一种用于兴趣点推荐的联合两阶段时间敏感正则化协同排序模型
信息检索
2019-09-17 v1 计算机与社会
机器学习
社会与信息网络
摘要
基于位置的社交网络（LBSNs）的流行带来了海量的用户签到数据。推荐兴趣点（POIs）在满足 LBSNs 中用户需求方面起着关键作用。尽管近期工作已探索采用协同排序（CR）进行推荐的思路，但鲜有尝试利用 CR 将时间信息纳入 POI 推荐。在本文中，我们提出了一种两阶段 CR 算法，该算法纳入了 POI 的地理影响，并基于 POI 流行度与用户活动随时间变化的方差进行正则化。该时间敏感正则化器对过去时间敏感性更强的用户和 POI 进行惩罚，帮助模型在学习用户-POI 交互时考虑其长期行为模式。此外，在第一阶段，它试图将已访问的 POI 排在未访问的 POI 之前，同时施加地理影响；在第二阶段，我们的算法试图将用户喜爱的 POI 在推荐列表中排得更靠前。两个阶段均采用协同学习策略，使模型能从两个不同视角捕捉复杂的潜在关联。在真实世界数据集上的实验表明，我们提出的时间敏感协同排序模型优于最先进的 POI 推荐方法。
引用
@article{arxiv.1909.07131,
title = {A Joint Two-Phase Time-Sensitive Regularized Collaborative Ranking Model for Point of Interest Recommendation},
author = {Mohammad Aliannejadi and Dimitrios Rafailidis and Fabio Crestani},
journal= {arXiv preprint arXiv:1909.07131},
year = {2019}
}
备注
To appear in IEEE Transactions on Knowledge and Data Engineering (TKDE)