摘要
【目的】解决传统的兴趣点推荐基于简单上下文,推荐同一类别中最流行的、最便宜或者最接近的对象,导致推荐准确度低的问题。【方法】将兴趣点推荐作为一个排序问题,设计基于内嵌空间排序支持向量机模型(Embedded Space Ranking SVM,ESSVM),根据不同特征进行兴趣点分类,利用签到数据捕获用户的喜好,并使用机器学习模型调整不同属性在排序中的重要性。【结果】本方法与基于用户的协同过滤(User CF)、基于兴趣点的协同过滤(VenueCF)、兴趣点流行度(PoV)和最近邻推荐(NNR)等推荐策略相比,不仅可捕获个别异构偏好,而且可减少训练推荐模型的时间消耗。【局限】收集和整合多个基于位置的社交网络上下文信息工作量大;减少本方法的时间和类别的粒度时,还可能面临数据稀疏性问题。【结论】本方法考虑了时间变化对用户偏好的影响,以及用户在不同时段访问的位置类别,通过将有用的上下文信息与签到记录相结合,提供个性化的建议。
-
单位南京理工大学; 南京理工大学紫金学院