兴趣点推荐

摘要： 为了提高动态推荐效果,从时间个性化和连续性的角度出发,细化了签到用户的时间特征,利用灰关联分析度量时间向量的相似度,与矩阵分解算法结合,给出了一种新的矩阵分解算法。该算法可缓解时间戳细化签到矩阵后带来的数据稀疏的影响。同时为了提高个性化推荐,采用自适应核密度估计方法捕捉用户的空间偏好,增强用户的个性化体验,进而提高推荐质量。在此基础上,设计了一种新的兴趣点推荐算法。实验结果表明,该算法能有效地提高推荐准确率和召回率。

摘要： 兴趣点推荐作为推荐领域的一个重要分支一直备受研究者青睐。本文提出一种基于位置的社交网络(LBSN)和多图融合的兴趣点推荐方法GraphPOI。综合分析用户和兴趣点的内在因素和外部表征,首先,对用户-兴趣点的评分矩阵进行学习得到用户和兴趣点的内部潜在向量;其次,根据评分矩阵构造用户-兴趣点交互图,得到兴趣点在用户空间的表征向量以及用户在兴趣点空间的表征向量;然后,对兴趣点按其地理位置进行聚类,得到兴趣点在位置空间的表征向量,结合兴趣点在用户空间的表征向量进而得到兴趣点的外部表征向量;对用户社交图中的信息扩散现象进行建模,捕获用户的朋友关系,得到用户在社交空间的表征向量,结合用户在兴趣点空间的表征向量进而得到用户的外部表征向量;最后,结合用户和兴趣点的内部潜在向量与外部表征向量,得到用户和兴趣点的最终向量表示,并将其输入到多层神经网络模型中进行评分预测。在Yelp数据集上对所提模型进行验证,结果表明本文方法能够有效提升兴趣点推荐的准确性。

摘要： 随着基于位置的社交网络(Location-Based Social Networks,LBSNs)与兴趣点(Point of Interest,POI)推荐的有效组合,近年来已涌现出大量的相关研究,这些方法主要可分为将地理、社会、类别、文本以及时间等上下文信息进行建模并融合,进而克服数据稀疏问题并提升兴趣点推荐的性能.但已有的兴趣点推荐方法认为不同上下文间相互独立,在对不同上下文建模并融合的过程中忽略了其内在联系,导致上下文信息未得到充分利用.另外,在将上下文模型融合到用户自身偏好模型时,未考虑上下文信息对用户历史签到记录的不同影响.为应对上述挑战,本文合理地重构了上下文信息模型并有效地融合到用户偏好模型中,且提出了一种基于用户活动轨迹和个性化区域划分的兴趣点推荐方法.该方法根据用户的活动轨迹刻画出其日常活动区域,并探索了不同用户间的地理距离分布以及活动轨迹的相似度以建模社会关系对用户签到的影响.进一步地,结合用户活动轨迹区域内的POI的地理信息,使用带有自适应带宽的核密度估计方法评估POI间的地理相关性,以建模POI地理信息对用户签到的影响.最后,将用户社会关系模型和POI地理信息模型与用户自身偏好模型融合,使用改进的加权矩阵分解技术求解用户的个性化POI推荐.本文分别采用经典的和当前流行的相关研究作为基准,在Gowalla和Foursquare数据集上进行对比,实验结果表明本文方法具有更好的POI推荐效果,说明了本文提出的模型在融合策略和克服数据稀疏性方面更具优势.

摘要： 传统的兴趣点推荐通常忽略了用户签到行为中序列模式的重要性,且无法有效地捕捉用户复杂且动态变化的兴趣偏好.由此,本文提出了一种用户偏好和时间序列的兴趣点推荐模型(User Preference&Time Sequence based POI Recommendation,UPTS-PRec).该模型能够分别对短期偏好和长期偏好建模并融合,以捕捉用户兴趣的变化.对于短期偏好,提出了融合时空上下文信息的长短期记忆网络来学习用户签到行为中复杂的序列转移模式,并通过基于目标的注意力机制进一步精确地提取短期偏好.对于长期偏好,基于用户注意力机制以捕捉用户和兴趣点之间细粒度的关系.最后,在Foursquare和Gowalla两个数据集上进行实验仿真.结果表明本文提出的UPTS-PRec模型和主流的推荐方法相比在不同的评价标准上性能有较好的提升,验证了所提出模型的有效性.

摘要： 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。

摘要： 在基于位置的社交网络(LBSN)中,用户可以在兴趣点(POI)进行签到以记录行程,也可以与其他用户分享自身的感受并形成社交好友关系。POI推荐是LBSN提供的一项重要服务,其可以帮助用户快速发现感兴趣的POI,也有利于POI提供商更全面地了解用户偏好,并有针对性地提高服务质量。POI推荐主要基于对用户历史签到数据以及用户生成内容、社交关系等信息的分析来实现。系统归纳POI推荐中所面临的时空序列特征提取、内容社交特征提取、多特征整合、数据稀疏性问题处理这4个方面的挑战,分析在POI推荐中使用深度学习方法解决上述问题时存在的优势以及不足。在此基础上,展望未来通过深度学习提高POI推荐效果的研究方向,即通过增量学习加速推荐模型更新、使用迁移学习缓解冷启动问题以及利用强化学习建模用户动态偏好,从而为实现效率更高、用户体验质量更好的推荐系统提供新的思路。

摘要： 基于位置社交网络的兴趣点(POI)推荐是人们发现有趣位置的重要途径,然而,现实中用户在不同区域的地点偏好侧重的差异,加之高维度的历史签到信息,使得精准而又个性化的POI推荐极富挑战性。对此,该文提出一种新型的基于类别转移加权张量分解模型的兴趣点分区推荐算法(WTD-PR)。通过结合用户连续行为和时间特征,来充分利用用户的历史访问信息,从而得到类别转移权重因子;接着改进用户-时间-类别张量模型,在此张量中加入类别转移权重,预测用户的喜好类别;最后,根据用户的历史访问区域划分出本地和异地,并基于用户的当前位置找出推荐区域范畴,进而引入位置因素和社交因素,结合候选类别作兴趣点分区推荐。通过在真实数据集上进行对比实验,实验结果表明,所提算法不仅具有通用性,而且在推荐性能上也优于其他对比算法。

摘要： 兴趣点推荐是近年来位置社交网络和推荐系统领域研究的热点之一,了解兴趣点推荐在位置社交网络方面的发展现状,有利于为下一步的研究提供方向。对国内外兴趣点推荐系统的相关文献进行梳理,首先介绍了兴趣点推荐系统的概念,并从影响推荐的因素、推荐方法和推荐存在的问题三方面探讨其与传统推荐的区别。然后提出了兴趣点推荐系统的基本框架,该框架包含了数据来源、推荐方法和算法评价三个核心部分。以该框架为基础,介绍了影响兴趣点推荐的多种因素,归纳了现有的兴趣点推荐算法,总结了算法的评价指标。同时对代表性工作进行了分析介绍,详细总结了各种方法的研究内容与特点,并评价了其优势与不足。最后对该领域所面临的挑战和潜在的研究方向进行了总结与展望,给出了未来的研究趋势和发展方向。

摘要： 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。

摘要： 在社交网络中,人们往往会访问自己比较感兴趣和离自己比较近的地方,而兴趣点推荐就是根据用户的兴趣偏好能够有效地帮助用户选择自己比较感兴趣的地点。笔者提出一种基于位置和时间信息的兴趣点推荐方法。该方法从兴趣点的角度出发分为3个步骤,首先使用用户历史访问的兴趣点的位置信息计算用户历史访问兴趣点和用户未曾访问过的兴趣点的相似度;然后使用时间信息,将一天划分为不同的时间段,统计所有兴趣点在一天中不同时间段被签到的次数,计算用户历史访问兴趣点和用户未曾访问过的兴趣点的相似度;最后根据兴趣点的位置和时间信息综合计算用户历史访问兴趣点与用户未曾访问兴趣点的相似度,根据Top-N策略向用户推荐用户未曾访问过的兴趣点。在现实社会中的真实数据集上进行实验验证,实验结果表明笔者提出的方法是有效的。

摘要： 一种兴趣点推荐方法，包括：接收聊天信息，提取其对应的关键字及包含的地理位置信息；查找与所述关键字对应的且与所述地理位置信息距离小于或等于距离阈值的兴趣点；获取所述兴趣点的位置信息并通过聊天信息返回；接收兴趣点选取请求，提取选中的兴趣点，查找与所述选中的兴趣点对应的兴趣点信息并通过聊天信息返回。此外，还提供了一种兴趣点推荐装置、一种获取推荐兴趣点的方法及一种获取推荐兴趣点的装置。上述兴趣点推荐方法及装置、获取推荐兴趣点的方法及装置中，用户可通过在于商家的聊天窗口中输入自身的地理位置信息得到其附近的兴趣点，从而提高了操作的便利性。

摘要： 本发明公开了基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，涉及互联网技术领域，针对用户兴趣在时间上呈周期变化的特性，把用户在兴趣点上的签到行为按固定的时间段进行划分，在每一时间段，挖掘真正流行的兴趣点和双隐式信任机制(对相似类别专家的隐式信任和对潜在朋友的隐式信任)对周期兴趣点推荐的影响。在Foursquare数据集和Gowalla数据集上验证TpCsSce‑PPR模型的性能，实验结果显示TpCsSce‑PPR模型在MAE和RMSE评价指标上优于所选择的基准推荐方法。

摘要： 本公开提供了一种兴趣点推荐方法和兴趣点推荐模型的训练方法、装置，涉及人工智能领域，具体涉及大数据、度量学习和深度学习等技术领域，可应用于智能推荐等场景。兴趣点推荐方法的具体实现方案为：根据目标对象对常驻区域的访问数据和多个兴趣点所属区域的访问记忆特征，确定目标对象的偏好特征；根据偏好特征与多个兴趣点中每个兴趣点的空间约束特征之间的差异，确定多个兴趣点中针对目标对象的待推荐兴趣点，其中，区域的访问记忆特征是根据参考对象对区域的访问数据确定的，区域为针对参考对象的异地区域；空间约束特征是根据多个兴趣点彼此之间的位置关系确定的。

摘要： 本申请公开了兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置、设备、存储介质和计算机程序产品，涉及大数据、人工智能、深度学习等领域。具体实现方案为：根据当前用户的历史行为确定当前用户访问过的历史兴趣点；根据历史兴趣点确定多个候选兴趣点；利用每个候选兴趣点的标签，对多个候选兴趣点进行排序；根据排序推荐多个候选兴趣点。利用当前用户的历史行为构建当前用户的兴趣，并对当前用户的兴趣进行扩充得到候选兴趣点。再根据候选兴趣点的标签得到推荐顺序，从而可以结合用户的兴趣，在地图类应用程序中做到千人千面，满足用户的个性化需求，提升用户的使用体验。

摘要： 本公开提供了一种兴趣点推荐模型的训练方法和推荐兴趣点的方法，涉及人工智能领域，尤其涉及智能交通、强化学习、大数据领域，可用于云平台场景。实现方案为：获取训练数据，其中训练数据包括多个兴趣点推荐请求；确定用于兴趣点推荐模型的初始化参数；对于多个兴趣点推荐请求中的第一兴趣点推荐请求，利用兴趣点推荐模型确定第一兴趣点推荐请求的当前收益，利用兴趣点推荐模型，基于第一兴趣点推荐请求完成后发起的第二兴趣点推荐请求确定第一兴趣点推荐请求的目标收益；以及基于第一兴趣点推荐请求的当前收益和目标收益之间的差异调整兴趣点推荐模型的初始化参数以得到兴趣点推荐模型的最终参数。

摘要： 一种兴趣点推荐方法，包括：接收聊天信息，提取其对应的关键字及包含的地理位置信息；查找与所述关键字对应的且与所述地理位置信息距离小于或等于距离阈值的兴趣点；获取所述兴趣点的位置信息并通过聊天信息返回；接收兴趣点选取请求，提取选中的兴趣点，查找与所述选中的兴趣点对应的兴趣点信息并通过聊天信息返回。此外，还提供了一种兴趣点推荐装置、一种获取推荐兴趣点的方法及一种获取推荐兴趣点的装置。上述兴趣点推荐方法及装置、获取推荐兴趣点的方法及装置中，用户可通过在于商家的聊天窗口中输入自身的地理位置信息得到其附近的兴趣点，从而提高了操作的便利性。

摘要： 本申请涉及一种基于兴趣点轮廓的兴趣点推荐方法、装置、计算机设备和存储介质。所述方法包括：响应于用户端发送的包含逆地址编码请求坐标的逆地址编码请求，根据所述逆地址编码请求坐标获取多个关联兴趣点；根据所述逆地址编码请求坐标和所述多个关联兴趣点生成各所述关联兴趣点的特征标量；将各所述关联兴趣点的特征标量输入基于兴趣点轮廓训练的兴趣点推荐模型，获取所述兴趣点推荐模型输出的推荐兴趣点；将所述推荐兴趣点发送至所述用户端。本申请实施例能够提高兴趣点推荐的准确性。

摘要： 本发明涉及一种基于多重兴趣点对排序的个性化兴趣点推荐方法，属于位置推荐领域。该方法包括：S1获取用户隐式反馈签到数据；S2对用户隐式反馈签到数据进行分析，挖掘用户签到数据的空间分布特征，确定用户的活动区域；S3计算用户对于各活动区域兴趣点的偏好，并将用户的历史签到数据划分为三种样本；S4将三种样本数据作为多重兴趣点对排序模型的训练数据，采用随机梯度下降算法对模型参数进行迭代学习，获得用户对不同兴趣点的偏好程度；S5根据用户对兴趣点偏好程度的高低向用户推荐一定数量的兴趣点列表。本发明缓解了签到数据稀疏性的影响，同时有助于挖掘用户具有潜在偏好的兴趣点，从而使兴趣点推荐的精确度得到提升。

摘要： 本发明公开了基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，涉及互联网技术领域，针对用户兴趣在时间上呈周期变化的特性，把用户在兴趣点上的签到行为按固定的时间段进行划分，在每一时间段，挖掘真正流行的兴趣点和双隐式信任机制(对相似类别专家的隐式信任和对潜在朋友的隐式信任)对周期兴趣点推荐的影响。在Foursquare数据集和Gowalla数据集上验证TpCsSce‑PPR模型的性能，实验结果显示TpCsSce‑PPR模型在MAE和RMSE评价指标上优于所选择的基准推荐方法。

摘要： 本发明公开了一种基于兴趣点重要性和用户权威性的兴趣点推荐方法。该方法主要包括如下步骤：首先，根据用户与兴趣点的签到行为和兴趣点之间的共现关系，利用HITS和PageRank的混合模型，计算用户权威性和兴趣点重要性。其次，在泊松因子模型中集成兴趣点重要性，建模用户的签到行为。接着，在兴趣点推荐模型中融合用户权威性，衡量用户签到行为数据的置信度。然后，采用随机梯度下降算法学习用户和兴趣点的隐式特征向量。最后，根据用户和兴趣点隐式特征向量，预测用户对未签到兴趣点的签到频次，根据预测签到频次推荐用户潜在感兴趣的兴趣点。本发明主要解决基于位置社交网络中兴趣点推荐问题。