现有下一个兴趣点推荐(Next POI Recommendation)方法主要利用用户的历史签到序列并结合上下文环境因素进行,忽略了用户关系和签到记录中的序列相关性。该文提出一种基于用户关系和用户偏好的下一个兴趣点推荐方法(Relationships and Preferences-Gated Recurrent Unit,RP-GRU)。首先,根据用户之间的社会关系构建用户关系图,在此基础上提出基于Skip-gram模型的用户关系嵌入向量生成方法;然后,考虑到不同时期的用户偏好对决策行为的不同影响,提出分段式用户偏好挖掘方法,利用GRU模型分析用户近期签到序列并结合用户关系嵌入向量获得兴趣点的近期得分,再通过K近邻序列挖掘用户的长期偏好进而获得兴趣点的长期得分;最后,提出兴趣点的近期得分和长期得分融合方法,并据此对兴趣点按综合得分进行推荐。通过在CA和Gowalla两个真实数据集上的实验表明,该文方法的ACC@1、ACC@5、ACC@10、MRR@10指标在CA数据集上分别高出目前最优算法37.98%、18.04%、12.15%和25.36%,在Gowalla数据集上分别高于目前最优算法10.82%、18.65%、9.39%和23.87%,表明该文方法能有效提高下一个兴趣点推荐的准确性,可为下一个兴趣点推荐提供新思路。
展开▼
