时间序列融合的POI动态推荐算法提升推荐准确性

"该文提出了一种融合时间序列的POI动态推荐算法，旨在解决兴趣点推荐中的数据稀疏问题，提高推荐准确性。通过分析用户的签到数据，结合用户之间的关系、兴趣点的位置和流行度信息，算法首先划分时间序列以获取时间因子的相似度，然后将时间序列融入基于用户的协同过滤算法，利用时间连续性预测用户评分。接着，算法结合地理影响因子和基于时间的流行度信息来进一步预测用户评分，并对不同来源的评分进行加权融合。实验证明，该算法在Gowalla数据集上表现出降低推荐误差、提高推荐精度和召回率的效果。" 这篇论文主要关注的是兴趣点(POI)推荐系统，特别是如何利用时间序列分析来提升推荐的准确性和效率。POI推荐系统是基于用户的历史行为数据，如签到记录，来推测用户的兴趣并推荐相关的地点。然而，由于数据的稀疏性，传统的推荐算法可能无法准确地捕捉用户的实时偏好。 作者提出了一种新的融合时间序列的POI动态推荐算法。该算法的关键步骤包括： 1. **时间序列划分**：通过对用户签到数据的时间序列进行划分，可以捕捉到用户在不同时间段的兴趣变化，从而得到时间因子的相似度。 2. **协同过滤与时间连续性**：将时间序列的信息融入基于用户的协同过滤模型，利用时间连续性预测用户对未访问过POI的评分。协同过滤是一种常用的推荐系统技术，通过分析用户之间的共同行为模式来预测用户可能的兴趣。 3. **地理影响因子**：考虑地理位置因素，因为用户的兴趣可能受到其所在区域的影响。将地理影响因子与基于时间的流行度信息相结合，可以更精确地预测用户对POI的评分。 4. **评分预测与加权融合**：最后，通过加权融合基于用户关系的评分预测和基于地理及时间流行度的评分预测，得出最终的推荐结果。这种方法可以综合多种信息源，提高推荐的全面性和准确性。 实验结果在Gowalla数据集上验证了该算法的有效性，它成功减少了推荐误差，提高了推荐的精度和召回率，表明了时间序列分析在POI推荐系统中的重要作用。此外，该工作还得到了国家自然科学基金和河北省自然科学青年基金的支持，体现了该领域的研究价值和实际应用潜力。