融合社交关系与地理信息的兴趣点推荐模型

摘要：

基于LBSN的兴趣点推荐存在用户签到矩阵稀疏、推荐精度不高、上下文信息利用不充分等问题,提出一种融合社交信任的矩阵分解算法TGMF(Trust-Geo Matrix Factorization)来缓解以上问题.利用BPR模型优化矩阵分解的过程,改进偏序关系的生成策略.把信任影响和相似度计算相结合,提高推荐精度.融合两种模型得到用户的最终偏好列表.把偏好列表中的top-k个兴趣点推荐给用户.实验结果表明,在真实数据集Gowalla和Foursquare上,TGMF算法在准确率和召回率两个指标上均优于传统的兴趣点推荐算法.

关键词：兴趣点推荐、矩阵分解、社交信任、BPR

所属期刊栏目：56

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金;山东省自然科学基金;山东省高等学校优秀骨干教师国际合作培养项目

在线出版日期：2020-03-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：173-178