摘要：兴趣点推荐算法收集用户的历史行为记录,根据收集到的记录推测用户偏好,结合用户偏好向用户推荐新的兴趣点。针对传统的兴趣点推荐过程中,用户的隐私信息容易被泄露的问题,利用差分隐私保护机制对用户信息进行保护,防止被恶意攻击。差分隐私保护实现机制主要包括指数机制和拉普拉斯机制,均被使用于地理位置隐私保护算法中。基于差分隐私保护的地理位置隐私保护算法根据数据集中各项记录的相互关系建立位置搜索树;运用指数机制并结合树的结构挑选出经常访问的k项纪录;对这k项记录添加拉普拉斯噪声,发布加噪后的位置搜索树。实验表明,该算法能在推荐效果不变的情况下,有效地保护用户的隐私信息。

摘要：兴趣点推荐是推荐系统的关键研究之一,传统的算法只利用用户签到信息进行推荐,且对于签到信息只单纯地考虑签到和没签到,而忽略了用户签到的频次和信任关系。为提高推荐精度,提出了一种融合用户相似性、地理位置和信任关系的混合推荐算法(UGT)。对于签到信息,采用签到频次来代替传统的二值签到,并对签到信息添加时间权重;对于基于用户的协同过滤,提出了一种邻居选择策略来提高预测精度;对于信任关系,首先分析用户的属性,然后给出社会地位的计算方法,重构信任度的计算方法。实验结果表明,该混合算法相比较传统的推荐算法而言,在准确率和召回率上有了显著的提升。

摘要：传统的基于图神经网络的兴趣点模型的研究是通过简单的注意力机制进行权重定义,或仅仅将多种因素简单进行线性组合,缺乏从多角度考虑用户和兴趣点自身的语义信息和交互信息。此外,现有的图神经网络推荐依赖于图结构信息的集中式存储和训练,存在隐私泄露风险。为了解决上述问题,提出基于图神经网络的兴趣点推荐的隐私保护框架(privacy of POI recommendations for graph neural networks,PPGNN)。首先,通过引入多特征模式和注意力机制对图结构进行强化,构建强化用户社交关系图模型;其次,通过多场景角度提出兴趣点邻居结点采样算法以及重新设计卷积聚合机制,对异质图使用语义级别注意力机制进行聚合;最后,提出了可变动态梯度的客户端差分隐私算法,达到边优化边反馈的效果。通过在Yelp和Gowalla不同的数据集上进行大量实验,证明该方案具有有效性,弥补了图神经网络推荐因隐私威胁带来的局限性,优于集中式图神经网络推荐方法,同时也优于传统兴趣点推荐方法,并且PPGNN可以更好地克服推荐中的数据稀疏和冷启动问题。

摘要：现有的兴趣点推荐方法忽略了不同上下文因素之间的内在联系,导致上下文因素未能得到充分利用,为此提出一种融合时空-社交-顺序影响的多维兴趣点推荐算法。根据用户的时间状态和活动轨迹刻画用户的活动区域,探索用户的时间偏好程度和活动轨迹相似度;利用高斯分布模型评估用户的地理偏好程度,使用马尔科夫链算法预测用户访问下一个兴趣点的概率。实验结果表明,该算法优于其它算法。

摘要：针对现有的序列推荐算法仅利用长短期顺序行为和用户交互行为进行推荐,没有充分考虑用户交互行为之间的时空间隔信息对用户推荐序列更深层影响的问题,提出一种融合时空网络和自注意力的兴趣点序列推荐模型。将用户签到之间的时间和空间间隔信息融入门控循环单元网络,使用用户的历史签到序列信息获取用户的偏好,通过自注意力机制对签到地点进行建模,获得用户对于模型的权重序列,通过签到地点与候选地点的时间间隔和空间间隔匹配兴趣点,为用户推荐一个兴趣点序列。在两个数据集上的实验结果表明,提出方法在召回率上优于之前先进的方法。

摘要：为了解决数字标牌广告投放的推荐问题,研究基于位置数据的推荐算法。在已有的基于矩阵分解思想的兴趣点推荐算法基础上,提出结合矩阵分解思想和商业地理信息数据的兴趣点推荐模型,并在基于位置的数字标牌广告数据上进行实验。实验结果表明,通过为矩阵分解附加商业地理信息的方法,解决了位置访问数据稀疏性的问题,并为数据类型单一,推荐依据不足的问题提供了有效的数据参考及实现方法。为数字标牌广告投放提供了重要的参考依据。

摘要：利用用户的历史签到数据的同时考虑用户的长期偏好和短期偏好已成为当今兴趣点(Point-of-Interest,POI)推荐的主流方法之一。然而,现有方法往往忽略了用户评论中隐含的用户偏好信息,忽视了不同用户在对长期偏好和短期偏好的依赖上所存在的差异性。针对上述局限,本文提出一种结合动态多类信息的兴趣点推荐方法DMGCR。首先,利用注意力机制捕获用户对不同兴趣点的关注程度,定量刻画用户对兴趣点的长期偏好。其次,将评论信息与已有的位置和类别信息相结合,并利用双向长短期记忆网络学习评论文本中隐含的语义特征,在捕获用户对兴趣点情感倾向的基础上准确刻画用户的短期偏好。最后,设计融合动态多类信息的用户偏好综合预测函数,实现下一个兴趣点推荐概率的定量计算。多个数据集上的实验结果验证了该方法在推荐性能上的有效性和优越性。

摘要：针对兴趣点推荐中上下文信息(即社交关系)考虑不足的问题,提出了一种融合社交关系与地理位置信息的GRU(Gated Recurrent Unit)兴趣点推荐算法—SG-GRU。首先构造用户和兴趣点之间的带权异构图,根据用户社交关系强度、签到序列以及地理位置信息,设计了新的边权重计算方法对异构图进行优化,并通过图嵌入对用户和兴趣点进行了形式化表征,从而利用门控循环神经网络建立用户的序列兴趣偏好模型。最后,根据每个用户的兴趣点最终得分向用户推荐感兴趣的TOP-K兴趣点列表。在两个公开数据集Gowalla和Brightkite上进行了实验验证,结果表明,提出的SGGRU方法优于所给出的3个POI基准推荐模型,验证了推荐模型的有效性。

摘要：兴趣点推荐已成为帮助人们发现感兴趣点的重要手段,传统推荐算法仅仅对固定时间段内的兴趣点做推荐,而没有考虑兴趣点推荐存在时间上的衰减现象.为了进一步提高兴趣点推荐算法的性能,总结了传统基于兴趣点相似度的协同过滤推荐算法,设计了表现更优异的改进算法——引入时间衰减项的兴趣点推荐算法.实际数据集上的测试结果表明,改进算法在精准度、召回率和F指标等方面比传统基于兴趣点相似度的协同过滤推荐算法有更好的表现.

摘要：在基于位置的社交网络(LBSNs)中,现有的兴趣点(POI)推荐方法主要考虑地理位置和社交关系因素的影响,对签到行为的顺序和时间因素影响关注较少。针对该问题,提出一种改进循环神经网络(RNN)的POI推荐的方法。通过因子分解机对影响POI推荐因素的稀疏矩阵进行去稀疏化;通过提出的MMBE框架对多源异构签到数据整体建模,得到POI推荐的影响因子;将影响因子输入改进型RNN,计算出兴趣点预测值,将预测值最高的前K个兴趣点推荐给用户。实验结果表明,所提方法在精度、召回率、F1值方面优于其它3种较新的POI推荐方法。