PERS：一种个性化且可解释的 POI 推荐系统
信息检索
2017-12-22 v1
摘要
基于位置的社交网络（LBSN）（例如 Facebook）具有许多对兴趣点（POI）推荐起着关键作用的因素（如评分、签到时间等）。与评分不同，评论能够帮助用户详细阐述其观点，并围绕感兴趣的相关因素（方面）分享消费体验的程度。尽管现有的一些推荐系统已经利用了用户评论，但其中大多数缺乏透明度且不可解释。这些原因引起了人们对可解释与可诠释推荐的相当关注。据我们所知，本文是首篇利用用户评论来融合针对不同方面的情感与意见，以实现个性化且可解释的 POI 推荐的论文。在本文中，我们提出了一个称为 PERS（个性化可解释 POI 推荐系统）的模型，该模型通过深度神经网络对评论-方面类别相关性进行建模，将用户-方面类别二部关系表述为二部图，并使用基于二部核与基于排序的方法对可解释推荐进行建模。本文的主要贡献为：（i）基于用户通过评论发布的方面对用户和地点进行建模；（ii）利用深度神经网络对评论-方面类别相关性进行建模；（iii）在 POI 推荐模型中支持多种上下文（如类别、空间等）的融合；（iv）将用户对方面类别的偏好表述为二部关系，将其表示为地点-方面类别二部图，并借助基于二部核与基于排序方法的有序稠密子图提取概念对可解释推荐进行建模；（v）使用三个真实世界数据集对所生成的推荐进行了评估。
引用
@article{arxiv.1712.07727,
title = {PERS: A Personalized and Explainable POI Recommender System},
author = {Ramesh Baral and Tao Li},
journal= {arXiv preprint arXiv:1712.07727},
year = {2017}
}