|
|
1.
融合时空信息和兴趣点重要性的POI推荐算法
李寒露, 解庆, 唐伶俐, 刘永坚
计算机应用
2020, 40 (9):
2600-2605.
DOI: 10.11772/j.issn.1001-9081.2020010060
针对兴趣点（POI）推荐研究中数据噪声过滤问题和不同POI的重要性问题，提出了一种融合时空信息和兴趣点重要性的POI推荐算法——RecSI。首先，根据POI的地理信息和POI之间相互吸引力过滤噪声数据，缩小候选集的范围；其次，根据用户在一天中不同的时间段对POI类别的偏好程度，结合POI的流行度计算出用户的偏好得分；然后，结合社交信息和加权PageRank算法计算POI重要性；最后，将用户的偏好得分和POI重要性线性结合，以向用户推荐TOP-
K的POI。在Foursquare真实的签到数据集上的实验结果表明，RecSI算法的精确率和召回率比最优的GCSR算法分别提高了12.5%和6%，验证了RecSI算法的有效性。
参考文献 |
相关文章 |
多维度评价
|
|
