咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >结合流行度特征和核密度估计的兴趣点推荐算法 收藏

结合流行度特征和核密度估计的兴趣点推荐算法

Point-of-Interest Recommendation Algorithm Combining Popularity Feature and Kernel Density Estimation

作     者:司亚利 李峰 宋亚伟 SI Ya-li;LI Feng;SONG Ya-wei

作者机构:燕山大学信息科学与工程学院河北秦皇岛066004 燕山大学里仁学院河北秦皇岛066004 东北大学秦皇岛分校计算机与通信工程学院河北秦皇岛066004 

出 版 物:《小型微型计算机系统》 (Journal of Chinese Computer Systems)

年 卷 期:2016年第37卷第11期

页      面:2416-2420页

核心收录:

学科分类:081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 

基  金:国家自然科学基金项目(61300193 61379116)资助 河北省自然科学基金项目(F2015501105 F2015203046)资助 

主  题:基于位置社交网络 兴趣点推荐 流行度特征 核密度估计 

摘      要:基于位置社交网络中的兴趣点推荐不仅能够帮助用户有效挖掘新地点,带来新体验,还可以帮助兴趣点商家向用户发送广告,提高商业效益.针对兴趣点推荐中存在的精度低问题,提出一种结合流行度特征和核密度估计的兴趣点推荐算法.首先从位置社交网络大量的签到数据中分别提取兴趣点流行度特征和时间连续性特征,然后提出基于连续时间槽的兴趣点流行度评估方法.在此基础上,采用二维高斯核密度估计设计一个兴趣点推荐算法PKDE,最后在三个大型真实社交网络的签到数据集上进行实验对比和分析.实验表明,与已有同类算法相比,本文提出的兴趣点推荐算法能够有效提高推荐精度和召回率.

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分