兴趣点h的签到记录,有签到记录=1,反之=0,为签到矩阵;为用户i的近邻偏好向量,即与用户i直接相连节点的偏好向量,偏好向量表示为用户的喜好特征,由用户签到矩阵分解得到;第二项将偏好向量与近邻偏好向量相减,以此间接修正用户偏好向量,提高推荐效率,通常近似强度依赖于信任关系强度;
S6:依据公式(5)分别获得用户对兴趣点的真实排序概率和预测排序概率;
S7:依据公式(10),通过最小二乘法最小化损失函数,获得最终的推荐列表;
针对兴趣点推荐模型中数据稀疏、冷启动以及隐性反馈等问题,本发明提出一种融合信任关系的排序学习POI推荐算法。算法首先通过分析多层社交网络中用户的结构特征与社会属性特征对信任值的影响,构建用户之间的综合信任值,然后将用户的综合信任值应用到矩阵分解中获得用户的初始推荐列表,最后利用排序学习获得每个用户的最终的推荐列表。本发明通过引入边信息(信任关系)与矩阵分解相结合获得初始推荐列表,在一定程度上缓解了POI推荐的数据稀疏性与冷启动带来的影响,同时利用排序学习的隐语义分析模型进一步弥补了隐性反馈不足的缺点。实验结果在真实数据集上表明,所提算法与同类型的算法相比提高了推荐的准确性。
附图说明
图1为本发明算法流程图;
图2为Yelp数据集上各个算法的MAE值;
图3为Yelp数据集上各个算法的RMSE值;
图4为Foursquare数据集上各个算法的MAE值;
图5为Foursquare数据集上各个算法的RMSE值。
具体实施方式
、信任关系计算
本节将详细描述多层社交网络中用户之间信任值的计算过程;由于节点的结构与社会属性是网络的两个基本特征,节点的结构与社会属性成为影响信任的主要因素。
(1)结构特征对信任的影响
在通信领域,信息传播的过程中所经过的路径越长,信息的准确性与完整性越弱。同理,在多层社交网络的其中一层,当两个用户节点之间需要建立交互关系,所包含的节点数越多时,它们之间的信任度越低。如用户A、B无直接交互关系,但都与用户C有直接联系,则用户A、B与C的信任度肯定比用户A和B之间的信任度强。
现实生活中,共有朋友数量越多的用户之间交互性越强。如用户A、B是微信好友关系,并有很多的共同微信好友,说明他们之间具有很多共同的兴趣点,表现亲密。
(2)社会属性特征对信任的影响
结构特征在多层社交网络主要以边的形式存在,而社会属性特征依附于网络,为用户的固有特征。研究表明,社交网络中节点之间的社会属性相似程度越高,用户之间的同质性越强[25],而同质性又可描述为用户之间的信任程度。
式中,表示社会属性数量,表示节点i、j针对属性p的信任关系,按属性的不同其取值可分为两种情况。当属性是离散属性时,如职业,文凭等,用户i、j有相同的属性值,的取值为1,否则为0。当属性p是本文属性时,如搜索记录、聊天记录等,受短文本挖掘的启发,本文以文本中关键字出现的频率来计算的取值。假设是文本属性p的关键字,则,式中为包含关键字k的节点数量,为节点u的属性是否包含k,如果包含=1,否则=0。
(3)综合信任值
由于个人的性格受环境背景、家庭教育以及外在因素等各个方面综合影响,用户之间信任关系往往并不是等价的。
其中为用户i对j的单向信任值,当越接近1时,用户i对j的信任关系越强。为用户i对其近邻用户的信任总和,为指示函数,当小于等于0时,值为0;相反,值为。然而,在交互的过程中,用户之间信任关系的建立往往取决于信任值较低的一方,为此,本文选择作为用户之间的最终信任度。
、获得初始推荐列表
由于喜好相似或信任程度较强的用户之间往往具有共同的兴趣点,同时矩阵分解是依据相似的近邻预测用户评分,本文将用户之间的信任关系与矩阵分解相结合以此来获得用户的初始签到列表。融合信任关系的矩阵分解表示为:
、排序学习推荐模型
排序学习主要可分为三种类型,点级排序、对级排序以及列表级排序。由于点级排序和对级排序在分布均匀的数据集中才能表现出较好的效果,对于兴趣点签到这种分布不均匀的数据集并不适用。为此,本文采用列表级排序学习推荐模型。
列表级排序学习是一种监督学习,通过直接优化兴趣点的签到列表,为用户提供更加精准推荐服务。具体的,列表级排序推荐是以兴趣点的真实排序和预测排序之间的KL距离作为误差函数,通过最小二乘法或梯度下降法不断迭代使其误差达到最小,从而得到最优训练模型。本文通过top-1概率来描述KL距离,采用最小二乘法求解模型,以此获得每个用户的最佳推荐列表。
定义7(top-1概率)兴趣点h在用户推荐列表中排名第一的概率,定义为
定义8(KL距离)用于度量真实排序概率与预测排序概率之间的距离,表示为:
本发明所提的RLPOI算法主要分为三个步骤:(1)将多层网络中结构信任与社会属性信任相结合获得用户之间的综合信任值;(2)将信任值与矩阵分解模型相结合获得用户初始推荐矩阵;(3)将综合信任值引入排序学习中得到KL损失函数,经过ALS最小二乘法迭代求解之后获得每个用户的最佳兴趣点推荐列表。
算法具体实现步骤如下
本文以Yelp数据集为例,详细说明所提算法的计算流程;本文随机抽取4个用户对7个地点的签到数据;并且抽取到4个用户的社交数据集,分别为Twiitter层,Facebook层以及DBLP层,用户之间的结构关系采用邻接表表示;同时,我们将用户的社会属性特征采用向量描述,1表示用户拥有该属性,0表示没有该属性。
其中表示网络层数,对应于用户扮演的角色数量,如研究网络由三层组成,分别为Twiitter层,Facebook层以及DBLP层,用户在每个层中都扮演着一个角色身份;表示图中n个节点集合;表示图中的m个边集合,边为节点之间的社交关系,边上权值0<q<1为节点之间关系的强弱程度;是网络中节点的属性集合;
用户之间的结构信任计算结果如下:
式中,表示社会属性数量,表示节点i,j针对属性p的信任关系,按属性的不同其取值可分为两种情况;当属性p是离散属性时,如职业,文凭,年龄等,用户i,j有相同的属性值,的取值为1,否则为0;当属性p是短本文属性时,如搜索记录、聊天记录等,受短文本挖掘的启发,本文以文本中关键词出现的频率来计算的取值;关键词指短文本中出现频繁的词,能够用来表示短文的中心思想;假设是文本属性p的关键字,则,式中为包含关键字k的节点数量,为节点u的属性是否包含k,如果包含=1,否则=0;
用户之间的社会属性信任计算结果如下:
其中为用户i对j的单向信任值,当越接近1时,用户i对j的信任关系越强;为用户对其近邻用户的信任总和,为指示函数,当小于等于0时,值为0;相反,值为;然而,在交互的过程中,用户之间信任关系的建立往往取决于信任值较低的一方,为此,本文选择作为用户之间的最终信任度;
用户之间的综合信任计算结果如下:
其中, 为用户i对兴趣点h的签到记录,有签到记录=1,反之=0,为签到矩阵;为用户i的近邻偏好向量,即与用户i直接相连节点的偏好向量,偏好向量表示为用户的喜好特征,由用户签到矩阵分解得到;第二项将偏好向量与近邻偏好向量相减,以此间接修正用户偏好向量,提高推荐效率,通常近似强度依赖于信任关系强度;
S6:依据公式(5)分别获得用户对兴趣点的真实排序概率和预测排序概率;
S7:依据公式(10),通过最小二乘法最小化损失函数,获得最终的推荐列表;
、实验
(1)数据集与评价指标
本文选择公开数据集Yelp和Foursquare以检测本文算法的准确性;Yelp数据集包含21718个用户对12920个兴趣点的617538个签到记录,同时也包含用户和项目的属性特征,如签到时间,兴趣点内容等。Foursquare数据集包含31540个用户对22412个兴趣点的273703个签到记录。
为评估本文算法的推荐性能,采用平均绝对误差(MAE)和均方根误差(RMSE)作为算法的评价指标。
MAE(mean alsolute error)表示预测值和真实值之间绝对误差的平均值,MAE 越小推荐精度越高;定义如下:
RMSE(Root Mean Square Error)表示预测值和真实值之间的偏差平方和与预测次数n比值的平方根;RMSE反应了样本的离散程度,RMSE越小推荐精度越高;定义如下:
(2)实验结果与分析
为验证本文算法的可行性,本文选择同类型4个对比算法,如下所示:
GeoFM算法:该算法将用户的签到评分记录作为用户的隐式反馈,建立增强兴趣点推荐模型,通过加权矩阵分解求解;。
RankGeoFM算法:该算法通过分析用户的签到频率构建用户的偏好模型,利用排序学习获得用户感兴趣的项目;
TGMF算法:该算法结合用户的信任与相似关系,建立用户偏好模型,利用矩阵分解改进用户偏序关系,获得用户推荐序列;TELSR算法;该算法结合信任关系一定程度上弥补了数据稀疏性的问题,通过列表级排序建立最优推荐模型,利用用户的可信邻居来推荐兴趣点;实验过程中,将两个数据集随机划分为不同比例的测试集与训练集,各自分别进行10次实验最后取平均值;
实验结果:从各个图中可看出,针对不同的数据集,本发明所提出的POI推荐算法模型,即RLPOI,在各个评价指标(MAE,RMSE)中明显优于其他算法;由于本发明通过引入边信息(信任关系)与矩阵分解相结合获得初始推荐列表,在一定程度上缓解了POI推荐的数据稀疏性与冷启动带来的影响,同时利用排序学习的隐语义分析模型进一步弥补了隐性反馈不足的缺点;因此表现较好的性能。
(3)总结
针对POI推荐目前存在的问题,本发明提出一种融合信任关系的排序学习POI推荐算法(RLPOI);算法通过分析社交关系来建立综合信任值,之后,与矩阵分解相结合获得每个用户的初始推荐列表;最后,通过排序学习得到最终的推荐列表;实验结果在真是数据集上表明,本发明所提算法与同类型推荐算法相比,取得较好的推荐效果。
Claims (1)
1.一种融合信任关系的排序学习POI推荐算法,其特征在于包括如下步骤:A将多层网络中结构信任与社会属性信任相结合获得用户之间的综合信任值;B将综合信任值与矩阵分解模型相结合获得用户初始推荐矩阵;C将综合信任值引入排序学习中得到KL损失函数,经过ALS最小二乘法迭代求解之后获得每个用户的最佳兴趣点推荐列表;
以Yelp数据集为基础,随机抽取m个用户对n个地点的签到数据,并且抽取到m个用户的社交数据集,分别为Twiitter层,Facebook层以及DBLP层,将用户的社会属性特征采用矩阵描述,1表示用户拥有该属性,0表示没有该属性,用户社会属性特征包含人口统计特征,如性别,年龄,职业,学历,此外也包含用户的兴趣、爱好;
其中表示网络层数,对应于用户扮演的角色数量,网络由三层组成,分别为Twiitter层,Facebook层以及DBLP层,用户在每个层中都扮演着一个角色身份;表示n个节点集合;表示m个边集合,边为节点之间的社交关系,边上权值0<<1为节点之间关系的强弱程度;是网络中节点的属性集合;
式中,表示社会属性数量,表示节点针对属性的信任关系,按属性的不同其取值分为两种情况;当属性是离散属性时,如职业,文凭,年龄,用户有相同的属性值,的取值为1,否则为0;当属性是短本文属性时,如搜索记录、聊天记录等,以文本中关键词出现的频率来计算的取值;假设是文本属性的关键字,则,式中为包含关键字的节点数量,为节点的属性是否包含,如果包含=1,否则=0;
其中为用户i对j的单向信任值,当越接近1时,用户i对j的信任关系越强;为用户i对其近邻用户的信任总和,为指示函数,当小于等于0时,值为0;相反,值为;然而,在交互的过程中,用户之间信任关系的建立往往取决于信任值较低的一方,为此,本文选择作为用户之间的最终信任度;
其中, 为用户i对兴趣点h的签到记录,有签到记录=1,反之=0,为签到矩阵;为用户i的近邻偏好向量,即与用户i直接相连节点的偏好向量,偏好向量表示为用户的喜好特征,由用户签到矩阵分解得到;第二项将偏好向量与近邻偏好向量相减,以此间接修正用户偏好向量;
S6:依据公式(5)分别获得用户对兴趣点的真实排序概率和预测排序概率;
S7:依据公式(10),通过最小二乘法最小化损失函数,获得最终的推荐列表;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111286263.XA CN113918823A (zh) | 2021-11-02 | 2021-11-02 | 一种融合信任关系的排序学习poi推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111286263.XA CN113918823A (zh) | 2021-11-02 | 2021-11-02 | 一种融合信任关系的排序学习poi推荐算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113918823A true CN113918823A (zh) | 2022-01-11 |
Family
ID=79245019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111286263.XA Pending CN113918823A (zh) | 2021-11-02 | 2021-11-02 | 一种融合信任关系的排序学习poi推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113918823A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120290652A1 (en) * | 2011-05-13 | 2012-11-15 | Zeljko BOSKOVIC | Arrangement and method for transport sharing |
KR20140087065A (ko) * | 2012-12-21 | 2014-07-09 | 서울대학교산학협력단 | 링크 예측을 이용한 소셜 추천 방법 |
CN107507073A (zh) * | 2017-09-14 | 2017-12-22 | 中国人民解放军信息工程大学 | 基于信任扩展和列表级排序学习的服务推荐方法 |
CN107609002A (zh) * | 2017-07-11 | 2018-01-19 | 河南科技大学 | 一种社交网络用户信任的计算方法和计算系统 |
CN108460101A (zh) * | 2018-02-05 | 2018-08-28 | 山东师范大学 | 面向位置社交网络基于地理位置正则化的兴趣点推荐方法 |
CN108470075A (zh) * | 2018-04-12 | 2018-08-31 | 重庆邮电大学 | 一种面向排序预测的社会化推荐方法 |
CN109241454A (zh) * | 2018-07-18 | 2019-01-18 | 广东工业大学 | 一种将社交网络和图像内容融合的兴趣点推荐方法 |
CN110955829A (zh) * | 2019-11-19 | 2020-04-03 | 江西财经大学 | 融合信任度和度量因子矩阵分解的兴趣点推荐方法及系统 |
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 |
-
2021
- 2021-11-02 CN CN202111286263.XA patent/CN113918823A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120290652A1 (en) * | 2011-05-13 | 2012-11-15 | Zeljko BOSKOVIC | Arrangement and method for transport sharing |
KR20140087065A (ko) * | 2012-12-21 | 2014-07-09 | 서울대학교산학협력단 | 링크 예측을 이용한 소셜 추천 방법 |
CN107609002A (zh) * | 2017-07-11 | 2018-01-19 | 河南科技大学 | 一种社交网络用户信任的计算方法和计算系统 |
CN107507073A (zh) * | 2017-09-14 | 2017-12-22 | 中国人民解放军信息工程大学 | 基于信任扩展和列表级排序学习的服务推荐方法 |
CN108460101A (zh) * | 2018-02-05 | 2018-08-28 | 山东师范大学 | 面向位置社交网络基于地理位置正则化的兴趣点推荐方法 |
CN108470075A (zh) * | 2018-04-12 | 2018-08-31 | 重庆邮电大学 | 一种面向排序预测的社会化推荐方法 |
CN109241454A (zh) * | 2018-07-18 | 2019-01-18 | 广东工业大学 | 一种将社交网络和图像内容融合的兴趣点推荐方法 |
CN110955829A (zh) * | 2019-11-19 | 2020-04-03 | 江西财经大学 | 融合信任度和度量因子矩阵分解的兴趣点推荐方法及系统 |
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 |
Non-Patent Citations (3)
Title |
---|
JUNJIE JIA, ET AL.: "Local optimization overlapping community discovery algorithm combining attribute features", IEEE, 11 April 2021 (2021-04-11), pages 350 - 355, XP033907207, DOI: 10.1109/ICSP51882.2021.9409003 * |
贾俊杰等: "融合社交信息的矩阵分解改进推荐算法", 计算机工程, vol. 47, no. 9, 30 September 2021 (2021-09-30), pages 97 - 105 * |
邵长城;陈平华;: "融合社交网络和图像内容的兴趣点推荐", 计算机应用, no. 05, 21 January 2019 (2019-01-21) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Christensen et al. | Social group recommendation in the tourism domain | |
Yu et al. | A multi-criteria decision-making model for hotel selection with linguistic distribution assessments | |
Yusefi Hafshejani et al. | Improving sparsity and new user problems in collaborative filtering by clustering the personality factors | |
US20150187024A1 (en) | System and Method for Socially Aware Recommendations Based on Implicit User Feedback | |
Xu et al. | Integrated collaborative filtering recommendation in social cyber-physical systems | |
Zhao et al. | Service rating prediction by exploring social mobile users’ geographical locations | |
Lesani et al. | Fuzzy trust aggregation and personalized trust inference in virtual social networks | |
CN109635206B (zh) | 融合隐式反馈和用户社会地位的个性化推荐方法及系统 | |
US20140188994A1 (en) | Social Neighborhood Determination | |
Margaris et al. | Knowledge-based leisure time recommendations in social networks | |
Zhang et al. | Multi-criteria recommender system based on social relationships and criteria preferences | |
CN106384259A (zh) | 一种融合社交信息的推荐系统解决方法 | |
Pramanik et al. | Deep learning driven venue recommender for event-based social networks | |
KR101459537B1 (ko) | 링크 예측을 이용한 소셜 추천 방법 | |
Tu et al. | Activity recommendation with partners | |
CN109857928A (zh) | 基于多元信用评估的用户偏好预测方法 | |
Chen | Ubiquitous hotel recommendation using a fuzzy‐weighted‐average and backpropagation‐network approach | |
Yang et al. | Personalized recommendation based on collaborative filtering in social network | |
Liu | Trust management in online social networks | |
CN113918823A (zh) | 一种融合信任关系的排序学习poi推荐算法 | |
Zhang | Research on collaborative filtering recommendation algorithm based on social network | |
Huang et al. | A comprehensive mechanism for hotel recommendation to achieve personalized search engine | |
Chen | Hesitant fuzzy multi-attribute group decision making method based on weighted power operators in social network and their application | |
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 | |
Liu et al. | Effective similarity measures of collaborative filtering recommendations based on user ratings habits |
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 |