通过元学习框架以及相关性策略,研究了从其他城市中提取的知识对用户偏好预测的影响,提出了一个新的元学习增强下一个感兴趣点(POI)推荐框架(MERec),并通过实验证实了其优越性。
Aug, 2023
本文旨在探讨如何通过机器学习算法采用不同信息源,结合旅行者过往的行为习惯,综合考虑景点和路线,提高游览景点的推荐体验。实验表明本方法优于近期其他解决方案。
Aug, 2016
使用 BTREC (基于 BERT 的轨迹推荐) 算法,通过将用户的人口统计信息与过去的 POI 访问纳入修改后的 BERT 语言模型,推荐个性化的 POI 行程,以最大化 POI 的访问数量,并考虑用户对 POI 类别和时间可用性的偏好。
Oct, 2023
本文通过对相关领域的系统梳理、探讨新特性和挑战、提出 POI 推荐的关键作用和具体分类,以及讨论目前数据集和可用的指标,揭示了 POI 推荐的现状、发展和未来方向。
Jul, 2016
利用语言模型进行旅行行程推荐和规划,包括使用词嵌入技术和基于 BERT 的技术来学习 POI 嵌入和生成行程。
Nov, 2023
本文提出了一种称为 LSARS 的潜在概率生成模型,用于模拟用户在家乡和外地情景下的签到活动决策过程,通过适应用户兴趣漂移和群众情感,从空间项目和用户审核内容中学习位置感知和情感感知个人兴趣,最终拓展 LSARS 在空间项目推荐和目标用户探查等领域的实际应用,实验结果表明 LSARS 相较于现有最先进的方法具有更好的性能。
Jun, 2017
该论文使用矩阵分解技术将社交、地理和时间信息纳入推荐系统中,增加了友谊算法和活动中心,从而提高了 POI 推荐系统的性能。实验结果表明,该模型在真实世界数据集上优于现有技术,精确率提高了 31% 和 14%。
Jan, 2022
我们提出了基于 BERT 和情感分析的 SBTRec 算法,用于推荐个性化的有序兴趣点序列作为旅行行程,通过分析用户的签到和上传的照片,了解兴趣点访问和距离之间的关系,并通过理解用户对不同兴趣点的评论和评价来提高推荐准确性。评估结果表明,SBTRec 平均 F1 分数为 61.45%,优于基线算法,且该算法具有灵活性,能够适应不同场景和城市,且可以通过结合其他信息进行扩展以提高预测的可靠性,进而提供个性化和相关的兴趣点推荐,增强旅游者的整体旅行体验。
本研究使用新颖的探索 - 利用模型,提出使用 Spatial-Temporal-Preference User Dimensional Graph Attention Network (STP-UDGAT) 来同时为用户的个性化偏好和探索新的 POI 以及通过随机游走来寻找新的高阶 POI 邻居,以解决点 - of-Interest (POI) recommendation 的问题,并且在六个真实世界数据集上实验结果显示,该模型明显优于基准线和现有的方法。
Oct, 2020
本文通过对普渡大学的 WiFi 访问日志进行分析,提出了基于异构图的方法来编码用户、兴趣点和活动之间的关联,进而联合学习顶点的嵌入表示,证明了基于娱乐数据的建模假设在更丰富的签到数据上效果显著降低。
Sep, 2018