Please wait a minute...
Advanced Search
数据分析与知识发现  2018, Vol. 2 Issue (3): 9-21     https://doi.org/10.11925/infotech.2096-3467.2017.1123
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
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)
Classification Recommendation Based on ESSVM
Hou Jun1,2,3(), Liu Kui1, Li Qianmu2
1(School of Marxism Studies, Nanjing University of Science and Technology, Nanjing 210094, China)
2(School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing 210094, China)
3(Zijin College, Nanjing University of Science and Technology, Nanjing 210094, China)
全文: PDF (2792 KB)   HTML ( 4
输出: BibTeX | EndNote (RIS)      
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。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
侯君
刘魁
李千目
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    
Abstract

[Objective] The traditional interest point recommendation methods are mostly based on simple context and can only recommend objects that are the most popular, cheapest or the closest to interest points. Combines time, category information with user’s check-in records, and make up for the shortcomings of traditional interest points recommendation methods with characteristics of user’s preference, and provide support for improving recommendation accuracy. [Methods] The interest point recommendation is considered as a sorting problem. In this paper, ESSVM (Embedded space ranking SVM) is proposed based on embedded spatial sorting support vector machine model to classify interest points according to different features. User preferences are captured using check-in data, and machine learning models are used to adjust the importance of different attributes in sorting. [Results] Compared with UserCF, VenueCF, PoV, NNR and other recommendation methods, ESSVM not only can capture individual heterogeneous preferences, but also can reduce the consumption of the training model of time. [Limitations] Collecting and integrating different contextual information from different location based social networks (LBSNs) will take a lot of work. In addition, if users reduce the granularity of time and class in ESSVM, they maybe need to solve the problem of data sparseness. [Conclusions] This method takes account of the impact of time variation on user preferences, as well as the location categories that users visit at different times. By providing useful contextual information and check-in records, it provides personalized suggestions.

Key wordsContext Sensitive Interest Points    Embedded Space Ranking    SVM    Recommendation Algorithm
收稿日期: 2017-11-23      出版日期: 2018-04-03
ZTFLH:  TP391  
基金资助:*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
引用本文:   
侯君, 刘魁, 李千目. 基于ESSVM的分类推荐*[J]. 数据分析与知识发现, 2018, 2(3): 9-21.
Hou Jun,Liu Kui,Li Qianmu. Classification Recommendation Based on ESSVM. Data Analysis and Knowledge Discovery, 2018, 2(3): 9-21.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2017.1123      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2018/V2/I3/9
方法 优点 缺点
Random Walk[7] 注重用户先前没去过的地方; 考虑社会关系和兴趣点访问数据 有限的上下文信息;
假设性太强
Geo-Social Network[2] 利用指定的地理位置; 对未
访问场所的有效建议
冷启动问题;
缺乏时间背景
MGM[3] 模拟用户check-in行为的地
理影响; 结合用户的社会信
息和地理影响
极弱的稀疏频率数据;
简单的上下文信息;
忽略用户在时间效应
上的偏好变化
CIAP[4] 利用来自各个设备的上下
文日志开发上下文感知偏
好; 结合普遍偏好和个体
偏好
花费大量时间处理和
分析大量上下文日志; 忽视个人隐私的保护
TenInt[5] 专注个性化推荐; 结合用户
的社会信息和时间背景
极弱的上下文数据;
无法解释的推荐
TAP-F[6] 克服登记数据稀疏的问题;
捕获由于时间影响用户偏
好的改变
有限的上下文信息;
假设性太强
  同类研究方法分析
  ESSVM中的嵌入式空间
  曼哈顿的check-in数据兴趣点
  不同类别的check-in数据比重
  在不同类别下每个时间段上的分布
  在一周每天中不同类别的check-in数据
  不同类别下4个用户的check-in数据
字段 描述
checkinsCount 所有存在的check-in数据
usersCount 此处已check-in的所有用户
tips 这里的提示数量
likes 喜欢这个兴趣点的用户数量
rating 兴趣点数值评级(0-10)
photos 这个兴趣点的照片数量
price 价格从1(最低价)- 4(最昂贵)
veri?ed 布尔值, 表示该业务的所有者是否已经声明
并验证了这些信息
createdAt 创建兴趣点的时间戳
beenHere 用户到此处的次数
  属性描述
  不同粒度下的用户偏好
  用户在不同类别中的常见偏好
  不同推荐列表长度下, ESSVM和RSVM的结果
  不同时间段内ESSVM和RSVM的结果
  ESSVM与RSVM之间的时间消耗比较
  不同时间段的实际check-in和推荐的比较
  不同长度推荐列表下ESSVM和基线方法的结果
  不同时间段内ESSVM和基线方法的结果
[1] Chen Z, Li T, Sun Y.A Learning Approach to SQL Query Results Ranking Using Skyline and Users’ Current Navigational Behavior[J]. IEEE Transactions on Knowledge and Data Engineering, 2013, 25(5): 2683-2693.
doi: 10.1109/TKDE.2012.128
[2] Linden G, Smith B, York J.Amazon.com Recommendations: Item-to-Item Collaborative Filtering[J]. IEEE Internet Computing, 2003, 7(2): 76-80.
doi: 10.1109/MIC.2003.1167344
[3] Noulas A, Scellato S, Lathia N, et al.A Random Walk Around the City: New Venue Recommendation in Location-based Social Networks[C]//Proceedings of the 11th International Confernece on Privacy, Security, Risk and Trust. 2012.
[4] Bao J, Zheng Y, Mokbel M F.Location-based and Preference- aware Recommendation Using Sparse Geo-Social Networking Data[C]//Proceedings of the 20th International Conference on Advances in Geographic Information Systems. 2012.
[5] Zhu H, Chen E, Xiong H, et al.Mining Mobile User Preferences for Personalized Context-aware Recommendation[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2015, 21(5): 58-75.
doi: 10.1145/2532515
[6] Yao L, Sheng Q Z, Qin Y, et al.Context-aware Point-of- Interest Recommendation Using Tensor Factorization with Social Regularization[C] // Proceedings of the 38th International ACM SIGIR Conference on Research and Development in Information Retrieval. 2015.
[7] Ying Y, Chen L, Chen G.A Temporal-Aware POI Recommendation System Using Context-aware Tensor Decomposition and Weighted HITS[J]. Neurocomputing, 2017, 242: 195-205.
doi: 10.1016/j.neucom.2017.02.067
[8] Ricci F, Rokach L, Shapira B.Introduction to Recommender Systems Handbook[M]. Springer, 2012.
[9] Samworth R J.Optimal Weighted Nearest Neighbour Classifiers[J]. The Annals of Statistics, 2012, 40(6): 2733-2763.
doi: 10.1214/12-AOS1049
[1] 丁勇,程璐,蒋翠清. 基于二部图的P2P网络借贷投资组合决策方法 *[J]. 数据分析与知识发现, 2019, 3(12): 76-83.
[2] 王永,邓江洲,邓永恒,张璞. 基于项目概率分布的协同过滤推荐算法*[J]. 现代图书情报技术, 2016, 32(6): 73-79.
[3] 王伟军, 宋梅青. 一种面向用户偏好定向挖掘的协同过滤个性化推荐算法[J]. 现代图书情报技术, 2014, 30(6): 25-32.
[4] 原福永, 蔡红蕾. 一种在信任网络中随机游走的推荐算法[J]. 现代图书情报技术, 2014, 30(10): 70-75.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn