BERT4Loc: 基于 BERT 的位置推荐系统
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
利用双向编码表示从历史行为中建模用户的动态演变偏好对于推荐系统至关重要,我们通过使用 Cloze 任务对历史序列项进行联合编码来解决这个问题,并在四个基准数据集上展开广泛实验,结果显示我们的模型在各种顺序模型中表现出色。
Apr, 2019
使用神经网络、自然语言处理以及高斯混合模型,对推特文本中的地理位置进行预测,在全球范围以及美国范围内实验结果的中位误差分别小于 30 公里和 15 公里。
Mar, 2023
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。
Nov, 2023
本文提出了一种名为 SEER 的点 - of-interest 推荐模型,该模型利用嵌入式学习技术来捕捉上下文信息,学习用户偏好,进而在顺序和时间约束下推荐 POI,并将时间和地理影响因素纳入模型以增强其性能。
Jun, 2016
利用预训练的大型语言模型处理 POI 推荐任务中的丰富背景信息,提出的框架在三个真实世界 LBSN 数据集上表现优于现有模型,有效解决了冷启动和短轨迹问题。
Apr, 2024
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
提出了基于 Transformer 的社交媒体 POI 级地理位置推测通用框架,考虑非文本数据,优化特征表示及位置捕捉,实验结果证明该框架在多项指标上均优于多种先进基线。
Oct, 2022
本研究提出了一种基于注意力机制的序列生成模型 POI-Augmentation Seq2Seq (PA-Seq2Seq),来解决缺失和不规则签到数据对模型性能的负面影响,以及学习用户历史中的时间相关性,以有效和高效地进行下一个位置推荐。通过在 Gowalla 和 Brightkite 两个真实世界的签到数据集上进行的广泛实验,证明了该方法的性能和有效性。
Jun, 2021
通过使用预训练语言模型和训练空间编码器,本研究提出了一种稠密检索体系结构来回答真实世界旅游问题,其中问题和兴趣点的相关性是通过嵌入空间相似性来确定的。实验结果表明,该方法在真实世界旅游问答数据集上表现出色,并且在所有指标上优于之前的方法。
Jan, 2024