Page 36 - 《软件学报》2020年第12期

3702 Journal of Software 软件学报 Vol.31, No.12, December 2020

Fig.1 User check-in similarity calculation diagram
图 1 用户签到相似度计算图

1 相关工作

POI 推荐系统所应用的场景为:当用户到达一个地区时,为目标用户推荐一组可能感兴趣的 POI 列表.该地
区可能是用户经常活动的区域,如办公点或者居住地等,也可能是一个陌生的区域,如用户去某地旅游等.文献
[8]将 POI 推荐问题拆分为两个部分:本地推荐和外地推荐,并采用基于用户的协同过滤的方法,融合了地理因素
和社交关系等因素,以缓解数据稀疏所带来的影响.文献[9]提出了一种基于位置感知的用户移动模型,主要解决
社交网络中的影响最大化问题.文献[10]在针对地理因素的影响上,提出了一种地理稀疏填充生成模型,认为用
户在外地推荐问题上的行为表现和目标地区的热门项目有很大关联.如用户在外地旅游时,最可能访问的就是
当地的特色景点.即:用户在外地的表现行为不但由用户的个人偏好所影响,还受到当地项目流行度的影响.文
献[11−14]都是采用了矩阵分解的方式研究地理因素对用户签到行为的影响:文献[12]提出了一种基于排名的
地理因素分解模型;而文献[13]则是通过加入时间因素,探索地理因素与时间因素的依赖关系;文献[14]将社会
化关系和地理因素一并融入到矩阵分解模型中,加强用户与地区之间的关联程度;文献[15]认为,只有 POI 自身
的用户偏好会受到地理因素的影响,所以他们过滤掉了有关 POI 内容的用户偏好,只将 POI 自身与地区因素联
合建模,用于“新城市”的推荐.
在签到数据丰富的情况下,一个用户的签到时间记录可以反映出该用户的行为习惯.为了从其中挖掘出用
户的行为规律,文献[16]提出了一种协同检索建模的方法,融合了时空因素和社交关系,挖掘用户与朋友之间的
签到记录的关联性.文献[17]提出了一种时间感知的协同过滤模型,认为在签到时间上有着相似规律的用户有
着相似的行为模式.文献[18]认为,用户在同一天的不同时间段内签到行为不同,且在一段连续的时间域内,用户
的签到行为具有一定的相似性.文献[19]提出了一种高阶张量分解的方法,分析用户签到时间的变化,以捕捉用
户的长期偏好和短期偏好.文献[20]较文献[19]的不同之处在于:他们提出了一种基于张量分解的排序方法,通
过研究张量因子分解以完成对 POI 的排名,并过滤掉那些排名较远的 POI,提高模型的推荐效率.文献[21]的作
者认为:在研究时间因素的影响时,常常会由于对时间建模的处理不当而导致推荐效果不佳,如为每个用户在每
个时间段内建模,会丢失时间相关性的影响.为此,他们放弃了对时间做离散处理然后建模,而是计算用户访问
新地点的时间概率密度,以减少信息丢失.
由于在实际的移动推荐情景中,推送结果会受到地理、时间等因素的影响,为了更好地融合这些影响因素,
文献[22]提出了一种嵌入学习模型,用户的签到集映射到一个低维空间中,以此来获得用户的潜在行为特征.文