基于ESSVM的分类推荐.PDFVIP

总第15 期 2018 年 第3 期 基于ESSVM 的分类推荐* 侯 君 1,2,3 刘 魁 1 李千目 2 1( 南京理工大学马克思主义学院 南京 210094) 2( 南京理工大学计算机科学与工程学院 南京 210094) 3( 南京理工大学紫金学院 南京 210094) 摘要: 【目的 】解决传统的兴趣点推荐基于简单上下文, 推荐同一类别中最流行的、最便宜或者最接近的对象, 导致推荐准确度低的问题。【方法】将兴趣点推荐作为一个排序问题, 设计基于内嵌空间排序支持向量机模型 (Embedded Space Ranking SVM, ESSVM), 根据不同特征进行兴趣点分类, 利用签到数据捕获用户的喜好, 并使 用机器学习模型调整不同属性在排序中的重要性。【结果】本方法与基于用户的协同过滤(UserCF)、基于兴趣点 的协同过滤(VenueCF)、兴趣点流行度(PoV)和最近邻推荐(NNR)等推荐策略相比, 不仅可捕获个别异构偏好, 而 且可减少训练推荐模型的时间消耗。【局限】收集和整合多个基于位置的社交网络上下文信息工作量大; 减少本 方法的时间和类别的粒度时, 还可能面临数据稀疏性问题。【结论】本方法考虑了时间变化对用户偏好的影响, 以 及用户在不同时段访问的位置类别, 通过将有用的上下文信息与签到记录相结合, 提供个性化的建议。 关键词: 上下文敏感兴趣点 内嵌空间排序 支持向量机模型 推荐算法 分类号: TP391 DOI : 10.11925/infotech.2096-3467.2017.1123 会倾向于那些距离自己更加近的场所; 另一方面, 有 1 引 言 些用户偏好则是多样化且随着具体情况改变而变化 随着基于位置的社交网络(Location-Based Social 的, 比如喜爱住豪华酒店的消费者在选择餐馆时, 并 Networks, LBSNs) 的迅速发展, 兴趣点推荐系统越来 不是那么在意价格。有时消费者在不同情况下的消费 越普遍。用户可以从兴趣点推荐系统中受益, 享受个 观念又是不一样的, 比如有些用户在独自用餐时大多 性化服务。然而, 兴趣点推荐的效果在很大程度上取 选择快餐, 而这些用户在聚餐时则更喜欢选择一些比 决于捕获用户的上下文或偏好的程度。“check-in”是基 较昂贵的餐馆。由于用户偏好的复杂性, 基于位置的 于位置的社交网络的一个典型特征, 允许服务从帖子 社交网络很难掌握用户偏好的整体信息, 这便是本文 中访问用户的地理空间信息。 推荐方法的研究目的。 在当前的推荐系统中, 大多都是基于单一的评分 在应用中, 用户的偏好本质上是不同的: 一方面, 或者访问次数进行推荐, 这种推荐并不能满足每一个 一些偏好对于所有用户都是静态、常见的。如, 在其 用户的偏好。在实际生活中, 用户的偏好是复杂的: 一 他条件相同时, 消费者总是喜欢最近或者最便宜的场 方面, 有些用户偏好是大家所共有且不变的, 比如当 所; 另一方面, 一些偏好是动态且多样的。如, 喜欢奢 用户从众多拥有相似条件的场所中进行选择的时候, 侈酒店的客人在选择餐厅时往往对餐饮价格敏感度较 通讯作者: 侯君, ORCID: 0000-0002-0059-2945, E-mail: 274365054@ 。 *本文系中央军委科技委战略性先导项目“全球科技人才发现与跟踪机制研究”(项目编号: 17-ZLXD-ZL-08-09-01-01)、江苏省重大 研发计划社会发展项目“大数据驱动的隧道等城市快速路交通违章取证关键技术研究”(项目编号: BE2017739)和江苏省重大研发计划 产业前瞻项目“ 电力工控系统攻击检测与攻防验证技术研究及系统研制”(项目编号: BE2017100)的研究成果之一。