为了提高兴趣点(point of interest,POI)推荐的准确性和个性化,提升用户对推荐结果的满意度,针对不同活跃度用户的特点,提出一种融合用户活跃度的上下文感知兴趣点推荐算法(A POI recommendation algorithm that integrates geographica...为了提高兴趣点(point of interest,POI)推荐的准确性和个性化,提升用户对推荐结果的满意度,针对不同活跃度用户的特点,提出一种融合用户活跃度的上下文感知兴趣点推荐算法(A POI recommendation algorithm that integrates geographical,categorical,and temporal factors,while simultaneously considering user activity),简称AU-GCTRS。首先,为缓解数据稀疏性和冷启动问题,引入多维上下文信息;其次,通过挖掘用户签到频率、签到兴趣点数量和签到时间,将用户划分为不同活跃度的群体;最后,综合用户活跃度与上下文分数,将得分高的前K个兴趣点推荐给用户。在真实数据集上进行实验表明,AU-GCTRS算法比其他流行算法更有效地缓解了数据稀疏性和冷启动问题,提高了推荐准确率和召回率。展开更多
文摘为了提高兴趣点(point of interest,POI)推荐的准确性和个性化,提升用户对推荐结果的满意度,针对不同活跃度用户的特点,提出一种融合用户活跃度的上下文感知兴趣点推荐算法(A POI recommendation algorithm that integrates geographical,categorical,and temporal factors,while simultaneously considering user activity),简称AU-GCTRS。首先,为缓解数据稀疏性和冷启动问题,引入多维上下文信息;其次,通过挖掘用户签到频率、签到兴趣点数量和签到时间,将用户划分为不同活跃度的群体;最后,综合用户活跃度与上下文分数,将得分高的前K个兴趣点推荐给用户。在真实数据集上进行实验表明,AU-GCTRS算法比其他流行算法更有效地缓解了数据稀疏性和冷启动问题,提高了推荐准确率和召回率。
