CAPS：情境感知的个性化兴趣点序列推荐系统
信息检索
2018-03-06 v1
摘要
万维网（WWW）与智能手机技术的变革是社交网络取得显著成功的关键因素。随着签到数据的易获取性，基于位置的社交网络（LBSN）（如Facebook1等）在过去十年中被大量用于兴趣点（POI）推荐。尽管已提出许多POI推荐器，但多数聚焦于推荐单一位置或缺乏情境连贯性的任意列表。当需要一份可用于各类日常活动（例如行程规划）的情境连贯的位置列表时，依赖此类系统颇为不便。本文提出一种称为CAPS（Context-Aware Personalized POI Sequence Recommender System，情境感知的个性化兴趣点序列推荐系统）的模型，可生成与用户偏好相关的情境连贯POI序列。据我们所知，CAPS是首个通过扩展循环神经网络（RNN）及其变体来形式化情境POI序列建模的尝试。CAPS通过向隐藏层引入多情境、并向隐藏层与输出层引入全局情境（序列特征）来扩展RNN。它通过在门更新关系中引入多情境与全局特征来扩展RNN的变体（如长短期记忆（LSTM））。本文的主要贡献为：(i) 通过多重约束（如类别、社交、时间等）融入个性化用户偏好，对情境POI序列问题进行建模；(ii) 扩展RNN以融入单个条目及整个序列的情境，并扩展RNN变体的门控功能以融入多情境；(iii) 在两个真实世界数据集上对所提模型进行了评估。
引用
@article{arxiv.1803.01245,
title = {CAPS: Context Aware Personalized POI Sequence Recommender System},
author = {Ramesh Baral and Tao Li and XiaoLong Zhu},
journal= {arXiv preprint arXiv:1803.01245},
year = {2018}
}