论文部分内容阅读
随着移动设备以及GPS定位技术的发展,越来越多的基于位置的社交网络应用被开发出来。它们积累了大量签到数据,提供了使用深度学习技术执行推荐任务的可能性。兴趣点推荐是基于位置的社交网络中一项非常重要的服务。其不仅能够提升用户体验,还能为服务商带来商业价值。但兴趣点推荐相较于传统的项目推荐具有更大的技术挑战性,主要表现在数据稀疏以及负反馈缺乏、影响因素多和用户偏好的动态变化性与周期性等方面。传统的兴趣点推荐模型关注点大都集中在对用户的签到频率以及签到时间进行建模,或者对通用的推荐方法进行融合时间、地理距离等上下文的改造,很少会关注兴趣点签到序列中体现出的用户前后行为关联,对用户访问偏好的动态变化性和周期性特征的捕获也不尽如人意。本文研究关注到兴趣点签到序列建模问题与自然语言处理之间的相似之处,将兴趣点推荐视为序列感知的推荐问题。首先按一定的序列划分规则将用户的兴趣点签到数据划分为序列,以强化推荐过程中对于用户长、短期偏好等序列特征的关注;然后进行了将循环神经网络结构应用于兴趣点推荐模型的探索,通过引入上下文信息、注意力机制、排名损失函数以及合适的负采样方法来使循环神经网络结构适应兴趣点推荐的具体场景,提出了一种融合上下文信息的兴趣点推荐模型(Context-Aware Point-of-Interest Recommendation Model,CAPR)和一种使用长短期注意力机制的兴趣点推荐模型(Long Short-Attention Point-of-Interest Recommendation Model,LSAPR),并在两个真实数据集上进行了多角度的离线实验;最后,为了验证模型的实际推荐效果,将提出的两个兴趣点推荐模型部署于实际项目中,开发了一个具有导航、签到、推荐等功能的Android应用TourGuide。本文提出的两个模型在两个真实的签到数据集中取得了很好的离线实验结果,并且成功部署到了TourGuide中,在应用中达到了实时个性化的兴趣点推荐效果。