基于地理偏好排序的兴趣点混合推荐模型

作者：彭诗杰; 陈红梅; 王丽珍; 肖清

来源：计算机应用, 2022, 1-10.

• 基于位置的社交网络
• 兴趣点推荐
• 隐式反馈
• 兴趣点排序
• 加权贝叶斯个性化排序

随着智能移动设备的普及，基于位置的社交网络（LBSNs）迅速发展，作为缓解信息过载的有效手段，兴趣点（POI）推荐也备受关注。由于用户签到数据是隐式反馈数据，且十分稀疏，为了有效地从用户签到数据中捕获用户POI偏好，提出基于地理偏好排序的兴趣点混合推荐模型。首先，考虑用户签到数据的隐式反馈特性及用户活动的空间约束，在传统贝叶斯个性化排序（BPR）模型的基础上，计算POI距离对POI排序的影响，提出加权BPR模型GWBPR （Geo-Weighted Bayesian Personalized Ranking）。然后，针对用户签到数据的稀疏性，在GWBPR模型的基础上进一步融合逻辑矩阵分解LMF（LogisticMatrix Factorization）模型，提出混合模型GWBPR-LMF （Geo-Weighted Bayesian Personalized Ranking with Logistic Matrix Factorization）。在两个真实数据集上的实验结果表明，GWBPR-LMF模型的性能均优于BPR、LMF、SAE-NAD（Self-Attentive Encoder and Neighbor-Aware Decoder）等对比模型。与较优的对比模型SAE-NAD相比，GWBPR-LMF模型的POI推荐精确率Precision、召回率Recall、F1值、平均精度均值（MAP）、归一化折损累积增益（NDCG）在数据集Foursquare上平均提升了44.9%、57.1%、78.4%、55.3%和40.0%，在数据集Gowalla上平均提升了3.0%、6.4%、4.6%、11.7%和4.2%。

• 单位
  云南大学