基于ESSVM的分类推荐

摘要：

[目的]解决传统的兴趣点推荐基于简单上下文,推荐同一类别中最流行的、最便宜或者最接近的对象,导致推荐准确度低的问题.[方法]将兴趣点推荐作为一个排序问题,设计基于内嵌空间排序支持向量机模型(Embedded Space Ranking SVM,ESSVM),根据不同特征进行兴趣点分类,利用签到数据捕获用户的喜好,并使用机器学习模型调整不同属性在排序中的重要性.[结果]本方法与基于用户的协同过滤(UserCF)、基于兴趣点的协同过滤(VenueCF)、兴趣点流行度(PoV)和最近邻推荐(NNR)等推荐策略相比,不仅可捕获个别异构偏好,而且可减少训练推荐模型的时间消耗.[局限]收集和整合多个基于位置的社交网络上下文信息工作量大;减少本方法的时间和类别的粒度时,还可能面临数据稀疏性问题.[结论]本方法考虑了时间变化对用户偏好的影响,以及用户在不同时段访问的位置类别,通过将有用的上下文信息与签到记录相结合,提供个性化的建议.

关键词：上下文敏感兴趣点、内嵌空间排序、支持向量机模型、推荐算法

所属期刊栏目：2

分类号：TP391(计算技术、计算机技术)

资助基金：中央军委科技委战略性先导项目“全球科技人才发现与跟踪机制研究”17-ZLXD-ZL-08-09-01-01;江苏省重大研发计划社会发展项目“大数据驱动的隧道等城市快速路交通违章取证关键技术研究”BE2017739;江苏省重大研发计划产业前瞻项目“电力工控系统攻击检测与攻防验证技术研究及系统研制”项目BE2017100的研究成果之一

在线出版日期：2018-06-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：9-21