魏宁,袁方,2,刘宇
(1.河北大学 数学与信息科学学院,河北 保定 071002;2.河北大学 计算机教学部,河北 保定 071002)
随着移动终端在社会中的广泛使用,使得用户信息的获取更加容易.通过机器学习的一些算法分析用户的个人信息,可以精确地得到用户的个人偏好.当前一些主流的兴趣点推荐主要以饭馆、人文景点推荐以及其他的各类地点推荐为主.在兴趣点推荐中可以把社会因素、地理因素、文本内容信息和时间因素融入到模型中.龚卫华等[1]提出了一种融合用户与位置实体及其多维关系的社区发现方法(multi-relational nonnegative matrixfactorization,MRNMF).任星怡等[2]提出一种GTSCP(geography,time,society,content and popularity,地理、时间、社会、内容和流行度)联合概率模型来实现了对于本地和外地用户的兴趣点推荐.在饭馆的推荐领域中,胡川等[3]把推荐融合与模型融合结合到一起,给出一个组推荐的方法.Wang等[4]给出了ST-SAGE推荐模型,通过分析同区域中每个用户的偏好,进而找出相同偏好的用户,从而给用户进行推荐生成最终的推荐结果.Li等[5]主要解决推荐系统中的冷启动问题,通过用户的历史记录、地理位置和社交网络信息定义了3类好友,进而定义3种签到方式,通过矩阵分解的方式融合了3类签到方式以解决冷启动问题.Wang等[6]主要考虑兴趣点的所有评论信息的整体情感倾向,提出了LSARS推荐模型,实现了本地和外地用户的推荐,没有把时间因素对于情感的影响考虑进去.Gao等[7]把用户的每条评论的情感作为主要的因素来研究,但是缺少了对于……