《中国人工智能学会通讯》——11.7 场景化个性化的地理位置推荐系统-阿里云开发者社区

开发者社区> 人工智能> 正文

《中国人工智能学会通讯》——11.7 场景化个性化的地理位置推荐系统

简介: 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第11章,第11.7节, 更多章节内容可以访问云栖社区“CCAI”公众号查看。

11.7 场景化个性化的地理位置推荐系统

基于地理位置的社会媒体网络服务的出现 , 例如 Foursquare、Facebook Places 和大众点评,为人们提供了一个产生和分享在物理位置进行评价的活动的便捷平台。全面地理解这种基于地理位置的用户评分行为对于进行很多应用十分重要 , 例如个性化推荐、地理位置探索和服务营销。文献 [8] 已经做了很多努力进行从用户评分历史数据中挖掘知识帮助用户找到有兴趣的地理物品。但是,利用用户的地理位置行为历史数据推断地理物品的评分进行推荐仍是一个具有挑战性的问题,包括数据稀疏性、用户内在兴趣与地理特色影响、时空性影响。本文通过探究用户地理位置评分行为研究场景化个性化的地理位置推荐问题。具体而言,提出了一个场景化个性化的地理位置推荐系统(context-aware personalized location recommendation system,CAPLRS),其利用用户与地理物品之间的关联关系、地理物品的地理位置与内容信息和时空场景信息来缓解数据稀疏性问题,并做出准确的地理位置推荐。如图 3(a) 所示,CAPLRS 由离线建模与在线推荐两部分组成。离线部分的核心模块是一个场景感知回归混合模型(context-aware regression mixturemodel, CARM, 如图 3(b) 所示),其设计用于对用户地理位置评分行为进行建模用于推断用户对地理物品的评分。CARM 通过同时考虑用户内在兴趣、地理区域偏好和时空场景影响,在一个统一的模型框架内,对用户在地理物品上的决策行为过程进行建模。CARM 能够自动地从用户的地理位置评分历史数据中,学习得到潜在主题、用户兴趣、地理区域偏好和场景影响因素。给定一个查询用户以及其对应的查询场景信息,即地理位置区域和时间节点,在线推荐部分为在地理区域的每一个地理物品计算一个排序分数。CARM 通过自动合并 CARM,离线学习得到的场景影响因素、用户的兴趣和地理区域的偏好进行推荐。我们在两个真实来源于 Dianping和 Foursquare 的数据集进行了充分的实验评估提出的推荐系统性能。实验结果显示 , 所提的推荐系统CAPLRS 在推荐效果和效率上的优越性。此外,实证分析结果也展示了 CAPLRS 有清晰的意义解释性,这对于增强人们对推荐系统的信任十分重要。

image

版权声明:本文首发在云栖社区,遵循云栖社区版权声明:本文内容由互联网用户自发贡献,版权归用户作者所有,云栖社区不为本文内容承担相关法律责任。云栖社区已升级为阿里云开发者社区。如果您发现本文中有涉嫌抄袭的内容,欢迎发送邮件至:developer2020@service.aliyun.com 进行举报,并提供相关证据,一经查实,阿里云开发者社区将协助删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章