话题-位置-类别感知的兴趣点推荐

• 作者: 秦小麟 马理博
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 基于位置的社交网络 兴趣点推荐 话题模型 地理影响 协同过滤
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 数据库&大数据&数据科学
• 页码范围: 81-87
• 页数: 7页
• 分类号: TP311
• 语种: 中文
• DOI: 10.11896/jsjkx.191100120

摘要

随着基于位置的社交网络(Location-Based Social Networks,LBSN)的不断发展,有助于用户探索新地点和商家发现潜在客户的兴趣点(Point-of-Interest,POI)推荐受到了广泛关注.然而,用户签到数据的高稀疏性,为兴趣点推荐带来了严峻挑战.针对这一挑战,文中探索兴趣点的文本、地理和类别信息,有效融合兴趣话题、地理影响及类别偏好因素,提出了一种话题-位置-类别感知的协同过滤兴趣点推荐算法,称之为TGC-CF.该算法利用潜在狄利克雷分配(Latent Dirichlet Allocation,LDA)模型挖掘兴趣点相关的文本信息,学习用户的兴趣话题分布,并计算用户间兴趣话题分布的相似度,通过结合地理距离和用户的区域偏好来建模地理影响;使用TF-IDF统计方法评估目标用户对类别的偏好程度,并考虑其他用户的类别偏好在推荐过程中的作用和影响,最后将这些影响因素整合到一个协同过滤推荐模型中,从而生成包含用户感兴趣的兴趣点的推荐列表.在两个真实数据集上的实验结果表明,TGC-CF算法比其他推荐算法表现更好.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	秦小麟		175	1597	20.0	30.0
2	马理博		1	0	0.0	0.0