RELINE：基于多重网络嵌入的兴趣点推荐
信息检索
2019-02-05 v1 机器学习
摘要
用户对基于位置的社交网络（LBSNs）参与的快速增长导致了全球范围内数据的迅速增长。访问和检索贴近用户偏好的相关信息的需求是一个开放问题，持续为推荐系统带来新挑战。现有模型对兴趣点（POIs）推荐的利用是不充分的，原因在于稀疏性与冷启动问题。为克服这些问题，文献中提出了许多模型，但其中大多数忽略了重要因素，如：地理邻近性、社交影响或时间与人偏好动态，这影响了其准确性同时使其推荐个性化。在本工作中，我们研究这些问题并提出了一种联合学习用户与 POI 动态的统一模型。我们的方案称为 RELINE（REcommendations with muLtIple Network Embeddings，基于多重网络嵌入的推荐）。更具体地，RELINE 通过将被嵌入一个共享潜在空间的八个关系图，来捕获：i) 社交、ii) 地理、iii) 时间影响，以及 iv) 用户偏好动态。我们针对最先进的方法，使用三个大型真实世界数据集在准确性方面评估了我们的方法。此外，我们考察了我们的方法应对冷启动问题的有效性。性能评估结果证明，与现有最先进方法相比取得了显著的性能提升。
引用
@article{arxiv.1902.00773,
title = {RELINE: Point-of-Interest Recommendations using Multiple Network Embeddings},
author = {Giannis Christoforidis and Pavlos Kefalas and Apostolos N. Papadopoulos and Yannis Manolopoulos},
journal= {arXiv preprint arXiv:1902.00773},
year = {2019}
}