Page 43 - 《软件学报》2020年第12期

陈劲松 等:基于多维上下文感知图嵌入模型的兴趣点推荐 3709

3.3 对比方法
[2]
• JIM 是一种融合时间因素、地理因素、内容因素和口碑因素的联合概率生成模型;
• GeoMF [11] 是一种融合地理因素的矩阵分解模型;
• RankGeoFM [12] 是一种基于排序的地理因子分解模型;
• GE [23] 是一种融合序列效应、地理因素和时间因素的图嵌入学习模型;
• TAD-FPMC [19] 是一种基于时间感知的四阶张量分解模型.
3.4 实验设计与结果分析

3.4.1 参数设置
在 MCAGE 模型中,有 3 个参数需要调整并优化,以使得模型的推荐性能达到最优.在生成 POI-POI 图时,
涉及到两个待优化的参数:POI 主题特征向量的维度,即主题数 Topic 和关联阈值α;在计算图模型的嵌入向量时,
嵌入向量维度 d 的设定也需要寻求一个最优值.故在参数设置的实验模块,我们设计了两个实验,用于探索主题
数与阈值、嵌入向量的维度对模型的推荐性能所带来的影响.由于 Foursquare 数据集中没有用户对 POI 的评分
数据,因此在该数据集上进行实验时,我们忽略了用户评分数据对用户偏好的影响.
(1) 主题数与阈值的设定
当设置的主题数不同时,LDA 主题模型所挖掘得到的主题特征向量的精确度也会产生差异.而在构建 POI-
POI 图时,是利用 POI 的主题特征向量之间的空间距离来表示 POI 之间的相似程度,关联阈值α的设定将会影响
到相似 POI 之间的筛选.为了确定这两个参数的最优值,我们固定空间向量的维度,调整主题数 Topic 和关联阈
值α,并观测模型的推荐性能.其实验结果见表 2~表 5.

Table 2 Precision rate under different topic numbers and thresholds on Yelp
表 2 在 Yelp 数据集上不同主题数与阈值下的精确率
Topic
α 10 20 30 40 50 60 70
0.80 0.014 8 0.015 3 0.012 9 0.015 8 0.012 7 0.012 1 0.010 3
0.825 0.016 7 0.016 9 0.016 5 0.017 1 0.016 6 0.016 5 0.016 2
0.85 0.016 5 0.016 6 0.016 6 0.016 6 0.016 4 0.016 2 0.016 2
0.875 0.016 5 0.016 6 0.016 6 0.016 9 0.016 0.015 5 0.016 1
0.90 0.016 2 0.014 5 0.014 8 0.016 6 0.011 9 0.010 9 0.010 2

Table 3 Precision rate under different topic numbers and thresholds on Foursquare
表 3 在 Foursquare 数据集上不同主题数与阈值下的精确率
Topic
α 10 20 30 40 50 60 70
0.80 0.011 4 0.011 1 0.012 2 0.012 6 0.012 7 0.012 6 0.012 3
0.825 0.012 6 0.013 1 0.012 8 0.013 5 0.013 6 0.013 6 0.013 5
0.85 0.012 6 0.012 9 0.013 0 0.012 8 0.013 3 0.013 4 0.013 3
0.875 0.012 5 0.012 7 0.013 1 0.013 5 0.013 5 0.013 5 0.013 4
0.90 0.011 6 0.012 0 0.012 1 0.012 1 0.012 0 0.012 0 0.011 9
Table 4 Recall rate under different topic numbers and thresholds on Yelp
表 4 在 Yelp 数据集上不同主题数与阈值下的召回率
Topic
α 10 20 30 40 50 60 70
0.80 0.050 2 0.051 8 0.043 7 0.053 5 0.043 1 0.041 1 0.034 5
0.825 0.056 8 0.057 5 0.055 9 0.058 1 0.056 4 0.056 2 0.054 9
0.85 0.055 9 0.056 4 0.056 4 0.056 4 0.055 7 0.055 1 0.054 9
0.875 0.055 9 0.056 4 0.056 4 0.057 2 0.054 4 0.052 7 0.054 6
0.90 0.055 1 0.049 3 0.050 3 0.056 4 0.040 4 0.037 2 0.034 5