CN111680228B - 基于地理位置融合和类别流行度的兴趣点推荐方法 - Google Patents
基于地理位置融合和类别流行度的兴趣点推荐方法 Download PDFInfo
- Publication number
- CN111680228B CN111680228B CN202010532340.4A CN202010532340A CN111680228B CN 111680228 B CN111680228 B CN 111680228B CN 202010532340 A CN202010532340 A CN 202010532340A CN 111680228 B CN111680228 B CN 111680228B
- Authority
- CN
- China
- Prior art keywords
- interest
- point
- users
- social
- target user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004927 fusion Effects 0.000 title claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及兴趣点推荐方法,更具体地说,涉及基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法。
背景技术
随着社交网络、智能移动终端和自动定位技术的快速发展,基于位置的社交网络(Location-Based Social Network,LBSN)应运而生,为人们提供了极其便利的位置服务,典型的LBSN应用有Foursquare、Yelp和Gowalla等。LBSN将线上虚拟社会与线下真实世界联结在一起,用户通过线下访问自己感兴趣的兴趣点,同时可以在线上以签到的方式发表评论等信息,与自己的朋友或其他用户分享自己在该兴趣点的签到体验。兴趣点推荐是LBSN服务中的一项重要内容,通过统计用户的历史签到数据,旨在为用户推荐潜在感兴趣的兴趣点,它不仅提高用户体验,而且能够帮助商家发现***群,从而实现精准营销来增加盈利。因此,基于位置的社交网络的兴趣点推荐在现在生活中越来越重要。
基于记忆的协同过滤和基于模型的协同过滤是兴趣点推荐研究中主流的两种方法。基于记忆的方法的主要思想是分析用户之间的关系和项目之间的相互依赖关系,以识别新的用户-项目关联。这类方法在兴趣点推荐中通过使用用户的签到数据来预测用户的偏好。但这类方法存在的最重要的问题是当签到数据中大量元素为空时,不仅使得算法容易受数据稀疏性的影响,还不能很好地实现对隐式反馈数据集的挖掘。另一方面,一些基于模型的方法,例如隐语义模型被广泛用于通过提取两个低维潜在向量来预测缺失评分,特别是基于矩阵分解的方法被证明为一种有效的评分预测问题方法。这些方法都使用低维潜在矩阵近似来拟合初始高维用户-项目评分矩阵,并预测初始矩阵的缺失值。
尽管当前存在很多针对兴趣点推荐的研究,但是个性化的兴趣点推荐***仍然存在许多问题。限制兴趣点推荐准确性最重要的挑战之一就是数据稀疏性问题。在现实的LBSN中,兴趣点的数量十分庞大而且分布广泛,用户访问过并进行签到的兴趣点的数量却非常有限。因此,在不同的协作过滤方法中使用的用户-兴趣点签到矩阵变得十分稀疏,数据的极度稀疏无疑给兴趣点推荐带来了很大的困难,会导致推荐结果准确性低。
发明内容
针对现有技术的不足,本发明提供了一种基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法,包括以下步骤:
步骤一,获取位置社交网络中所有用户及候选兴趣点的历史签到信息,基于所述所有用户的历史签到信息构建用户-兴趣点签到矩阵,以用户角度出发将用户的活动区域对地理信息进行建模,以兴趣点角度出发将地理信息建模为候选兴趣点邻居的签到次数,通过结合用户和兴趣点两个角度的影响,计算得出目标用户的地理相关系数所述所有用户包括目标用户及相关用户,u表示目标用户u,v表示相关用户v,li表示兴趣点地点i;
步骤二,获取所有用户的社交网络信息,基于所述用户的社交网络信息和用户的历史签到信息,计算得到社交签到频率分布s(x),基于社交签到频率分布s(x)采用累积分布函数计算出所述目标用户与兴趣点之间的社会相关系数S(xu,l),xu,l为所述目标用户的社交签到频率;
步骤三,基于所述所有用户的历史签到信息,计算得到目标用户对候选兴趣点类别的偏好和所述候选兴趣点的流行度,基于所述用户对类别的偏好和所述候选兴趣点的流行度计算出兴趣点的类别流行度分布c(y),基于所述兴趣点的类别流行度分布c(y)采用累积分布函数计算得出所述目标用户与兴趣点之间的类别流行度相关系数C(yu,l),yu,l为所述候选兴趣点的类别流行度;
步骤四,通过概率矩阵分解方法将步骤一形成的地理信息模型、步骤二形成的社会相关系数和步骤三形成的类别流行度相关系数以及潜在特征相融合,形成兴趣点推荐模型,计算所述目标用户的推荐分数Recu,l,用于面向用户的个性化兴趣点推荐;
步骤五,基于推荐分数Recu,l生成推荐信息。
进一步的,步骤一具体如下:
获取所述所有用户的总数U、所述候选兴趣点的总数L、所述用户-兴趣点签到矩阵R|U|×|L|,其中每个ru,l∈R代表所述目标用户u到候选兴趣点l的签到频率,Lu代表所述目标用户u签到过的所有候选兴趣点;
进一步的,步骤二具体如下:
进一步的,步骤三具体如下:
进一步的,步骤四具体如下:
基于公式计算所述目标用户的推荐分数Recu,l,P(ru,l|gu,hl,θu,θl)表示目标用户u在兴趣点l上的偏好,ru,l表示目标用户u在兴趣点l上签到的次数,θu和θl表示用户偏差和兴趣点偏差。
进一步的,步骤五具体如下:
按照所述推荐分数Recu,l由高到低排序获取得到预设的top-N个候选兴趣点;
按照所述推荐分数Recu,l由高到低基于所述获取得到的候选兴趣点生成推荐列表。
与现有技术相比,本发明公开了局部地理融合社交影响和类别流行度的矩阵分解兴趣点推荐方法,具有以下有益效果:在概率矩阵分解基础上,融合用户自身偏好和上下文信息以建模用户在兴趣点上的签到行为,从而更有效地刻画用户自身偏好,在兴趣点推荐模型中,从地理位置信息、社交关系信息、类别流行度信息、用户自身偏好等多方面建模用户的签到行为,有效缓解签到数据的稀疏性,提高兴趣点推荐的性能。
附图说明
图1为本发明公开的基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图,对本发明作进一步的详细描述。
如图1所示,本发明的基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法,包括以下步骤:
S101、获取位置社交网络中所有用户及候选兴趣点的历史签到信息,基于所述所有用户的历史签到信息构建用户-兴趣点签到矩阵,以用户角度出发将用户的活动区域对地理信息进行建模,以兴趣点角度出发将地理信息建模为候选兴趣点邻居的签到次数,通过结合用户和兴趣点两个角度的影响,计算得出目标用户的地理相关系数所述所有用户包括目标用户及相关用户,u表示目标用户u,v表示相关用户v,li表示兴趣点地点i;
具体实施时,包括以下步骤:
获取所述所有用户的总数U、所述所有兴趣点的总数L、所述用户-兴趣点签到矩阵R|U|×|L|,其中每个ru,l∈R代表所述目标用户u到候选兴趣点l的签到频率,Lu代表所述目标用户u签到过的所有候选兴趣点;
S102、获取所有用户的社交网络信息,利用所述用户的社交网络信息和用户的历史签到信息,计算得到社交签到频率分布s(x),基于社交签到频率采用累积分布函数计算出所述目标用户与兴趣点之间的社会相关系数S(xu,l),xu,l为所述目标用户的社交签到频率;
在LBSNs中有一些相互关注的朋友,这些朋友关系也反映了该用户在现实生活中的朋友圈。现实中,用户朋友的推荐会激发用户对某些兴趣点的兴趣,在基于位置的社交网络中亦是如此。因此,可以通过利用用户与已经访问过兴趣点的朋友之间的社交相关性预测用户与未访问兴趣点的社会相关性得分。
S102具体实施时,包括以下步骤:
S103、基于所述所有用户的历史签到信息,计算得到目标用户对候选兴趣点类别的偏好和所述候选兴趣点的流行度,基于所述用户对类别的偏好和所述候选兴趣点的流行度计算出兴趣点的类别流行度分布c(y),基于所述兴趣点的类别流行度分布采用累积分布函数计算得出所述目标用户与兴趣点之间的类别流行度相关系数C(yu,l),yu,l为所述候选兴趣点的类别流行度;
签到数据中兴趣点的类别信息在兴趣点推荐过程中起着重要的作用。通常情况下,一个兴趣点不止属于一个类别。兴趣点的类别可以表明它提供哪些服务或产品。在现实中,人们对不同兴趣点类别显而易见表现出不同的偏好。另外,兴趣点的流行程度反映了兴趣点提供的产品或服务的质量。因此,可以通过挖掘用户对兴趣点类别的偏好和兴趣点的流行度,从而得出用户对未访问过的兴趣点的评分。
S103具体实施时,包括以下步骤:
S104、通过概率矩阵分解方法将步骤一形成的地理信息模型、步骤二形成的社会相关系数和步骤三形成的类别流行度相关系数以及潜在特征相融合,形成兴趣点推荐模型,计算所述目标用户的推荐分数Recu,l,用于面向用户的个性化兴趣点推荐。
S104具体实施时,包括以下步骤:
概率矩阵分解模型采用一种概率方法,通过Logistic函数对用户对于某项目的偏好进行建模。但是,该模型无法在推荐过程中考虑上下文信息。我们基于该矩阵分解模型,将社交影响、类别影响和地理信息模型融合作为上下文信息融合到概率矩阵分解。通常,基于矩阵分解的推荐其目的是获取到两个低阶矩阵,包括用户因子矩阵G∈Rm×k,和项目因子矩阵H∈Rm×k,其中k是潜在因子的数量,使得这两个矩阵的内积近似于矩阵即
首先,定义ru,l表示用户u在兴趣点l上签到的次数,并且参数G和H分别是用户和兴趣点的两个潜在因素。θu和θl表示用户偏差和兴趣点偏差。定义P(ru,l|gu,hl,θu,θl)来表示目标用户u在兴趣点l上的偏好,公式如下:
S105、基于推荐分数Recu,l生成推荐信息。
S105具体实施时,包括以下步骤:
按照所述推荐分数Recu,l由高到低排序选择预设的top-N个所述候选兴趣点。
按照所述推荐分数Recu,l基于所述选取的top-N个候选兴趣点生成推荐列表。
综上所述,本发明从地理位置信息、社交关系信息、类别流行度信息、用户自身偏好等多个角度入手,综合考虑了各种影响因素从而向用户推荐兴趣点,比单独考虑任一因素的现有技术中的兴趣点推荐方法更加准确。
最后说明的是,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例已经对本发明进行了详细的说明,但本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法,其特征在于,包括以下步骤:
步骤一,获取位置社交网络中所有用户及候选兴趣点的历史签到信息,基于所述所有用户的历史签到信息构建用户-兴趣点签到矩阵,以用户角度出发将用户的活动区域对地理信息进行建模,以兴趣点角度出发将地理信息建模为候选兴趣点邻居的签到次数,通过结合用户和兴趣点两个角度的影响,计算得出目标用户的地理相关系数所述所有用户包括目标用户及相关用户,u表示目标用户u,v表示相关用户v,li表示兴趣点地点i;
步骤二,获取所有用户的社交网络信息,基于所述用户的社交网络信息和用户的历史签到信息,计算得到社交签到频率分布s(x),基于社交签到频率分布s(x)采用累积分布函数计算出所述目标用户与兴趣点之间的社会相关系数S(xu,l),xu,l为所述目标用户的社交签到频率;
步骤三,基于所述所有用户的历史签到信息,计算得到目标用户对候选兴趣点类别的偏好和所述候选兴趣点的流行度,基于所述用户对类别的偏好和所述候选兴趣点的流行度计算出兴趣点的类别流行度分布c(y),基于所述兴趣点的类别流行度分布c(y)采用累积分布函数计算得出所述目标用户与兴趣点之间的类别流行度相关系数C(yu,l),yu,l为所述候选兴趣点的类别流行度;
步骤四,通过概率矩阵分解方法将步骤一形成的地理信息模型、步骤二形成的社会相关系数和步骤三形成的类别流行度相关系数以及潜在特征相融合,形成兴趣点推荐模型,计算所述目标用户的推荐分数Recu,l,用于面向用户的个性化兴趣点推荐;
步骤五,基于推荐分数Recu,l生成推荐信息;
步骤一具体如下:
获取所述所有用户的总数U、所述候选兴趣点的总数L、所述用户-兴趣点签到矩阵R|U|×|L|,其中每个ru,l∈R代表所述目标用户u到候选兴趣点l的签到频率,Lu代表所述目标用户u签到过的所有候选兴趣点;
5.根据权利要求4所述的基于地理位置融合社交影响和类别流行度的矩阵分解兴趣点推荐方法,其特征在于,步骤五具体如下:
按照所述推荐分数Recu,l由高到低排序获取得到预设的top-N个候选兴趣点;
按照所述推荐分数Recu,l由高到低基于所述获取得到的候选兴趣点生成推荐列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010532340.4A CN111680228B (zh) | 2020-06-11 | 2020-06-11 | 基于地理位置融合和类别流行度的兴趣点推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010532340.4A CN111680228B (zh) | 2020-06-11 | 2020-06-11 | 基于地理位置融合和类别流行度的兴趣点推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680228A CN111680228A (zh) | 2020-09-18 |
CN111680228B true CN111680228B (zh) | 2022-03-18 |
Family
ID=72454650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010532340.4A Active CN111680228B (zh) | 2020-06-11 | 2020-06-11 | 基于地理位置融合和类别流行度的兴趣点推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680228B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711713B (zh) * | 2021-01-15 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 兴趣点推荐和展示方法、装置、计算机设备和存储介质 |
CN112800347A (zh) * | 2021-01-21 | 2021-05-14 | 河北金融学院 | 一种基于智媒体服务平台的智能推荐***及方法 |
CN113239285A (zh) * | 2021-04-16 | 2021-08-10 | 江汉大学 | 一种社交网络影响力的处理方法、装置以及处理设备 |
CN115408621B (zh) * | 2022-08-12 | 2023-04-18 | 中国测绘科学研究院 | 顾及辅助信息特征线性及非线***互的兴趣点推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460101A (zh) * | 2018-02-05 | 2018-08-28 | 山东师范大学 | 面向位置社交网络基于地理位置正则化的兴趣点推荐方法 |
CN109508428A (zh) * | 2019-01-21 | 2019-03-22 | 宿州学院 | 基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法 |
CN110119475A (zh) * | 2019-01-29 | 2019-08-13 | 成都信息工程大学 | 一种poi推荐方法及推荐*** |
CN111061961A (zh) * | 2019-11-19 | 2020-04-24 | 江西财经大学 | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现*** |
US10791418B2 (en) * | 2018-05-07 | 2020-09-29 | Bayerische Motoren Werke Aktiengesellschaft | Method and system for modeling user and location |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11120458B2 (en) * | 2018-03-09 | 2021-09-14 | International Business Machines Corporation | Group-based sequential recommendations |
-
2020
- 2020-06-11 CN CN202010532340.4A patent/CN111680228B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460101A (zh) * | 2018-02-05 | 2018-08-28 | 山东师范大学 | 面向位置社交网络基于地理位置正则化的兴趣点推荐方法 |
US10791418B2 (en) * | 2018-05-07 | 2020-09-29 | Bayerische Motoren Werke Aktiengesellschaft | Method and system for modeling user and location |
CN109508428A (zh) * | 2019-01-21 | 2019-03-22 | 宿州学院 | 基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法 |
CN110119475A (zh) * | 2019-01-29 | 2019-08-13 | 成都信息工程大学 | 一种poi推荐方法及推荐*** |
CN111061961A (zh) * | 2019-11-19 | 2020-04-24 | 江西财经大学 | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现*** |
Non-Patent Citations (3)
Title |
---|
Personalized POI recommendation based on check-in data and geographical-regional influence;Chuang Song等;《ICMLSC 2019: Proceedings of the 3rd International Conference on Machine Learning and Soft Computing》;20190125;第128-133页 * |
基于位置社交网络的上下文感知的兴趣点推荐;任星怡等;《计算机学报》;20161008;第40卷(第4期);第824-841页 * |
融合多因素的兴趣点协同推荐方法研究;陈炯等;《计算机科学》;20190828;第46卷(第10期);正文第2-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111680228A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680228B (zh) | 基于地理位置融合和类别流行度的兴趣点推荐方法 | |
Li et al. | A time-aware personalized point-of-interest recommendation via high-order tensor factorization | |
CN108256093B (zh) | 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 | |
Gao et al. | Exploring temporal effects for location recommendation on location-based social networks | |
Zhang et al. | Exploiting dining preference for restaurant recommendation | |
Zhao et al. | Personalized recommendations of locally interesting venues to tourists via cross-region community matching | |
CN102737334B (zh) | 微细分定义*** | |
CN112084427A (zh) | 一种基于图神经网络的兴趣点推荐方法 | |
Ying et al. | A temporal-aware POI recommendation system using context-aware tensor decomposition and weighted HITS | |
CN109948066B (zh) | 一种基于异构信息网络的兴趣点推荐方法 | |
Fu et al. | User preference learning with multiple information fusion for restaurant recommendation | |
CN107113466A (zh) | 向用户推荐项目 | |
CN105051719A (zh) | 使得众包内容动态失效 | |
US11080376B2 (en) | Anonymous cross-device, cross-channel, and cross-venue user identification using adaptive deep learning | |
CA3062119A1 (en) | Method and device for setting sample weight, and electronic apparatus | |
CN116244513B (zh) | 随机群组poi推荐方法、***、设备及存储介质 | |
CN107220312A (zh) | 一种基于共现图的兴趣点推荐方法及*** | |
CN105580043A (zh) | 用于推荐***的基于强度的建模 | |
CN111104607A (zh) | 基于签到数据的地点推荐方法及装置 | |
CN113360777A (zh) | 内容推荐模型训练方法、内容推荐方法及相关设备 | |
Liu et al. | VGMF: visual contents and geographical influence enhanced point‐of‐interest recommendation in location‐based social network | |
CN115408618A (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
CN115456707A (zh) | 提供商品推荐信息的方法、装置及电子设备 | |
Yu et al. | NGPR: A comprehensive personalized point-of-interest recommendation method based on heterogeneous graphs | |
Quan et al. | An optimized task assignment framework based on crowdsourcing knowledge graph and prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |