基于时空循环神经网络的下一个兴趣点推荐方法

下一个兴趣点推荐已经成为基于位置的社交网络(location-based social networks,LBSNs)中一个重要任务。现有的模型没有深入考虑相邻签到兴趣点之间的转移时空信息,无法对用户访问下一个兴趣点的长短时间偏好和远近距离偏好进行有效建模。本文通过对循环神经网络(recurrent neural network, RNN)进行扩展,提出一个新的基于会话的时空循环神经网络模型(sesson-based spatial-temporal recurrent neural network, SST-RNN)用于下一个兴趣点推荐。该模型通过设置时间转移矩阵和空间转移矩阵分别对用户的时间和空间偏好信息进行建模,综合考虑连续签到兴趣点的序列信息、时空信息以及用户偏好进行下一个兴趣点推荐。通过在2个真实公开的数据集上进行实验,结果显示本文提出的SST-RNN模型的推荐效果比主流的推荐模型有显著提升。在Foursquare和CA数据集上,ACC@5评价指标分别提升了36.38%和13.81%,MAP评价指标分别提升了30.72%和17.26%。     

多源异构签到数据中改进RNN的POI推荐

在基于位置的社交网络(LBSNs)中,现有的兴趣点(POI)推荐方法主要考虑地理位置和社交关系因素的影响,对签到行为的顺序和时间因素影响关注较少。针对该问题,提出一种改进循环神经网络(RNN)的POI推荐的方法。通过因子分解机对影响POI推荐因素的稀疏矩阵进行去稀疏化;通过提出的MMBE框架对多源异构签到数据整体建模,得到POI推荐的影响因子;将影响因子输入改进型RNN,计算出兴趣点预测值,将预测值最高的前K个兴趣点推荐给用户。实验结果表明,所提方法在精度、召回率、F1值方面优于其它3种较新的POI推荐方法。     

融合区域与朋友影响的下一兴趣点推荐

随着移动设备的日益普及,积累了大量的用户签到兴趣点数据,用户签到的信息使下一兴趣点推荐成为近年来研究的热点问题.下一兴趣点推荐的准确性主要受到两方面的制约:一方面,签到数据稀疏性问题.当前研究者通过引入兴趣点的地理相关性或社交网络中的朋友评价信息来改善数据稀疏问题,但并不是所有兴趣点之间都存在强地理相关性,且社交网络中只存在少量用户对签到的兴趣点发表评论.另一方面,基于深度学习训练兴趣点签到序列存在梯度消失的问题.针对这些问题,提出融合区域与朋友影响的用户下一兴趣点推荐模型.首先,将兴趣点区域信息融入用户签到兴趣点序列中;其次,使用带有残差连接的神经网络模型对序列进行嵌入,避免梯度消失,提高模型收敛性;最后,融合朋友访问的兴趣点信息进行下一兴趣点推荐,进一步提高兴趣点推荐的准确性.实验数据表明,与其他推荐模型相比,提出的模型具有较高准确性.     

一种基于多类型情景信息的兴趣点推荐模型

随着位置社交的快速发展,推荐系统融合基于位置服务的兴趣点推荐成为一个重要的研究热点。当前最新的兴趣点推荐工作开始融合地理、文本和社交信息进行推荐,但是还存在信息挖掘不充分的情况。为此,提出了改进的多类型信息融合的联合概率生成的兴趣点推荐模型。首先,提出了自动学习文档话题数目的分层狄利克雷过程主题模型,学习用户和兴趣点相关兴趣话题;同时,利用由签到分布决定带宽大小的核密度估计法,个性化地理信息对用户签到行为的影响;而且,还融合了用户位置访问序列中,已访问兴趣点对待访问兴趣点的影响,即序列模式的影响;然后,综合考虑了用户社交关系的影响;最后,基于联合概率生成模型,融合文本、地理、社会和序列信息,提出TGSS-PGM兴趣点推荐模型,依据计算结果从而生成兴趣点推荐列表推荐给用户。实验结果表明,该模型在推荐准确率等多种评价指标上都取得了更好的结果。     

基于社交关系和时序信息的团购推荐方法

针对目前团购推荐方法较少结合单个用户与群组用户，并且对时间间隔、社交关系等上下文相关信息的利用不充分的问题，提出了一种基于社交关系和时序信息的团购推荐方法。对单个用户进行推荐时，针对循环神经网络（RNN）的门控循环单元（GRU）在团购推荐时没有考虑时序信息的影响，以及用户-商品交互序列中不相关的商品数据会产生噪声等问题，提出了融合时序感知GRU和自注意力的团购推荐模型（RTSA）。首先，通过计算用户购买的任意两个商品之间的个性化时间间隔，构建了时序感知GRU(TGRU)模型；然后，采用自注意力网络研究商品位置及个性化时间间隔的影响；最后，实验结果表明在Amazon Beauty数据集中，RTSA相较于对单个用户推荐的最优的基线模型——基于时间间隔感知自注意力的序列化推荐模型（TiSASRec），前10个商品命中率提升了11.73%。对群组用户进行推荐时，针对团购群组推荐中预定义的融合策略不能动态获取群组用户权重，以及群组-项目交互数据的稀疏性等问题，提出了融合社交网络和分层自注意力的团购推荐模型（SSAGR）。首先，采用RNN捕捉团购中用户随时间变化的复杂潜在兴趣；其次，利用分层自注意...     

融合时空网络和自注意力的兴趣点序列推荐

针对现有的序列推荐算法仅利用长短期顺序行为和用户交互行为进行推荐,没有充分考虑用户交互行为之间的时空间隔信息对用户推荐序列更深层影响的问题,提出一种融合时空网络和自注意力的兴趣点序列推荐模型。将用户签到之间的时间和空间间隔信息融入门控循环单元网络,使用用户的历史签到序列信息获取用户的偏好,通过自注意力机制对签到地点进行建模,获得用户对于模型的权重序列,通过签到地点与候选地点的时间间隔和空间间隔匹配兴趣点,为用户推荐一个兴趣点序列。在两个数据集上的实验结果表明,提出方法在召回率上优于之前先进的方法。     

融合全局和局部特征的下一个兴趣点推荐方法

随着海量移动数据的积累,下一个兴趣点推荐已成为基于位置的社交网络中的一项重要任务.目前,主流方法倾向于从用户近期的签到序列中捕捉局部动态偏好,但忽略了历史移动数据蕴含的全局静态信息,从而阻碍了对用户偏好的进一步挖掘,影响了推荐的准确性.为此,提出一种基于全局和局部特征融合的下一个兴趣点推荐方法.该方法利用签到序列中的顺序依赖和全局静态信息中用户与兴趣点之间、连续签到之间隐藏的关联关系建模用户移动行为.首先,引入两类全局静态信息,即User-POI关联路径和POI-POI关联路径,学习用户的全局静态偏好和连续签到之间的全局依赖关系.具体地,利用交互数据以及地理信息构建异构信息网络,设计关联关系表示学习方法,利用相关度引导的路径采样策略以及层级注意力机制获取全局静态特征.然后,基于两类全局静态特征更新签到序列中的兴趣点表示,并采用位置与时间间隔感知的自注意力机制来捕捉用户签到序列中签到之间的局部顺序依赖,进而评估用户访问兴趣点概率,实现下一个兴趣点推荐.最后,在两个真实数据集上进行了实验比较与分析,验证了所提方法能够有效提升下一个兴趣点推荐的准确性.此外,案例分析表明,建模显式路径有助于提...     

LBSN中融合类别信息的混合推荐模型

针对基于位置的社交网络（Location-Based Social Network,LBSN）中用户签到数据的高稀疏性问题及用户隐私问题,提出了一种混合推荐模型（SoGeoCat）.首先,通过用户潜在兴趣点数据模型,学习用户的潜在兴趣点;其次,将用户的潜在兴趣点纳入融合类别信息的矩阵分解模型中并优化;最后,根据用户特征矩阵、兴趣点特征矩阵,提出推荐策略.基于Foursquare真实数据集,实验结果表明：（1）相比于其他几个推荐模型,该算法将用户的潜在兴趣点填充至用户-兴趣点矩阵中,可以有效地缓解数据稀疏性的影响;（2）该算法可保护用户家庭信息;（3）在推荐模型中纳入类别信息的影响能提高推荐效果.     

融合时空感知GRU和注意力的下一个地点推荐

针对循环神经网络（RNN）的门控循环单元（GRU）在进行地点推荐时没有考虑地点的时间和空间信息的影响,提出了融合时空感知的GRU模型。另外,对于签到序列中不相关的签到数据会产生噪声的问题,提出了融合时空感知的GRU和注意力的下一个地点推荐模型（ST-GRU+Attention）。首先,通过计算两个地点之间时间间隙和距离间隙,在GRU模型的基础上增加时间门和空间门,设置权重矩阵,控制时间信息和空间信息对推荐下一个地点的影响;然后,引入注意力机制,通过计算用户偏好的注意力权重得分,得到用户的注意力权重系数,获取用户的个性化偏好;最后,通过贝叶斯个性化排序（BPR）算法构造目标函数并学习模型参数。实验结果表明,与个性化马尔可夫链和用户位置受限的推荐方法（FPMC-LR）、基于个性化排名度量嵌入的推荐方法（PRME）和融合时间和空间的循环神经网络（ST-RNN）的推荐方法相比,ST-GRU+Attention的准确度有了较大的提高,其准确率（Precision）和召回率（Recall）两项指标比较优的ST-RNN算法分别提高了15.4%和17.1%。ST-GRU+Attention推荐方法可以有效地改善地点推荐的结果。     

融合社交关系和局部地理因素的兴趣点推荐

兴趣点（Point-Of-Interest,POI）推荐是基于位置社交网络（Location-Based Social Network,LBSN）中一项重要的个性化服务,可以帮助用户发现其感兴趣的[POI],提高信息服务质量。针对[POI]推荐中存在的数据稀疏性问题,提出一种融合社交关系和局部地理因素的[POI]推荐算法。根据社交关系中用户间的共同签到和距离关系度量用户相似性,并基于用户的协同过滤方法构建社交影响模型。为每个用户划分一个局部活动区域,通过对区域内[POIs]间的签到相关性分析,建立局部地理因素影响模型。基于加权矩阵分解挖掘用户自身偏好,并融合社交关系和局部地理因素进行[POI]推荐。实验表明,所提出的[POI]推荐算法相比其他方法具有更高的准确率和召回率,能够有效缓解数据稀疏性问题,提高推荐质量。     

一种基于位置社交网络融合多种情景信息的兴趣点推荐模型

针对现有位置社交网络兴趣点推荐的研究工作主要集中在挖掘兴趣点的情景信息:时间信息、地理位置和评论信息,其中评论信息对用户偏好的影响尚未充分研究的情况。为此,提出一个统一兴趣点推荐模型,融合了用户偏好模型和上述3种情景信息,其中对用户偏好建模采用基于签到次数的度量方法,同时对评论信息采用基于潜在狄利克雷分配主题模型来挖掘用户偏好。实验结果表明,该模型在推荐准确率等多种评价指标上都取得了更好的结果。     

基于LBSN动态异构网络的时间感知兴趣点推荐

随着基于位置社交网络(Location-Based Social Network,LBSN)的快速发展,兴趣点(Point-Of-Interest,POI)推荐可以帮助人们发现有趣的并吸引人的位置。针对签到数据的稀疏性和用户兴趣的动态性等挑战性问题,提出了基于LBSN动态异构网络的时间感知兴趣点推荐算法。在LBSN异构网络模式中增加会话节点类型。通过动态元路径,在用户和兴趣点语义关系之间有效地融入时间信息、位置信息和社交信息等。设置了用户-兴趣点之间的动态元路径集,并提出了动态路径实例的偏好度计算方法。采用矩阵分解模型对不同动态偏好矩阵进行矩阵分解。根据不同动态元路径的用户特征矩阵和兴趣点特征矩阵,获取用户在目标时间访问兴趣点的推荐列表。实验结果表明,与其他兴趣点推荐方法相比,所提方法在兴趣点推荐精确度上取得了较好的推荐结果,具有良好的应用前景。     

融合神经网络和泊松分解的兴趣点推荐算法

针对兴趣点推荐系统存在的隐式反馈建模用户-POI交互准确率不高和忽视用户签到数据的隐性反馈属性的问题。提出了一种新颖的兴趣点推荐算法。具体而言,采用一种基于神经网络的排序算法来捕获用户-兴趣点的交互关系,结合泊松分解算法和贝叶斯个性化排序技术建模用户的签到行为,将上述2个步骤得到的算法整合到统一的推荐算法架构中,从而提供兴趣点推荐服务。实验结果表明,提出的算法推荐性能优于传统主流先进兴趣点推荐算法。     

基于社交和地理信息的兴趣点推荐

目前基于用户的协同过滤兴趣点推荐模型认为两个用户之间对彼此的影响是相同的；同时，在计算社交用户相似度时仅仅考虑了用户的朋友集合，未考虑用户住所的地理信息。针对上述问题，提出了一种融合用户、社会和地理信息的兴趣点推荐（Fuse Users、Social and Geographic，FUSG）模型。将非对称用户影响和PageRank算法融入到基于用户的协同过滤算法中，挖掘用户偏好对兴趣点推荐系统的影响；结合社交用户之间的居住距离和用户的共同好友计算用户之间的相似度；利用地理信息挖掘用户签到的地理特征；将改进的协同过滤算法、社交信息与地理信息融合成FUSG模型，进行兴趣点推荐。在真实的数据集上的实验结果表明，FUSG模型不仅能够缓解冷启动问题，且与其他模型相比具有更高的推荐结果。     

基于相似度融合和动态预测的兴趣点推荐算法

现有的兴趣点推荐算法大都存在两个问题：第一,算法中利用用户签到的历史数据,而忽略了用户的评论和标签等信息,不能很好地解决冷启动问题。第二,部分算法在计算相似度时仅使用用户的签到评分,而由于POI签到矩阵的高稀疏性,会导致推荐结果不准确。鉴于上述问题,提出了利用潜在的狄利克雷分配（Latent Dirichlet Allocation,LDA）主题模型挖掘用户的兴趣话题,融合签到数据进行相似度度量,很好地解决了冷启动问题。在推荐生成阶段提出了一种动态预测法,动态填补缺失的访问概率,进一步缓解数据稀疏,提高推荐质量。在真实数据集上的实验结果表明,基于相似度融合和动态预测的兴趣点推荐算法有效解决了数据稀疏性和冷启动问题,推荐性能优于传统的推荐算法。     

LBSN中融合时空信息的连续兴趣点推荐

针对位置社交网络（location-based social networks,LBSN）中连续兴趣点（point-of-interest,POI）推荐系统面临的数据稀疏性、签到数据的隐式反馈属性、用户的个性化偏好等挑战,提出一种融合时空信息的连续兴趣点推荐算法。该算法将用户的签到行为建模为用户—当前兴趣点—下一个兴趣点—时间段的四阶张量,并利用LBSN中的地理信息定义用户访问兴趣点的地理距离偏好,最后采用BPR（Bayesian personalized ranking）标准优化目标函数。实验结果表明该算法相比其他先进的连续兴趣点推荐算法具有更好的推荐效果。     

结合动态多类信息的兴趣点推荐

利用用户的历史签到数据的同时考虑用户的长期偏好和短期偏好已成为当今兴趣点（Point-of-Interest, POI）推荐的主流方法之一。然而,现有方法往往忽略了用户评论中隐含的用户偏好信息,忽视了不同用户在对长期偏好和短期偏好的依赖上所存在的差异性。针对上述局限,本文提出一种结合动态多类信息的兴趣点推荐方法DMGCR。首先,利用注意力机制捕获用户对不同兴趣点的关注程度,定量刻画用户对兴趣点的长期偏好。其次,将评论信息与已有的位置和类别信息相结合,并利用双向长短期记忆网络学习评论文本中隐含的语义特征,在捕获用户对兴趣点情感倾向的基础上准确刻画用户的短期偏好。最后,设计融合动态多类信息的用户偏好综合预测函数,实现下一个兴趣点推荐概率的定量计算。多个数据集上的实验结果验证了该方法在推荐性能上的有效性和优越性。