Jan, 2022

基于用户活动中心的社交影响力用于兴趣点推荐

PDF
TL;DR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%。
recommender systemsmatrix factorizationsocial influencegeographical informationtemporal information
发现论文，激发创造
  • 使用分散式矩陣分解實現智能隱私保護推薦

    提出一种去中心化的矩阵分解方法作为点 of interest 推荐的解决方案，该方法采用基于随机游走的分布式学习技术，可以显著地提高推荐的准确率和召回率。

    Mar, 2020

  • 综合评分、社交关系和评论的综合推荐方法

    本文旨在探讨如何通过数据融合来提高评分预测的准确性，通过扩展 Social MF 模型以及提出新的 MR3 框架，即通过整合邻居关系、评分和隐藏主题等三种信息来创造新的推荐系统，提高了推荐系统的准确性。本文通过两个真实世界数据集的评测衡量了每种数据来源对所提出框架的贡献。

    Jan, 2016

  • 基于位置的社交网络中兴趣点推荐调研

    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

  • 个性化 POI 推荐的关系嵌入

    研究了 POI（点 - of-interest）推荐系统中用户 - POI 数据稀疏性、时空上下文变化以及语义信息对推荐质量的影响，提出了一种基于转换关系嵌入和知识图谱嵌入技术的 POI 推荐模型并构建了基于用户 - POI 图的组合矩阵分解框架来增强动态个人兴趣的推理。实验证明该方法具有较好的推荐效果。

    Feb, 2020

  • 探索学生签到行为以改进兴趣点预测

    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

  • 多关系模型赋能下一代 POI 推荐

    本文提出了一种名为 “MEMO” 的新型框架，该框架利用多网络表示学习模块有效利用异构关系，并采用耦合循环神经网络明确地融合了时间间隔内用户 - POI 相互影响，从而有效地解决了点 of 兴趣推荐中关系异质性的问题。

    Apr, 2022

  • 关于上下文信息对兴趣点推荐影响的系统分析

    本文提出了不同的上下文模型，分析了 POI 推荐中不同主要上下文信息的融合。主要贡献是：提供了对上下文感知定位推荐的广泛调查，量化和分析不同上下文信息在 POI 推荐中的影响，并使用两个着名的现实世界数据集评估了所考虑的模型。我们的结果表明，虽然建模地理和时间影响可以提高推荐的质量，但将所有其他上下文信息融合到推荐模型中并不总是最佳策略。

    Jan, 2022

  • 基于社交矩阵分解的协同主题回归推荐系统

    本文提出了一种新颖的基于层次贝叶斯模型的社交网络信息效果预测方法，并结合主题建模和概率矩阵分解，从训练数据中自动推断有用的潜在主题和社交信息以及其对协作过滤的重要性，并展现了该算法在推荐系统方面优于现有方法的实验结果，揭示了社交圈在信息的决策过程中比个人品味更具影响力，以及可能在许多利用社交信息的推荐系统中存在的信息泄露问题的解决方案。

    Jun, 2012

  • 关于兴趣点推荐中活跃用户和流行度偏见的不公平性问题

    该研究探讨了 Point-of-Interest 推荐系统中用户和商品的公平性问题，以及推荐结果的个性化和准确性的关系，结果表明不同种类的商品存在明显的公平性偏见，而多数推荐模型在满足用户和商品公平性方面存在权衡。

    Feb, 2022

  • 融合主题和社交潜在因素的协同过滤算法在隐式反馈中的应用

    本文以 user-generated content 为基础，提出了一种新的模型 MR3，将 collaborative filtering、social matrix factorization 和 topic matrix factorization 综合起来，加入了 implicit feedback 从而提高了其预测精度。

    Mar, 2018