کلید واژه ها:
توصیه POI ؛ محاسبه تشابه توالی ; جاسازی کلمه ; شبکه اجتماعی مبتنی بر مکان
۱٫ مقدمه
- ۱٫
-
در این مقاله، ما یک چارچوب پیشنهادی POI جدید برای بهرهبرداری از تأثیر متوالی، دستهبندی و جغرافیایی (به نام SCGM) پیشنهاد میکنیم و احتمال ترجیح کاربر را از ترکیب خطی CF و KDE محاسبه میکنیم.
- ۲٫
-
یک روش محاسبه شباهت کاربر جدید بر اساس توالی دسترسی مشترک مجازی ساخته شده از کاربران و تمایز طبقه بندی POI پیشنهاد شده است.
- ۳٫
-
به طور خاص، ما CBOW را معرفی می کنیم تا تأثیر متنی POI در دنباله را به تصویر بکشیم و اولویت کاربران را برای POI بدست آوریم.
- ۴٫
-
تعداد زیادی آزمایش انجام شده بر روی دو مجموعه داده LBSN نشان می دهد که روش پیشنهادی ما به طور قابل توجهی بهتر از روش های دیگر از نظر دقت، یادآوری و امتیاز F1 عمل می کند.
۲٫ کارهای مرتبط
۲٫۱٫ اطلاعات زمانی و ترتیبی
۲٫۲٫ اطلاعات دسته
۲٫۳٫ اطلاعات جغرافیایی
۳٫ مقدمات
۳٫۱٫ تعاریف
تعریف ۱
تعریف ۲
تعریف ۳
تعریف ۴
۳٫۲٫ جاسازی کلمه
در طول تخمین احتمال ایجاد یک POI مرکزی، هر POI دو نمایش متفاوت دارد. یکی بردار POI مرکزی و دیگری بردار POI متنی است. لازم است میانگین بردارهای POIهای متنی را گرفته و یک عملیات softmax روی حاصل ضرب داخلی بردارها انجام دهیم تا احتمال POI مرکزی ایجاد شود. همانطور که در شکل ۱ نشان داده شده است ، وقتی اندازه پنجره داده شده دو باشد، POIهای متنی هستند vi−۲,vi−۱,vi+1,vi+2. سپس، احتمال تولید vIبا عملیات softmax بر روی حاصل ضرب داخلی بردار مطابق با معادله ( ۱ ) است:
جایی که D = { ۰ , ۱ , … , | D − ۱ | }مجموعه شاخص است، | D |طول فرهنگ لغت است. علاوه بر این، پمنو qمنهنگامی که POI نمایه شده با i به ترتیب به عنوان مرکز POI و POI متنی استفاده می شود، بردارهای POI را نشان می دهد. با انجام بهینه سازی تابع هدف، بردار تک داغ POI در نمایش برداری کم بعدی تعبیه شده و فرمول آن به صورت زیر است:
۴٫ روش پیشنهادی
۴٫۱٫ چارچوب SCGM
ما ابتدا یک توالی دسترسی مشترک مجازی بر اساس الگوریتم ۲ می سازیم و شباهت بین مسیرهای کاربر را مطابق الگوریتم ۳ محاسبه می کنیم. سپس، SCGM احتمال ترجیح رفتاری کاربر را طبق الگوریتم ۴ دریافت می کند و بر اساس CF با محاسبه شباهت مسیر است. علاوه بر این، با توجه به اینکه نزدیکی جغرافیایی به طور قابلتوجهی بر رفتار ورود کاربران تأثیر میگذارد، SCGM بر اساس KDE احتمال اولویت جغرافیایی را دریافت میکند. در نهایت، احتمال ترجیح رفتاری کاربر و احتمال ترجیح جغرافیایی در یک مدل خطی ترکیب میشوند و لیست توصیهای از POIهای k بالا تولید میشود. به طور رسمی، αیک ضریب وزنی جغرافیایی، احتمال آن کاربر است تومناز POI بازدید می کند vjرا می توان به صورت زیر بیان کرد:
الگوریتم ۱: روش SCGM. |
ورودی: کاربر مورد نظر ui، تمام سوابق ورود CHو پارامتر α |
خروجی: لیست Top-k از POI |
۱: chi←CH |
۲: برای هر کدام uj∈U انجام دادن |
۳: chj←CH |
۴: یک توالی دسترسی مشترک مجازی بسازید seqijطبق الگوریتم ۲ |
۵: بدست آوردن sim(ui,uj)طبق الگوریتم ۳ |
۶: پایان برای |
۷: برای هر کدام vj∈V انجام دادن |
۸: احتمال ترجیح رفتاری کاربر را بدست آورید pscore(ui,vj)طبق الگوریتم ۴ |
۹: احتمال ترجیح جغرافیایی کاربر را بدست آورید pgeo(vj|chi)بر اساس KDE |
۱۰: محاسبه احتمال ترجیح کاربر score(ui,vj)مطابق با معادله ( ۳ ) |
۱۱: پایان برای |
۱۲: POIهای k بالا را انتخاب کنید که به صورت نزولی بر اساس احتمال ترجیح کاربر مرتب شوند. لیست Top-k را برگردانید . |
۱۳: لیست Top-k را برگردانید . |
الگوریتم ۲: روش ساخت یک توالی دسترسی مشترک مجازی. |
ورودی: سوابق ورود chi,chj |
خروجی: استومن، استوj، s eqمن ج |
۱: یک روز را به چهار دوره زمانی تقسیم کنید تی= {تی۱،تی۲،تی۳،تی۴} |
۲: استومن← { ϕ } ،استوj← { ϕ } |
۳: برای هر کدام Trدر T انجام دهید |
۴: توالی های ورود را ایجاد کنید seqriو seqrj |
۵: Sui←Sui∩{seqri} |
۶: Suj←Suj∩{seqrj} |
۷: برای هر کدام vk∈seqri انجام دادن |
۸: tv1←seq |
۹: tvk←tvk– tv1 |
۱۰: tv1←۰ |
۱۱: پایان برای |
۱۲: برای هر کدام vk∈seqrj انجام دادن |
۱۳: tv1←seq |
۱۴: tvk←tvk– tv1 |
۱۵: tv1←۰ |
۱۶: پایان برای |
۱۷: برای هر کدام vn∈seqri انجام دادن |
۱۸: setn←{ϕ} |
۱۹: پایان برای |
۲۰: برای هر کدام vm∈seqrj انجام دادن |
۲۱: برای هر کدام vn∈seqri انجام دادن |
۲۲: tmn←|tm−tn| |
۲۳: پایان برای |
۲۴: حداقل مقدار را پیدا کنید tmn |
۲۵: setn←setn∩{vm} |
۲۶: پایان برای |
۲۷: پایان برای |
الگوریتم ۳: محاسبه شباهت دو کاربر. |
ورودی: Sui، Suj، seqij |
خروجی: sim(ui,uj) |
۱: برای هر کدام seqri∈Sui انجام دادن |
۲: برای هر کدام vn∈seqri انجام دادن |
۳: sim(vn,setn)=∑vm∈setncos(vn,vm)|setn| |
۴: پایان برای |
۵: تفاوت دسته را محاسبه کنید F(seqrij)مطابق با معادله ( ۵ ) |
۶: محاسبه کنید sim(seqri,seqrj)مطابق با معادله ( ۶ ) |
۷: پایان برای |
۸: سیم کارت را محاسبه کنید (ui,uj)مطابق با معادله ( ۷ ) |
الگوریتم ۴: محاسبه اولویت رفتاری کاربر بر اساس الگوریتم CF. |
ورودی: کاربر مورد نظر ui، POI هدف vj، تمام سوابق ورود CH |
خروجی: احتمال ترجیح رفتاری کاربر pscore( ui، vj) |
۱: برای uj∈Uانجام دادن |
۲: chj←CH |
۳: برای هر کدام vk∈chj انجام دادن |
۴: بردار پنهان را راه اندازی کنید vkبا تعبیه مدل |
۵: پایان برای |
۶: محاسبه کنید ujبا تجمیع vk∈chj |
۷: uj=∑vk∈chjvk∣∣chj∣∣ |
۸: pcontextuj,vj←cosine(uj,vj) |
۹: پایان برای |
۱۰: محاسبه کنید pscore(ui,vj)مطابق با معادله ( ۸ ) |
۴٫۲٫ توالی دسترسی مشترک مجازی را بسازید
۴٫۳٫ محاسبه شباهت کاربر جدید
رفتار ورود کاربران اغلب تحت تأثیر اطلاعات زمینهای قرار میگیرد که از طریق آن میتوان عادات رفتاری و الگوهای حرکتی کاربران را به طور کامل بررسی کرد. ما در این مقاله مدل جاسازی کلمه را معرفی میکنیم، یک POI واحد به عنوان یک کلمه در نظر گرفته میشود و هر POI به یک بردار پنهان تبدیل میشود. با ساخت توالی مشترک مجازی، میتوانیم محاسبه شباهت مسیرهای دو کاربر را به محاسبه شباهت بین هر یک تبدیل کنیم. vn∈seqriو مجموعه مربوط به آن setn. محاسبه به شرح زیر است:
با توجه به پراکندگی سوابق ورود، تعداد کمی از POI های رایج برای دسترسی کاربران وجود دارد. بنابراین، یافتن کاربرانی با اولویت دسترسی یکسان دشوار است. ما مفهوم تمایز دسته را برای یافتن کاربرانی با اولویتهای دسترسی قابلشکل معرفی میکنیم. شباهت بین کاربران را می توان به طور موثر از طریق اطلاعات دسترسی کاربران به دسته محاسبه کرد. تمایز دسته، میزان شباهت را در بین کاربران بر اساس ترجیح آنها برای دسترسی به دسته ها ارزیابی می کند. با الهام از فرکانس معکوس سند (IDF)، دستهای که اکثر کاربران به آن دسترسی دارند، اولویت دسترسی شخصی کاربر را نشان نمیدهد، در حالی که دستهای که تنها چند کاربر به آن دسترسی دارند میتواند اولویت کاربر را منعکس کند، و کاربرانی که به این دسته دسترسی دارند اغلب شباهت بالایی دارند. تمایز دسته F(seqrij)به صورت زیر نشان داده شده است:
شباهت ترتیب ورود در هر دوره را می توان با محاسبه به دست آورد sim(vn,setn)و F(seqrij)و شباهت بین کاربران را می توان با اندازه گیری نتایج هر دوره زمانی بدست آورد. فرمول محاسباتی خاص در ( ۶ ) و ( ۷ ) آورده شده است:
۴٫۳٫۱٫ توصیه POI بر اساس CF
الگوریتم CF مبتنی بر کاربر قصد دارد POI بازدید شده توسط کاربران با اولویت های مشابه را توصیه کند. فقط باید شباهت بین کاربر هدف و سایر کاربران را با توجه به سوابق ثبت ورود تاریخی تجزیه و تحلیل کند و سپس احتمال ورود کاربر مورد نظر را در یک POI خاص بر اساس POI های دسترسی کاربران مشابه پیش بینی می کند و یک عدد ایجاد می کند. لیست توصیه در الگوریتم ۴ نشان داده شده است، شباهت کاربر بر اساس الگوریتم ۳ که قبلا معرفی شد به دست می آید، و فرمول بدست آوردن احتمال ترجیح رفتاری کاربر از POI را می توان به صورت زیر بیان کرد:
جایی که |Fui|مجموعه شباهت کاربر است، cuj,vjنشان می دهد که آیا یک کاربر ujاز یک POI بازدید می کند vjو مقدار آن ۰ یا ۱ است، pcontextuj,vjاحتمال ترجیح بازدید کاربر برای POI است که طبق معادله ( ۱۰ ) به دست آمده است.
از آنجایی که توالی بررسی POI کاربر ترجیحات کاربر را منعکس می کند، جاسازی های POI vjدر ترتیب ورود به آنها می توان برای مدل سازی ترجیحات کاربر استفاده کرد. به طور خاص، ما محاسبه می کنیم ujبا تجمع متوسط، و می تواند یکپارچگی و نرمی جاسازی ورودی را با تبدیل خطی حفظ کند:
احتمال ترجیح دسترسی کاربر به POI را می توان به صورت زیر بیان کرد:
۴٫۳٫۲٫ توصیه POI بر اساس KDE
مشخص شده است که KDE میتواند ویژگیهای توزیع شخصی شده POI را بر اساس سوابق ثبت نام تاریخی کاربران به دست آورد، که راحتی زیادی برای توصیه POI به ارمغان میآورد. بنابراین، ما KDE را برای مدلسازی ترجیحات شخصی کاربر برای POI از جنبه جغرافیایی اتخاذ میکنیم. دقت تخمین چگالی هسته تا حد زیادی به انتخاب بستگی دارد K(⋅)و h ، کجا K(⋅)تابع هسته است و σانحراف معیار است با توجه به ویژگی های داده های ورود، تابع هسته گاوسی به عنوان تابع هسته در این مقاله استفاده شده است. h پهنای باندی است که با محاسبه انحراف استاندارد POI با توجه به سوابق ثبتنام تاریخی کاربران به دست میآید:
بر اساس تأثیر عوامل جغرافیایی، احتمال کاربر تومنبازدید از یک POI به شرح زیر است:
۵٫ نتایج
۵٫۱٫ مجموعه داده ها
۵٫۲٫ معیارهای ارزیابی
نرخ دقت نسبت POI به درستی پیش بینی شده به تعداد کل POI توصیه شده است:
نرخ فراخوان نسبت POI به درستی پیش بینی شده به تعداد کل POI بازدید شده واقعی است:
امتیاز F ۱ بر اساس دقت و میزان یادآوری شاخص ارزیابی جامع است:
جایی که Lkلیست توصیه شده Top-k POI های آن کاربر است uiمی خواهم بازدید کنم، و Lvisitedفهرستی از POI های آن کاربر را نشان می دهد uiدر تست بازدید کرده است.
۵٫۳٫ روش مقایسه ای
۵٫۴٫ تجزیه و تحلیل نتایج
۵٫۴٫۱٫ مقایسه عملکرد
۵٫۴٫۲٫ اثر پارامتر
۶٫ نتیجه گیری
منابع
- لیو، ایکس. یانگ، ی. خو، ی. یانگ، اف. هوانگ، Q. Wang, H. توصیه POI در زمان واقعی از طریق مدلسازی اولویتهای کاربر بلندمدت و کوتاهمدت. محاسبات عصبی ۲۰۲۲ ، ۴۶۷ ، ۴۵۴-۴۶۴ . [ Google Scholar ] [ CrossRef ]
- چنگ، سی. یانگ، اچ. کینگ، آی. لیو، MR فاکتورسازی ماتریس ذوب شده با نفوذ جغرافیایی و اجتماعی در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات بیست و ششمین کنفرانس AAAI در مورد هوش مصنوعی، تورنتو، ON، کانادا، ۲۲ تا ۲۶ ژوئیه ۲۰۱۲٫ انجمن برای پیشرفت هوش مصنوعی: منلو پارک، کالیفرنیا، ایالات متحده آمریکا، ۲۰۱۲; جلد ۲۶، ص. ۱٫ [ Google Scholar ]
- سالاخوتدینوف، ر. منیح، الف. فاکتورسازی ماتریس احتمالی. در پیشرفتها در سیستمهای پردازش اطلاعات عصبی ۲۰، مجموعه مقالات بیست و یکمین کنفرانس سالانه سیستمهای پردازش اطلاعات عصبی، ونکوور، BC، کانادا، ۳-۶ دسامبر ۲۰۰۷ . بنیاد سیستم های پردازش اطلاعات عصبی: La Jolla، CA، USA، ۲۰۰۷; صص ۱۲۵۷-۱۲۶۴٫ [ Google Scholar ]
- یوان، Q. کنگ، جی. Sun، A. توصیه نقطه مورد علاقه مبتنی بر نمودار با تأثیرات جغرافیایی و زمانی. در مجموعه مقالات بیست و سومین کنفرانس بین المللی ACM در کنفرانس مدیریت اطلاعات و دانش، CIKM 2014، شانگهای، چین، ۳ تا ۷ نوامبر ۲۰۱۴٫ ACM, Inc.: Tipp City, OH, USA, 2014; صص ۶۵۹-۶۶۸٫ [ Google Scholar ]
- جیائو، ایکس. شیائو، ی. ژنگ، دبلیو. وانگ، اچ. Hsu, C. یک سیستم جدید توصیه نقطه مورد علاقه جدید بر اساس فرآیند تصمیم گیری سفر کاربر شبیه سازی شده. ژنرال آینده. محاسبه کنید. سیستم ۲۰۱۹ ، ۱۰۰ ، ۹۸۲-۹۹۳٫ [ Google Scholar ] [ CrossRef ]
- رحمانی، ح. علیان نژادی، م. زاده، RM; براتچی، م. افشارچی، م. Crestani, F. جاسازی مکان آگاه از دسته برای توصیه نقطه مورد علاقه. در مجموعه مقالات کنفرانس بین المللی ACM SIGIR 2019 در نظریه بازیابی اطلاعات، ICTIR 2019، سانتا کلارا، کالیفرنیا، ایالات متحده آمریکا، ۲ تا ۵ اکتبر ۲۰۱۹؛ ACM, Inc.: Tipp City, OH, USA, 2019; صص ۱۷۳-۱۷۶٫ [ Google Scholar ]
- او، جی. لی، ایکس. Liao, L. توصیههای بعدی با آگاهی از طبقهبندی از طریق رتبهبندی شخصیشده بیزی. در مجموعه مقالات بیست و ششمین کنفرانس مشترک بین المللی هوش مصنوعی، IJCAI 2017، ملبورن، استرالیا، ۱۹ تا ۲۵ اوت ۲۰۱۷؛ کتابخانه دیجیتال ACM: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۷; جلد ۱۷، ص ۱۸۳۷–۱۸۴۳٫ [ Google Scholar ]
- لیو، ی. چاو، سی. وانگ، آر. Lee, VCS iMCrecc: یک چارچوب چند معیاره برای توصیههای شخصیشده نقطهنظر. Inf. علمی ۲۰۱۹ ، ۴۸۳ ، ۲۹۴-۳۱۲٫ [ Google Scholar ] [ CrossRef ]
- ژائو، اس. ژائو، تی. کینگ، آی. Lyu, MR Geo-teaser: رتبه جاسازی متوالی جغرافیایی-زمانی برای توصیه نقطه مورد علاقه. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی در مورد همنشین وب جهانی، پرت، استرالیا، ۳ تا ۷ آوریل ۲۰۱۷؛ ACM, Inc.: Tipp City, OH, USA, 2017; صص ۱۵۳-۱۶۲٫ [ Google Scholar ]
- بله، م. یین، پی. لی، دبلیو. لی، دیال. بهرهبرداری از نفوذ جغرافیایی برای توصیههای نقطهنظر مشترک. در مجموعه مقالات سی و چهارمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، SIGIR 2011، پکن، چین، ۲۵-۲۹ ژوئیه ۲۰۱۱٫ ACM, Inc.: Tipp City, OH, USA, 2011; صص ۳۲۵-۳۳۴٫ [ Google Scholar ]
- چن، جی. ژانگ، دبلیو. ژانگ، پی. یینگ، پی. نیو، ک. Zou, M. بهره برداری از توصیه های مکانی و زمانی برای نقطه مورد علاقه. پیچیدگی ۲۰۱۸ ، ۲۰۱۸ ، ۶۹۲۸۶۰۵:۱–۶۹۲۸۶۰۵:۱۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- گائو، اچ. تانگ، جی. هو، ایکس. لیو، اچ. بررسی اثرات زمانی برای توصیه مکان در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات هفتمین کنفرانس ACM در مورد سیستم های توصیه کننده، هنگ کنگ، چین، ۱۲ تا ۱۶ اکتبر ۲۰۱۳٫ ACM, Inc.: Tipp City, OH, USA, 2013; صص ۹۳-۱۰۰٫ [ Google Scholar ]
- حسینی، س. Li, LT توصیه نقطه مورد علاقه با استفاده از جهت گیری های زمانی کاربران و مکان ها. در مجموعه مقالات سیستم های پایگاه داده برای کاربردهای پیشرفته- بیست و یکمین کنفرانس بین المللی، DASFAA 2016، دالاس، تگزاس، ایالات متحده آمریکا، ۱۶-۱۹ آوریل ۲۰۱۶؛ مجموعه مقالات، قسمت اول. اسپرینگر: برلین، آلمان، ۲۰۱۶; جلد ۹۶۴۲، ص ۳۳۰–۳۴۷٫ [ Google Scholar ]
- گائو، آر. لی، جی. لی، ایکس. آهنگ، سی. چانگ، جی. لیو، دی. وانگ، سی. STSCR: بررسی تأثیر متوالی مکانی-زمانی و اطلاعات اجتماعی برای توصیه مکان. محاسبات عصبی ۲۰۱۸ ، ۳۱۹ ، ۱۱۸-۱۳۳٫ [ Google Scholar ] [ CrossRef ]
- گان، م. Gao, L. کشف ترجیحات مبتنی بر حافظه برای توصیه POI در شبکه های اجتماعی مبتنی بر مکان. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۲۷۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- ژانگ، اچ. گان، م. Sun، X. ترکیب اولویتهای مبتنی بر حافظه و چسبندگی نقطهی علاقه در توصیهها در شبکههای اجتماعی مبتنی بر مکان. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۳۶٫ [ Google Scholar ] [ CrossRef ]
- بائو، جی. ژنگ، ی. Mokbel، MF توصیه مبتنی بر موقعیت و اولویت آگاه با استفاده از داده های شبکه های جغرافیایی-اجتماعی پراکنده. در مجموعه مقالات کنفرانس بینالمللی SIGSPATIAL 2012 در مورد پیشرفتها در سیستمهای اطلاعات جغرافیایی (که قبلاً GIS نامیده میشد)، ردوندو بیچ، کالیفرنیا، ایالات متحده آمریکا، ۷ تا ۹ نوامبر ۲۰۱۲٫ ACM, Inc.: Tipp City, OH, USA, 2012; صص ۱۹۹-۲۰۸٫ [ Google Scholar ]
- لیو، ایکس. لیو، ی. ابرر، ک. Miao, C. توصیه شخصی شده نقطه مورد علاقه با انتقال اولویت کاربران استخراج. در مجموعه مقالات بیست و دومین کنفرانس بین المللی ACM در مدیریت اطلاعات و دانش، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، ۲۷ اکتبر تا ۱ نوامبر ۲۰۱۳٫ ACM, Inc.: Tipp City, OH, USA, 2013; صص ۷۳۳-۷۳۸٫ [ Google Scholar ]
- ژو، دی. رحیمی، س.م. Wang, X. توصیه مکان مبتنی بر طبقه بندی احتمالی مبتنی بر شباهت با استفاده از تأثیر زمانی و جغرافیایی. بین المللی J. Data Sci. مقعدی ۲۰۱۶ ، ۱ ، ۱۱۱-۱۲۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- لی، ام. ژنگ، دبلیو. شیائو، ی. زو، ک. Huang, W. بررسی ویژگیهای زمانی و مکانی برای توصیههای POI بعدی در LBSN. دسترسی IEEE ۲۰۲۱ ، ۹ ، ۳۵۹۹۷–۳۶۰۰۷٫ [ Google Scholar ] [ CrossRef ]
- وانگ، اچ. شن، اچ. اویانگ، دبلیو. چنگ، ایکس. بهرهبرداری از نفوذ جغرافیایی خاص POI برای توصیههای نقطهنظر. در مجموعه مقالات بیست و هفتمین کنفرانس بین المللی مشترک هوش مصنوعی، IJCAI 2018، استکهلم، سوئد، ۱۳ تا ۱۹ ژوئیه ۲۰۱۸؛ ACM, Inc.: Tipp City, OH, USA, 2018; صص ۳۸۷۷-۳۸۸۳٫ [ Google Scholar ]
- رحمانی، ح. علیان نژادی، م. احمدیان، س. براتچی، م. افشارچی، م. Crestani، F. LGLMF: مدل فاکتورسازی ماتریس لجستیک مبتنی بر جغرافیای محلی برای توصیه POI. در مجموعه مقالات فناوری بازیابی اطلاعات: پانزدهمین کنفرانس جوامع بازیابی اطلاعات آسیا، AIRS 2019، هنگ کنگ، چین، ۷ تا ۹ نوامبر ۲۰۱۹؛ اقدامات. Springer: برلین، آلمان، ۲۰۲۰؛ جلد ۱۲۰۰۴، ص ۶۶–۷۸٫ [ Google Scholar ]
- لی، ایکس. کنگ، جی. لی، ایکس. فام، TN; کریشناسوامی، S. Rank-geofm: یک روش فاکتورگیری جغرافیایی مبتنی بر رتبه بندی برای توصیه نقطه مورد علاقه. در مجموعه مقالات سی و هشتمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، سانتیاگو، شیلی، ۹ تا ۱۳ اوت ۲۰۱۵٫ ACM, Inc.: Tipp City, OH, USA, 2015; صص ۴۳۳-۴۴۲٫ [ Google Scholar ]
- لیو، بی. فو، ی. یائو، ز. Xiong, H. یادگیری ترجیحات جغرافیایی برای توصیه نقطه مورد علاقه. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، KDD 2013، شیکاگو، IL، ایالات متحده آمریکا، ۱۱-۱۴ اوت ۲۰۱۳٫ ACM, Inc.: Tipp City, OH, USA, 2013; ص ۱۰۴۳-۱۰۵۱٫ [ Google Scholar ]
- یین، اچ. وانگ، دبلیو. وانگ، اچ. چن، ال. ژو، X. یادگیری عمیق مشارکتی سلسله مراتبی آگاه به فضایی برای توصیه POI. IEEE Trans. بدانید. مهندسی داده ۲۰۱۷ ، ۲۹ ، ۲۵۳۷–۲۵۵۱٫ [ Google Scholar ] [ CrossRef ]
- یو، دی. وانیان، دبلیو. وانگ، دی. استفاده از نفوذ متنی و ترجیحات کاربر برای توصیه نقطه مورد علاقه. چندتایی. ابزارهای کاربردی ۲۰۲۱ ، ۸۰ ، ۱۴۸۷-۱۵۰۱٫ [ Google Scholar ] [ CrossRef ]
- یانگ، دی. ژانگ، دی. ژنگ، فولکس واگن؛ Yu, Z. مدلسازی اولویت فعالیت کاربر با اعمال نفوذ ویژگیهای زمانی مکانی کاربر در LBSN. IEEE Trans. سیستم مرد سایبرن. سیستم ۲۰۱۵ ، ۴۵ ، ۱۲۹-۱۴۲٫ [ Google Scholar ] [ CrossRef ]
بدون دیدگاه