计算机应用

作者：彭诗杰, 陈红梅, 王丽珍, 肖清

单位：云南大学 信息学院，昆明 650500

关键词：基于位置的社交网络,兴趣点推荐,隐式反馈,兴趣点排序,加权贝叶斯个性化排序

基金：国家自然科学基金资助项目(62266050);云南省中青年学术和技术带头人后备人才项目(202205AC160033);云南省重大科技专项(202202AD080003);云南省基础研究计划重点项目(202201AS070015)

随着基于位置的社交网络（LBSN）迅速发展，作为缓解信息过载的有效手段，兴趣点（POI）推荐备受关注。由于用户签到数据是隐式反馈数据，且十分稀疏，为了有效地从用户签到数据中捕获用户POI偏好，提出了一个基于地理偏好排序的POI混合推荐模型。首先，考虑用户签到数据的隐式反馈特性及用户活动的空间约束，利用传统贝叶斯个性化排序（BPR）模型计算POI距离对POI排序的影响，提出加权BPR（GWBPR）模型；然后，针对用户签到数据的稀疏性，融合GWBPR模型和逻辑矩阵分解（LMF）模型，提出混合模型GWBPR-LMF。在两个真实数据集Foursquare和Gowalla上的实验结果表明，GWBPR-LMF模型的性能优于BPR、LMF、SAE-NAD（Self-Attentive Encoder and Neighbor-Aware Decoder）等对比模型。与较优的对比模型SAE-NAD相比，GWBPR-LMF模型的POI推荐的精确率、召回率、F1值、平均精度均值（mAP）、归一化折损累积增益（NDCG）在数据集Foursquare上分别平均提升了44.9%、57.1%、78.4%、55.3%和40.0%，在数据集Gowalla上分别平均提升了3.0%、6.4%、4.6%、11.7%和4.2%。

来源：2023年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第8期