GT-SEER：用于兴趣点推荐的地理-时序序列嵌入排序
信息检索
2016-06-21 v1 社会与信息网络
摘要
兴趣点（POI）推荐是基于位置的社交网络（LBSNs）中的一个重要应用，它通过学习用户的签到序列来获取用户偏好和移动模式，从而推荐POI。然而，以往的POI推荐系统基于张量分解或马尔可夫链模型对签到序列进行建模，无法捕捉序列中的上下文签到信息。上下文签到信息暗示了构成个体日常签到序列的POI之间的互补功能。在本文中，我们利用嵌入学习技术来捕捉上下文签到信息，并进一步提出了用于POI推荐的序列嵌入排序（SEER）模型。特别地，SEER模型在由POI嵌入学习方法建模的序列约束下，通过成对排序模型学习用户偏好。此外，我们将两个重要因素，即时间影响和地理影响，结合到SEER模型中以增强POI推荐系统。由于不同日期序列的时间变化，我们提出了一种时间POI嵌入模型，并将时间POI表示结合到时间偏好排序模型中，从而建立了时间SEER（T-SEER）模型。此外，我们将地理影响结合到T-SEER模型中，开发了地理-时间SEER（GT-SEER）模型。
引用
@article{arxiv.1606.05859,
title = {GT-SEER: Geo-Temporal SEquential Embedding Rank for Point-of-interest Recommendation},
author = {Shenglin Zhao and Tong Zhao and Irwin King and Michael R. Lyu},
journal= {arXiv preprint arXiv:1606.05859},
year = {2016}
}