用于行程推荐的联合学习上下文感知兴趣点嵌入
信息检索
2018-08-27 v1 机器学习
机器学习
摘要
行程推荐是一项重要的基于位置的服务，可帮助用户减轻行程规划的时间与精力负担。其目标是为用户推荐一个兴趣点（POI）序列以供访问，从而最大化用户满意度。当向推荐行程中添加 POI 时，理解推荐的上下文至关重要，包括 POI 热度、行程中共同出现的其他 POI 以及用户偏好。这些上下文因素在现有研究中被分别学习，而在现实中它们对用户选择访问某 POI 的影响是联合的。在本研究中，我们提出一种 POI 嵌入模型以联合学习这些上下文因素的影响。我们将学习到的 POI 嵌入称为上下文感知 POI 嵌入。为展示该嵌入的有效性，我们将其应用于在给定用户和时间预算下生成行程推荐。我们基于上下文感知 POI 嵌入提出两种行程推荐算法。第一种算法通过将行程推荐问题转化并求解为整数线性规划问题来找到精确最优行程。为获得高计算效率，第二种算法基于自适应大邻域搜索找到启发式最优行程。我们在真实数据集上进行了大量实验。结果表明，我们所提算法在行程推荐质量上持续优于最先进算法，F1 分数上最高有 43% 的优势。
引用
@article{arxiv.1808.08023,
title = {A Jointly Learned Context-Aware Place of Interest Embedding for Trip Recommendations},
author = {Jiayuan He and Jianzhong Qi and Kotagiri Ramamohanarao},
journal= {arXiv preprint arXiv:1808.08023},
year = {2018}
}