.png){kind=icon}
返回
Trust-enhanced POI recommendation algorithm using expectation-maximization
.png){kind=icon}
PRE
AI
DOI：10.1007/s13278-025-01545-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
兴趣点（POI）推荐系统随着旅行者依赖移动技术和基于位置的社会网络来发现新地点而变得越来越重要。然而，现有方法往往在静态用户偏好、信任建模不足和极端数据稀疏性方面存在困难。本文介绍了ExMax，一种动态信任增强推荐框架，利用期望最大化（Expectation-Maximization）理论来解决这些局限性。ExMax采用一种新颖的签到矩阵表示方法，能够适应不断变化用户兴趣，整合友谊网络信息以提升推荐质量，并结合情感分析来捕捉超出评分的细微满意度信号。该框架的迭代概率模型能在稀疏数据中发现潜在特征，即使互动历史有限也能实现有意义的推荐。该算法的离线学习时间复杂度为$$O(T \cdot |R| \cdot F \cdot K)$$，其中T代表EM迭代次数（通常为20-30），|R|表示观测评分，F表示特征，K代表梯度步数。尽管稀疏矩阵操作和并行化潜力提供了一定缓解，但迭代性质对拥有数亿用户的平台构成了可扩展性挑战。在Yelp、Gowalla和Brightkite数据集上的实验评估表明，ExMax在各项指标上均优于现有方法。结果表明，整合动态偏好建模、社会信任信号和上下文信息为基于位置的推荐系统提供了有前景的方向，尤其是在推荐质量能够证明计算成本的情况下。本研究展示了概率建模如何有效捕捉位置发现的动态性和社会性，同时承认迭代优化固有的计算权衡。
Keyword:
Point-of-interest recommendation
Expectation-maximization
Location-based social networks
Trust-enhanced recommendation
Dynamic preference modeling
期刊
S
IF:
2.8
论文数:
84
被引数:
0
机构
引用论文
.png){kind=icon}
查看更多内容