CN114579893A - 一种连续poi推荐方法及系统 - Google Patents
一种连续poi推荐方法及系统 Download PDFInfo
- Publication number
- CN114579893A CN114579893A CN202210495679.0A CN202210495679A CN114579893A CN 114579893 A CN114579893 A CN 114579893A CN 202210495679 A CN202210495679 A CN 202210495679A CN 114579893 A CN114579893 A CN 114579893A
- Authority
- CN
- China
- Prior art keywords
- poi
- record
- check
- information
- user
- 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 38
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000006872 improvement Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 18
- 230000007246 mechanism Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种连续POI推荐方法及系统，属于POI推荐技术领域；本发明通过对用户的签到记录进行分析，获取用户的稳定偏好和上下文动态偏好，根据用户当前的位置信息和签到记录中的POI信息，获取POI候选集，缩小POI信息的筛选范围，将稳定偏好和上下文动态偏好匹配，获取用户的综合偏好，对用户的综合偏好和POI候选集的相似性进行分析，根据相似性，输出POI推荐信息；解决了现有技术中存在的“POI推荐不准确”的问题；通过本发明的改进，能够缩小POI信息的筛选范围，综合考虑稳定偏好和上下文动态偏好对POI推荐的影响，提高了短时间内POI推荐的准确性。
Description
技术领域
本申请涉及POI推荐技术领域，特别是涉及一种连续POI推荐方法及系统。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。
随着基于位置的社交网络(Location-Based Social Network, 简称LBSN)的日益普及，用户能够在社交平台上分享他们访问的兴趣点(point of interest，简称POI)，例如Gowalla和Foursquare等，兴趣点（POI）的推荐成为热点。通过分析用户的历史签到记录，POI推荐可以向用户推荐可能感兴趣的POI来帮助用户获得更好的访问体验。例如，可以在用户不熟悉的地点向用户推荐可能感兴趣的POI以及规划用户日常的行程安排等。
现有的POI推荐大概分为三种：
(a) 传统POI推荐，从整体上考虑用户的签到，而忽略了它们之间的时间关系。无法预测用户未来几天、明天、甚至未来几小时内将去哪里。
(b) 下一个POI推荐，融合时空特征，即综合考虑时间影响和地理影响，向用户推荐一段时间内将要访问的POI。
(c) 连续POI推荐，旨在推荐目标用户可能在一段时间内（例如，几个小时）访问的POI。
通过调研发现，现有的POI推荐存在以下几个问题：
（1）未考虑推荐的时间段，限于仅考虑预测用户感兴趣的POI，没有考虑用户在什么时间段会对此POI感兴趣。实际上，在未来短时间段内为用户推荐POI的重要性会更大。
（2）受限于数据的稀疏性，在巨大的POI语料库中检索极少数用户感兴趣的POI，限制了现有模型的预测精度。
（3）未综合考虑用户的稳定偏好和上下文动态偏好，用户的行为是受多种因素影响的，既有相对稳定不变的稳定偏好，如兴趣爱好等；又有动态多变的上下文动态偏好，如假期或周末、天气等。
发明内容
为了解决现有技术的不足，本申请提供了一种连续POI推荐方法及系统；
第一方面，本申请提供了一种连续POI推荐方法；
一种连续POI实时推荐方法，包括：
获取用户的签到记录，基于所述签到记录，获取历史签到记录和近期签到记录；
根据所述历史签到记录，获取用户的稳定偏好；
根据所述近期签到记录，获取用户的上下文动态偏好；
根据用户当前的位置信息，基于所述签到记录中的POI信息，获取POI候选集；以及，
基于所述稳定偏好和所述上下文动态偏好，获取用户的综合偏好；基于所述综合偏好和所述POI候选集，获取所述综合偏好和所述POI候选集的相似性；根据相似性，输出POI推荐信息。
第二方面，本申请提供了一种连续POI推荐系统；
一种连续POI推荐系统，包括：
签到记录获取模块，用于获取用户的签到记录，基于所述签到记录，获取历史签到记录和近期签到记录；
稳定偏好获取模块，用于根据所述历史签到记录，获取用户的稳定偏好；
上下文动态偏好获取模块，用于根据所述近期签到记录，获取用户的上下文动态偏好；
POI候选集获取模块，用于根据用户当前的位置信息，基于所述签到记录中的POI信息，获取POI候选集；以及，
POI推荐信息获取模块，用于基于所述稳定偏好和所述上下文动态偏好，获取用户的综合偏好；基于所述综合偏好和所述POI候选集，获取所述综合偏好和所述POI候选集的相似性；根据相似性，输出POI推荐信息。
与现有技术相比，本申请的有益效果是：
1、本发明在推荐用户可能感兴趣的POI时，分析每个用户的签到记录，考虑推荐的时间段，为用户推荐短时间内感兴趣的POI；
2、本发明在推荐用户可能感兴趣的POI时，综合考虑了用户的稳定偏好和上下文动态偏好的影响，筛选POI候选集，提高了POI推荐时的精度；
3、本发明在学习用户的稳定偏好时，利用的是用户较长一段时间的历史签到记录，这一部分训练可以离线进行，以提高推荐方法的实时性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本申请中实施例1的流程示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了一种连续POI推荐方法；
如图1所示，一种连续POI推荐方法，包括：
获取用户的签到记录，基于所述签到记录，获取历史签到记录和近期签到记录；
根据所述历史签到记录，获取用户的稳定偏好；
根据所述近期签到记录，获取用户的上下文动态偏好；
根据用户当前的位置信息，基于所述签到记录中的POI信息，获取POI候选集；以及，
基于所述稳定偏好和所述上下文动态偏好，获取用户的综合偏好；基于所述综合偏好和所述POI候选集，获取所述综合偏好和所述POI候选集的相似性；根据相似性，输出POI推荐信息。
进一步的，将所述稳定偏好和所述上下文动态偏好拼接，获取用户的综合偏好。
进一步的，基于所述稳定偏好和所述POI候选集，获取每个POI信息的注意力权重；基于所述注意力权重，获取每个POI信息的被访问概率。
进一步的，根据所述历史签到记录中的用户信息和POI类别信息，获取每条历史签到记录的注意力权重；基于所述注意力权重，获取历史签到记录的注意力分布。
进一步的，根据所述近期签到记录中的所述用户信息、所述POI信息、所述POI类别信息和所述时间信息，获取每条近期签到记录的注意力权重；根据所述注意力权重，获取所述近期签到记录的注意力分布。
进一步的，根据用户当前的位置信息，基于所述签到记录中的POI信息，获取POI候选集；具体包括：
根据所述POI信息中的经纬度信息，将所述POI信息存入空间索引数据结构中；
根据用户当前的位置信息，确定筛选范围；以及，
根据所述筛选范围，在所述空间索引数据结构中筛选以获取POI候选集。
进一步的，所述空间索引数据结构为R树。
进一步的，所述POI候选集包括根据用户当前的位置信息筛选出的所有POI信息。
结合图1对本实施例公开的一种连续POI推荐方法进行详细说明。
一种连续POI推荐方法，通过对签到记录进行分析，实现对POI推荐信息的精确推送；包括：
步骤S1、获取用户的签到记录，基于所述签到记录，获取历史签到记录和近期签到记录；对签到记录进行序列化处理，获取签到记录的密集表示；签到记录包括用户信息、POI信息、POI类别信息和时间信息；具体包括：
步骤S101、根据时间信息，将签到记录按照时间的先后序列化；其中，按时间先后序列化后的签到记录中的前90%为历史签到记录，按时间先后序列化后的签到记录中的后10%为近期签到记录；
步骤S102、确定用户信息、POI信息、POI类别信息和时间信息的嵌入维度；其中，用户信息、POI信息和POI类别信息的嵌入维度均为数量，时间信息的嵌入维度为时间段；具体的，将时间信息按照工作日和假期划分为2种，将一天按小时划分为N个时间段，从而将原始的时间信息映射为2*N个维度；以及，
步骤S103、根据嵌入维度，获取用户信息、POI信息、POI类别信息和时间信息的密集表示；
示例性的，将用户信息、POI信息、POI类别信息的和时间信息的嵌入表示分别表示为
，
，
，
，ｄ是嵌入维度；令用户信息集合为
，令POI信息集合为
，令POI类别信息集合为
，用户信息、POI信息、POI类别信息的数目分别为
，
，
，则用户、POI、POI类别的密集表示分别为
、
、
；令N=8,从而将原始的时间信息映射为16个维度。
步骤S2、根据历史签到记录，获取用户的稳定偏好；具体过程包括：
步骤S201、将历史签到记录中用户信息和POI类别信息的密集表示输入至嵌入矩阵；具体为，将用户信息和POI类别信息的密集表示输入嵌入矩阵，嵌入矩阵为
其中，
步骤S202、通过自注意力机制，计算每条历史签到记录的重要性，根据重要性分配注意力权重；具体的，通过自注意力机制，获取用户的稳定偏好矩阵，其公式定义为
其中，
，
，
是参数矩阵，Q是查询矩阵，K是键矩阵，V是值矩阵；以及，
步骤S203、将通过上述公式计算更新后的历史签到记录作为用户的稳定偏好；
步骤S3、根据近期签到记录获取用户的上下文动态偏好；具体包括：
步骤S301、将近期签到记录中用户信息、POI信息、POI类别信息和时间信息的密集表示输入嵌入矩阵；具体为，将用户信息、POI信息、POI类别信息和时间信息的密集表示输入嵌入矩阵，嵌入矩阵为
其中，
步骤S302、通过自注意力机制，计算每条签到记录的重要性，根据其重要性分配权重；具体的，利用自注意力机制，学习用户的上下文动态偏好矩阵，其公式定义为
其中，
，
，
是参数矩阵；
步骤S303、将通过上述公式计算更新后的近期签到记录作为用户的上下文动态偏好；
步骤S4、根据用户当前的位置信息，基于所述签到记录中的POI信息，获取POI候选集；具体包括：
步骤S401、根据POI信息中的经纬度信息，将POI信息存入R树中；
步骤S402、根据用户当前的位置信息，确定筛选范围；
步骤S403、通过R树的区域查询算法，查询筛选范围内的所有POI信息；以及，
步骤S404、将查询到的所有POI信息的密集表示作为POI候选集；
示例性的，设定用户当前所在位置的经纬度为（-74.1，40.5），查询的位置范围是（-74.1±0.1，40.5±0.1）。
以及，
步骤S5、基于所述稳定偏好和所述上下文动态偏好，获取用户的综合偏好；基于所述综合偏好和所述POI候选集，获取所述综合偏好和所述POI候选集的相似性；根据相似性，输出POI推荐信息；具体包括：
步骤S501、将稳定偏好与上下文动态偏好拼接，获取用户的综合偏好；具体的，通过公式将稳定偏好矩阵与上下文动态偏好矩阵拼接，公式为
；
步骤S502、通过改进的注意力匹配算法，计算POI候选集与用户的综合偏好的相似性，得出POI候选集中每个位置的被访问概率；
2017年，Vaswani等提出Transformer模型，注意力机制是Transformer的一个重要模块，其定义为
其中，Q是查询矩阵，K是键矩阵，V是值矩阵，ｄ是嵌入维度。
我们提出改进的注意力匹配算法，对上式进行修改：
改进的注意力匹配算法为
其中，K是POI候选集；
，分别代表各POI信息的被访问概率。
步骤S503、根据各POI信息的被访问概率，输出POI推荐信息。
本申请提出了一种连续POI推荐方法，在对用户进行连续POI推荐的过程中，基于用户的签到记录，通过自注意力机制，分别学习用户稳定偏好和上下文动态偏好，根据用户当前的位置信息利用R树筛选出附近的所有POI作为POI候选集，通过改进的注意力匹配算法，将POI候选集与用户的稳定偏好和上下文动态偏好相匹配，向用户推荐短时间内感兴趣的POI；本申请的优点是，分析每个用户的签到记录，挖掘用户的稳定偏好和上下文动态偏好，稳定偏好如兴趣爱好等是相对稳定不变的，上下文动态偏好如天气等是动态多变的，考虑到多种因素对用户选择的影响，提高了短时间内POI推荐的准确性；通过R树能够快速筛选出用户当前位置信息附近的POI信息，提高本申请的实时性，缩小POI信息的范围，提高预测精度；将POI候选集与用户稳定偏好和上下文动态偏好利用改进的注意力匹配算法进行匹配，最终向用户推荐短时间内最可能感兴趣的POI信息。
实施例二
本实施例提供了一种连续POI推荐系统；
一种连续POI推荐系统，包括：
签到记录获取模块，用于获取用户的签到记录，基于签到记录，获取历史签到记录和近期签到记录；
稳定偏好获取模块，用于根据历史签到记录，获取用户的稳定偏好；
上下文动态偏好获取模块，用于根据近期签到记录，获取用户的上下文动态偏好；
POI候选集获取模块，用于根据用户当前的位置信息，基于签到记录中的POI信息，获取POI候选集；以及，
POI推荐信息获取模块，用于基于稳定偏好和上下文动态偏好，获取用户的综合偏好；基于综合偏好和POI候选集，获取综合偏好和POI候选集的相似性；根据相似性，输出POI推荐信息。
此处需要说明的是，上述签到记录获取模块、稳定偏好获取模块、上下文动态偏好获取模块、POI候选集获取模块和POI推荐信息获取模块对应于实施例一中的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (9)
1.一种连续POI推荐方法，其特征是，包括：
获取用户的签到记录，基于所述签到记录，获取历史签到记录和近期签到记录；
根据所述历史签到记录，获取用户的稳定偏好；
根据所述近期签到记录，获取用户的上下文动态偏好；
根据用户当前的位置信息，基于所述签到记录中的POI信息，获取POI候选集；以及，
基于所述稳定偏好和所述上下文动态偏好，获取用户的综合偏好；基于所述综合偏好和所述POI候选集，获取所述综合偏好和所述POI候选集的相似性；根据相似性，输出POI推荐信息。
2.如权利要求1所述的连续POI推荐方法，其特征是，将所述稳定偏好和所述上下文动态偏好拼接，获取用户的综合偏好。
3.如权利要求1所述的连续POI推荐方法，其特征是，基于所述稳定偏好和所述POI候选集，获取每个POI信息的注意力权重；
基于所述注意力权重，获取每个POI信息的被访问概率。
4.如权利要求1所述的连续POI推荐方法，其特征是，根据所述历史签到记录中的用户信息和POI类别信息，获取每条历史签到记录的注意力权重；
基于所述注意力权重，获取所述历史签到记录的注意力分布。
5.如权利要求1所述的连续POI推荐方法，其特征是，根据所述近期签到记录中的所述用户信息、所述POI信息、所述POI类别信息和所述时间信息，获取每条近期签到记录的注意力权重；
根据所述注意力权重，获取所述近期签到记录的注意力分布。
6.如权利要求1所述的连续POI推荐方法，其特征是，根据用户当前的位置信息，基于所述签到记录中的POI信息，获取POI候选集；具体包括：
根据所述POI信息中的经纬度信息，将所述POI信息存入空间索引数据结构中；
根据用户当前的位置信息，确定筛选范围；以及，
根据所述筛选范围，在所述空间索引数据结构中筛选以获取POI候选集。
7.如权利要求6所述的连续POI推荐方法，其特征是，包括：所述空间索引数据结构为R树。
8.如权利要求1所述的连续POI推荐方法，其特征是，所述POI候选集包括根据用户当前的位置信息筛选出的所有POI信息。
9.一种连续POI推荐系统，其特征是，包括：
签到记录获取模块，用于获取用户的签到记录，基于所述签到记录，获取历史签到记录和近期签到记录；
稳定偏好获取模块，用于根据所述历史签到记录，获取用户的稳定偏好；
上下文动态偏好获取模块，用于根据所述近期签到记录，获取用户的上下文动态偏好；
POI候选集获取模块，用于根据用户当前的位置信息，基于所述签到记录中的POI信息，获取POI候选集；以及，
POI推荐信息获取模块，用于基于所述稳定偏好和所述上下文动态偏好，获取用户的综合偏好；基于所述综合偏好和所述POI候选集，获取所述综合偏好和所述POI候选集的相似性；根据相似性，输出POI推荐信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210495679.0A CN114579893B (zh) | 2022-05-09 | 2022-05-09 | 一种连续poi推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210495679.0A CN114579893B (zh) | 2022-05-09 | 2022-05-09 | 一种连续poi推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114579893A true CN114579893A (zh) | 2022-06-03 |
| CN114579893B CN114579893B (zh) | 2023-04-07 |
Family
ID=81767780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210495679.0A Active CN114579893B (zh) | 2022-05-09 | 2022-05-09 | 一种连续poi推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114579893B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007005382A2 (en) * | 2005-06-29 | 2007-01-11 | Microsoft Corporation | Sensing, storing, indexing, and retrieving data leveraging measures of user activity, attention, and interest |
| CN110008409A (zh) * | 2019-04-12 | 2019-07-12 | 苏州市职业大学 | 基于自注意力机制的序列推荐方法、装置及设备 |
| CN110929164A (zh) * | 2019-12-09 | 2020-03-27 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
| CN111949865A (zh) * | 2020-08-10 | 2020-11-17 | 杭州电子科技大学 | 基于图神经网络与用户长短期偏好的兴趣点推荐方法 |
| CN112364238A (zh) * | 2020-10-12 | 2021-02-12 | 山东大学 | 一种基于深度学习的用户兴趣点推荐方法与系统 |
| CN113139140A (zh) * | 2021-05-17 | 2021-07-20 | 辽宁工程技术大学 | 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 |
| US20210356290A1 (en) * | 2020-09-14 | 2021-11-18 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for recommending point of interest, device, and medium |
| CN114417166A (zh) * | 2022-01-24 | 2022-04-29 | 东华大学 | 基于行为序列和动态社交影响的连续兴趣点推荐方法 |
-
2022
- 2022-05-09 CN CN202210495679.0A patent/CN114579893B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007005382A2 (en) * | 2005-06-29 | 2007-01-11 | Microsoft Corporation | Sensing, storing, indexing, and retrieving data leveraging measures of user activity, attention, and interest |
| CN110008409A (zh) * | 2019-04-12 | 2019-07-12 | 苏州市职业大学 | 基于自注意力机制的序列推荐方法、装置及设备 |
| CN110929164A (zh) * | 2019-12-09 | 2020-03-27 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
| CN111949865A (zh) * | 2020-08-10 | 2020-11-17 | 杭州电子科技大学 | 基于图神经网络与用户长短期偏好的兴趣点推荐方法 |
| US20210356290A1 (en) * | 2020-09-14 | 2021-11-18 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for recommending point of interest, device, and medium |
| CN112364238A (zh) * | 2020-10-12 | 2021-02-12 | 山东大学 | 一种基于深度学习的用户兴趣点推荐方法与系统 |
| CN113139140A (zh) * | 2021-05-17 | 2021-07-20 | 辽宁工程技术大学 | 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 |
| CN114417166A (zh) * | 2022-01-24 | 2022-04-29 | 东华大学 | 基于行为序列和动态社交影响的连续兴趣点推荐方法 |
Non-Patent Citations (3)
| Title |
|---|
| YUXIA WU 等: "Personalized Long- and Short-term Preference Learning for Next POI Recommendation" * |
| 董丽丽;秦蕾;张翔;: "一种结合矩阵分解和深度学习技术的POI推荐模型" * |
| 韩欣欣;: "基于位置社交网络的POI推荐影响因素分析与研究" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114579893B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8401771B2 (en) | Discovering points of interest from users map annotations | |
| US8856229B2 (en) | System and method for social networking | |
| US20110238591A1 (en) | Automated profile standardization and competency profile generation | |
| MX2011002190A (es) | Direccion de publicidad geo-temporal predictiva. | |
| US10360594B2 (en) | Server offering service targeting user and service offering method thereof | |
| Rong et al. | Mining efficient taxi operation strategies from large scale geo-location data | |
| US20190057404A1 (en) | Jobs forecasting | |
| Young et al. | Railway station choice modelling: a review of methods and evidence | |
| Hughes et al. | Inferring migrations: traditional methods and new approaches based on mobile phone, social media, and other big data: feasibility study on inferring (labour) mobility and migration in the European Union from big data and social media data | |
| Kang et al. | Integration of Internet search data to predict tourism trends using spatial-temporal XGBoost composite model | |
| JP2007219655A (ja) | 施設情報管理システム、施設情報管理方法および施設情報管理プログラム | |
| Chen et al. | A personalized navigation route recommendation strategy based on differential perceptron tracking user’s driving preference | |
| CN115422441A (zh) | 一种基于社交时空信息与用户偏好的连续兴趣点推荐方法 | |
| Huang et al. | Bi-level GA and GIS for multi-objective TSP route planning | |
| CN112579910A (zh) | 信息处理方法、信息处理装置、存储介质和电子设备 | |
| Zhang et al. | An improved probabilistic relaxation method for matching multi-scale road networks | |
| Barton-Henry et al. | Decay radius of climate decision for solar panels in the city of Fresno, USA | |
| CN112738729A (zh) | 一种用手机信令数据判别探亲返乡游客的方法及系统 | |
| Yu et al. | How socioeconomic and environmental factors impact the migration destination choices of different population groups in China: An eigenfunction-based spatial filtering analysis | |
| CN108345662A (zh) | 一种考虑用户分布区域差异的签到微博数据加权统计方法 | |
| Shen et al. | Novel model for predicting individuals’ movements in dynamic regions of interest | |
| Hui et al. | Hotspots identification and classification of dockless bicycle sharing service under electric fence circumstances | |
| Liao et al. | Fusing geographic information into latent factor model for pick-up region recommendation | |
| Xu et al. | Exploring the destination network in the context of tourism mobility: a multi-scale analytical framework | |
| KR20230150239A (ko) | 가맹점 추천 정보를 제공하는 방법 및 디바이스 |
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 |