上传者: 44248112
|
上传时间: 2021-06-17 16:24:03
|
文件大小: 398KB
|
文件类型: PDF
兴趣点( POI) 的签到数据体现了用户的偏好和兴趣点的分布特征,这在兴趣点推荐领域有极为重要的价值. 为了缓解 数据稀疏造成的推荐不准确等问题,本文提出了融合时间序列的 POI 动态推荐算法,结合用户与用户之间的关系、兴趣点位置 以及流行度信息等. 首先划分时间序列,得到时间因子的相似度;其次时间序列融入到基于用户的协同过滤算法,再根据时间的 连续性特征得到基于用户的预测评分,然后将地理影响因子与基于时间的流行度信息结合,预测用户的评分,进而与基于用户 的评分加权融合;最后,在 Gowalla 数据集上进行实验,结果表明,本文提出的融合时间序列的 POI 动态推荐算法能够有效减小 推荐误差,