杨 丽,王时绘,朱 博
(1.湖北大学计算机与信息工程学院,武汉 430062;2.中国船舶重工集团公司第709研究所,武汉 420205)
(*通信作者电子邮箱yangli_lc@163.com)
近年来,移动设备的日益普及和无线通信技术的进步促使了基于位置的社交网络(Location Based Social Network,LBSN)的快速发展。LBSN 将互联网网络空间与物理世界联系在一起,从而使用户可以轻松地基于智能设备通过发布签到、评论以及地点图像来分享他们的经验,帮助其他用户找到有趣的位置地点。兴趣点(Point-Of-Interest,POI)推荐服务不仅可以通过为用户提供具有吸引力的场所来使其受益,而且还可以促进相关企业进行有针对性的广告投放,显著提高企业效益。这类服务利用LBSN 中大规模用户-兴趣点交互式数据为用户提供丰富的推荐服务,也为工业界和学术界提供了一个很好的机会来获得对用户偏好和用户行为更深入的了解[1]。
近年来,已有大量基于时空序列模式的兴趣点推荐研究工作,精准挖掘了用户移动模式中隐含时空序列特征,然而这一问题并没有获得深入研究[2]。由于以下原因,兴趣点推荐仍然是一项具有挑战性的研究任务:
1)时空信息被认为是一种重要的信息类型,常常用于建模POI推荐系统中用户复杂的动态偏好。现有基于时空序列的兴趣点推荐模型中,主要利用循环神经网络(Recurrent Neural Network,RNN)模型或者马尔可夫链模型基于签到信息的时空序列特征来实现用户复杂动态偏好的建模。一阶马尔可夫链模型无法区分某些局部时空背景下用户的个性化签到,使得所有用户的签到行为最终建模为统一的签到位置序列模式,而基于n阶马尔可夫链模型的计算成本又极其高昂[3]。……