一种融合多种基于位置的相似度的协作排序模型用于场所推荐

推荐场所在满足基于位置的社交网络用户需求方面起着关键作用。近期研究探索了采用协作排序（CR）进行推荐的思路，该思路结合了学习排序与协同过滤的思想。然而，CR 存在稀疏性问题，主要是因为它基于签到历史中场所的确切匹配来关联相似用户。尽管协同过滤的研究表明考虑地理影响等辅助信息有助于模型缓解稀疏性问题，但在 CR 中这一方向仍有待探索。在这项工作中，我们提出了一种 CR 框架，该框架关注排序列表的顶部，同时在学习的模型参数过程中整合任意数量的场所间相似度函数。我们进一步引入了三种基于场所内容与位置的示例相似度度量。将跨场所相似度度量纳入模型增强了用户间的潜在关联，因为在将用户彼此关联时也考虑到了相似场所。我们在 TREC Contextual Suggestion 数据集上的实验表明，我们提出的 CR 模型击败了其他最先进的场所推荐方法。