Spatial Object Recommendation with Hints: When Spatial Granularity Matters
现有的空间对象推荐算法在对空间对象进行排序时通常以相同的方式对待对象。然而,空间对象往往包含不同层次的空间粒度,因而具有异构性。例如,一个用户可能更喜欢被推荐一个地区(例如曼哈顿),而另一个用户可能更喜欢一个地点(例如餐馆)。即使对于同一个用户,偏好也可能在数据探索的不同阶段发生变化。本文研究了如何支持不同空间粒度的top-𝑘空间对象推荐,使不同粒度的空间对象,如城市、郊区或建筑物,成为一个兴趣点(POI)。为解决这个问题,本文提出使用POItree,捕捉兴趣点之间的空间包含关系。本文设计了一种新的多任务学习模型MPR (Multi-level POIRecommendation),其中每个任务旨在返回在一定空间粒度级别上的top-𝑘 poi 。每个任务由两个子任务组成:(i)基于属性的表示学习;(ii)基于交互的表示学习。第一个子任务学习用户和兴趣点的特征表示,直接从他们的配置文件中捕获属性。第二个子任务将用户-兴趣点交互合并到模型中。此外,MPR可以根据三种类型的提示(用户方面、方向方面和交互方面)来深入了解为什么向用户提出某些建议。用两个真实的数据集对所提出方法进行了实证验证,并比几种最先进的方法显示出了有希望的性能改进。
一研究问题:
我们将此称为多层次POI推荐问题,旨在从每个空间粒度级别推荐top-𝑘POI候选
二挑战
它可能