SBTRec- 个性化旅游推荐问题的 Transformer 框架和情感分析

Nov, 2023

SBTRec- 个性化旅游推荐问题的 Transformer 框架和情感分析

SBTRec- A Transformer Framework for Personalized Tour Recommendation Problem with Sentiment Analysis

Ngai Lam Ho, Roy Ka-Wei Lee, Kwan Hui Lim

TL;DR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。

Abstract

When traveling to an unfamiliar city for holidays, tourists often rely on guidebooks, travel websites, or recommendation systems to plan their daily itineraries and explore popular points of interest (POIs). However, these approaches may lack optimization in terms of time feasibility, localities, and user preferences. In this paper, we propose the SBTRec alg

trajectory recommendation bert-based sentiment analysis personalized sequences poi recommendations

发现论文，激发创造

BTRec：基于 BERT 的个性化旅游轨迹推荐

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

BERT4Loc: 基于 BERT 的位置推荐系统

本研究提出了一个基于 BERT 的定位感知推荐系统，该系统可以从基于位置的社交媒体平台中提取位置信息，并根据用户的历史行为和偏好，为用户提供更相关的位置推荐结果，该模型在大量的实验数据集中一致优于现有的顺序模型。

Aug, 2022

TransTARec: 适应时间的翻译嵌入模型用于下一个 POI 推荐

本文提出了一种时间自适应的翻译嵌入模型（TransTARec）用于下一个 POI 推荐，该模型在单个组件中自然地结合了时间影响、顺序动态和用户偏好，并通过神经网络融合操作融合了用户偏好和时间影响。经过大量实验验证，TransTARec 展示了其优越性，不仅在于引入了时间影响，还在于与用户偏好和顺序动态的直接统一。

Apr, 2024

推荐轨迹的学习点和路径

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

利用语言模型进行旅行行程推荐

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

旅游出行意向建模的城外推荐

提出一种基于旅游意图的出城推荐框架，使用图神经网络表示用户的家乡签到偏好和地理约束，结合神经主题模型构建用户专属的旅游意图，通过非线性映射和矩阵分解方法推荐用户在出城地点感兴趣的 POI。

Jan, 2021

GT-SEER: 地理 - 时间序列嵌入排序用于兴趣点推荐

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

基于胶囊网络和情感词典的在线旅游评论情感分析

本文介绍了一种基于社交媒体在线评论的在线旅游评论文本情感分类的 SCCL 模型，该模型利用胶囊网络和情感词库，旨在提高语言模型文本语境特征提取的准确性并增强情感语义信息。

Jun, 2022

个性化行为感知 Transformer 模型用于多行为序列推荐

本文研究了 Multi-Behavior Sequential Recommendation 问题，提出了一种名为 Personalized Behavior-Aware Transformer (PBAT) 的框架，该框架通过建模个性化模式和多方面的序列协作来提高推荐性能。

Feb, 2024

STP-UDGAT: 用于下一个 POI 推荐的空间 - 时间 - 偏好用户维度图注意力网络

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