LGLMF：基于局部地理信息的逻辑矩阵分解模型用于兴趣点推荐
信息检索
2019-09-17 v1
摘要
随着基于位置的社交网络的快速增长，个性化的兴趣点（POI）推荐已成为帮助用户探索周边环境的关键任务。由于签到数据的稀疏性，地理信息的可用性为提升 POI 推荐精度提供了机会。此外，矩阵分解方法提供了可用于 POI 推荐的有效模型。然而，为提升 POI 推荐方法的性能，有两个主要挑战需要解决。第一，利用地理信息捕获用户的个人地理画像与位置的地理热度。第二，将地理模型整合进矩阵分解方法中。为解决这些问题，本文提出一种基于局部地理模型的 POI 推荐方法，其同时考虑用户与位置的视角。为此，通过考虑用户的主要活动区域以及该区域内各位置的相关性，提出了一种有效的地理模型。随后，将所提局部地理模型融合进逻辑矩阵分解（Logistic Matrix Factorization）以提升 POI 推荐精度。在两个知名数据集上的实验结果表明，所提方法优于其他 SOTA 的 POI 推荐方法。
引用
@article{arxiv.1909.06667,
title = {LGLMF: Local Geographical based Logistic Matrix Factorization Model for POI Recommendation},
author = {Hossein A. Rahmani and Mohammad Aliannejadi and Sajad Ahmadian and Mitra Baratchi and Mohsen Afsharchi and Fabio Crestani},
journal= {arXiv preprint arXiv:1909.06667},
year = {2019}
}
备注
13 pages, 1 figures