基于矩阵分解的地理与时间联合建模用于兴趣点推荐
信息检索
2020-01-27 v1 机器学习
摘要
随着基于位置的社交网络（LBSN）的普及，兴趣点（POI）推荐已成为一项重要任务，其通过学习用户偏好与移动模式来推荐 POI。以往研究表明，引入地理与时间影响等上下文信息对于通过解决数据稀疏性问题来改进 POI 推荐是必要的。然而，现有方法基于 POI 与用户间的物理距离建模地理影响，却忽略了此类地理影响的时间特征。本文对用户移动模式进行研究，发现用户的签到根据其当前时间状态围绕若干中心发生。接着，我们提出一种时空活动中心算法以更准确地建模用户行为。最后，我们将所提上下文模型分别置于静态与时间两种设定下嵌入矩阵分解模型，以证明其有效性。为展示我们称为 STACP 的所提方法的有效性，我们在来自 Gowalla 与 Foursquare LBSN 的两个知名真实数据集上进行了实验。实验结果表明，与最先进技术相比，STACP 模型取得了统计显著的性能提升。我们还证明了捕捉地理与时间信息以建模用户活动中心的有效性，以及联合建模它们的重要性。
引用
@article{arxiv.2001.08961,
title = {Joint Geographical and Temporal Modeling based on Matrix Factorization for Point-of-Interest Recommendation},
author = {Hossein A. Rahmani and Mohammad Aliannejadi and Mitra Baratchi and Fabio Crestani},
journal= {arXiv preprint arXiv:2001.08961},
year = {2020}
}
备注
To be appear in ECIR 2020