基于时间聚类和用户动态相似度的自适应位置推荐算法

摘要：

位置推荐是位置社交网络中为商家和用户提供的一项重要服务,推荐结果易受用户上下文和时空上下文影响.针对当前研究忽略了用户的动态相似度、推荐模型自适应性较弱以及存在严重的数据稀疏问题,提出了一种基于时间聚类和用户动态相似度的自适应位置推荐算法(ALRTU).首先,基于时间槽的签到数据统计特征,对时间进行模糊C均值聚类,提取聚类内的时间相似度,利用平滑技术更新原始评分矩阵,以解决数据稀疏问题.分别计算用户在不同时间槽的动态相似度,根据目标时间段所属的时间聚类自适应选择不同的评分数据集,完成用户偏好和时间特征挖掘.其次,根据用户的访问频率特征,为活跃用户和非活跃用户 自适应选择核密度估计或幂律分布模型,完成地理特征挖掘.最后,融合用户、时间和空间上下文的综合影响完成位置推荐.在两个真实的位置社交网络数据集Brightkite和Gowalla中开展准确度评估实验,实验结果表明,与基准方法中最高的推荐精度相比,ALRTU算法在Brightkite和Gowalla数据集中的准确度仍分别平均提高了 3.74％和1.42％.

关键词：位置推荐、自适应推荐、时间聚类、动态相似度、空间特征

所属期刊栏目：50

分类号：TP181(自动化基础理论)

在线出版日期：2023-12-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：113-122