在地点推荐应用中,传统的协同过滤推荐算法由于签到数据稀疏导致推荐效果不佳。为提高推荐效果并克服传统协同过滤推荐算法受到热门地点影响的不足,提出一种新的地点推荐算法。将签到地点转换为向量,通过向量的余弦相似性计算签到地点...在地点推荐应用中,传统的协同过滤推荐算法由于签到数据稀疏导致推荐效果不佳。为提高推荐效果并克服传统协同过滤推荐算法受到热门地点影响的不足,提出一种新的地点推荐算法。将签到地点转换为向量,通过向量的余弦相似性计算签到地点的地点相似性。标记签到频次较低的地点为冷门地点,以计算签到地点的用户相似性,结合地理因素的影响,生成对用户的推荐列表。实验结果表明,相比传统协同过滤推荐算法,该算法 F 1值提升了0.009以上,推荐效果更好。展开更多
近年来,随着移动定位技术的发展和位置社交网络的日益普及,基于位置社交网络(Location Based Social Network,LBSN)的位置推荐技术越来越受到人们的关注和重视,并在旅游推荐、位置导航、广告推送等领域有着广泛的应用.目前大多数基于位...近年来,随着移动定位技术的发展和位置社交网络的日益普及,基于位置社交网络(Location Based Social Network,LBSN)的位置推荐技术越来越受到人们的关注和重视,并在旅游推荐、位置导航、广告推送等领域有着广泛的应用.目前大多数基于位置社交网络的位置推荐方法在用户偏好提取的过程中考虑因素过于单一,导致用户偏好提取不准确,而且未充分考虑社交网络中的用户间信任关系,造成推荐准确率不高.针对此问题,本文设计了特殊的用户偏好存储结构——分类层次偏好树来更加准确地提取个人偏好.在此过程中,本文充分考虑了习惯性偏好、偶然性偏好以及时间因素对用户偏好的影响,使用户偏好提取更加准确,同时,结合位置社交网络中的用户信任关系来进行位置推荐.实验结果表明,本文提出的位置推荐方法得到了较高的推荐准确率.展开更多
文摘在地点推荐应用中,传统的协同过滤推荐算法由于签到数据稀疏导致推荐效果不佳。为提高推荐效果并克服传统协同过滤推荐算法受到热门地点影响的不足,提出一种新的地点推荐算法。将签到地点转换为向量,通过向量的余弦相似性计算签到地点的地点相似性。标记签到频次较低的地点为冷门地点,以计算签到地点的用户相似性,结合地理因素的影响,生成对用户的推荐列表。实验结果表明,相比传统协同过滤推荐算法,该算法 F 1值提升了0.009以上,推荐效果更好。
文摘近年来,随着移动定位技术的发展和位置社交网络的日益普及,基于位置社交网络(Location Based Social Network,LBSN)的位置推荐技术越来越受到人们的关注和重视,并在旅游推荐、位置导航、广告推送等领域有着广泛的应用.目前大多数基于位置社交网络的位置推荐方法在用户偏好提取的过程中考虑因素过于单一,导致用户偏好提取不准确,而且未充分考虑社交网络中的用户间信任关系,造成推荐准确率不高.针对此问题,本文设计了特殊的用户偏好存储结构——分类层次偏好树来更加准确地提取个人偏好.在此过程中,本文充分考虑了习惯性偏好、偶然性偏好以及时间因素对用户偏好的影响,使用户偏好提取更加准确,同时,结合位置社交网络中的用户信任关系来进行位置推荐.实验结果表明,本文提出的位置推荐方法得到了较高的推荐准确率.
