基于相似群体实现可交互且可解释的兴趣点推荐
数据库
2020-09-02 v1
摘要
兴趣点(POIs)推荐正出现在许多基于位置的应用中。文献中包含个性化与社交化的 POI 推荐方法，它们利用历史签到和社交链接进行推荐。然而这些系统仍缺乏可定制性（融入基于会话的用户与系统的交互）与情境性（融入用户的情境上下文），尤其在冷启动情形下，几乎无可用用户信息。本文提出 LikeMind，一种 POI 推荐系统，它通过挖掘公共 POI 数据集中的相似群体(look-alike groups)来解决冷启动、可定制性、情境性与可解释性挑战。LikeMind 将 POI 推荐问题重新表述为推荐符合用户兴趣的可解释相似群体（及其 POIs）。LikeMind 将 POI 推荐任务构建为一个探索过程，用户通过表达其喜爱的 POIs 与系统交互，其交互影响相似群体的选出方式。此外，LikeMind 采用“心态(mindsets)”来捕捉用户的实际情境与意图，并强化 POI 有趣性的语义。在大量实验中，我们从效率与有效性方面展示了该方法在推荐相关相似群体及其 POIs 上的质量。
引用
@article{arxiv.2009.00099,
title = {Interactive and Explainable Point-of-Interest Recommendation using Look-alike Groups},
author = {Behrooz Omidvar-Tehrani and Sruthi Viswanathan and Jean-Michel Renders},
journal= {arXiv preprint arXiv:2009.00099},
year = {2020}
}