上下文信息对兴趣点推荐影响的系统性分析
信息检索
2022-01-21 v1 人工智能
摘要
随着基于位置的社交网络（LBSNs）的普及，设计精确的的兴趣点（POI）推荐模型受到更多关注。POI 推荐常通过将上下文信息融入先前设计的推荐算法来完成。POI 推荐中考虑的一些主要上下文信息包括位置属性（即位置的精确坐标、类别与签到时间）、用户属性（即对位置给出的评论、点评、提示与签到），以及其他信息，如 POI 距用户主要活动地点的距离，以及用户间的社交关系。对此类因素的正确选择可显著影响 POI 推荐的性能。然而，先前的研究未考虑这些不同因素组合的影响。本文中，我们提出不同的上下文模型，并分析 POI 推荐中不同主要上下文信息的融合。本文的主要贡献为：(i) 提供对上下文感知位置推荐的广泛综述；(ii) 在可用基线与两个新的线性及非线性模型上量化并分析不同上下文信息（如社交、时间、空间与类别）对 POI 推荐的影响，这些模型可将所有主要上下文信息融入单一推荐模型；(iii) 使用两个知名真实世界数据集评估所考虑的模型。我们的结果表明，虽然对地理与时间影响的建模可改善推荐质量，但将全部其他上下文信息融合进推荐模型并非总是最佳策略。
引用
@article{arxiv.2201.08150,
title = {A Systematic Analysis on the Impact of Contextual Information on Point-of-Interest Recommendation},
author = {Hossein A. Rahmani and Mohammad Aliannejadi and Mitra Baratchi and Fabio Crestani},
journal= {arXiv preprint arXiv:2201.08150},
year = {2022}
}
备注
To appear in ACM TOIS