主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2019-2020年专刊出版计划 微信服务介绍 最新一期:2019年第3期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
戴琳,孟祥武,张玉洁,纪威宇.一种融合多种数据信息的餐馆推荐模型.软件学报,0,(0):0
一种融合多种数据信息的餐馆推荐模型
Restaurant Recommendation Model with Multiple Imformation Fusion
投稿时间:2017-07-19  修订日期:2017-11-01
DOI:10.13328/j.cnki.jos.005540
中文关键词:  餐馆推荐|概率张量分解|相似关系|BPR优化|梯度下降
英文关键词:restaurant recommendation|probabilistic tensor factorization|similar relation|BPR-Opt|gradient descent
基金项目:北京市教育委员会共建项目
作者单位E-mail
戴琳 智能通信软件与多媒体北京市重点实验室(北京邮电大学), 北京 100876
北京邮电大学 计算机学院, 北京 100876 
 
孟祥武 智能通信软件与多媒体北京市重点实验室(北京邮电大学), 北京 100876
北京邮电大学 计算机学院, 北京 100876 
mengxw@bupt.edu.cn 
张玉洁 智能通信软件与多媒体北京市重点实验室(北京邮电大学), 北京 100876
北京邮电大学 计算机学院, 北京 100876 
 
纪威宇 智能通信软件与多媒体北京市重点实验室(北京邮电大学), 北京 100876
北京邮电大学 计算机学院, 北京 100876 
 
摘要点击次数: 117
全文下载次数: 96
中文摘要:
      餐馆推荐可以利用用户的签到信息、时间上下文、地理上下文、餐馆属性信息以及用户的人口统计信息等发掘用户的饮食偏好,为用户生成餐馆推荐列表。为了更加有效地融合这些数据信息,本文提出了一种融合多种数据信息的餐馆推荐模型,该模型首先利用签到信息和时间上下文构建“用户-餐馆-时间片”的三维张量,同时利用其他数据信息发掘若干用户相似关系矩阵和餐馆相似关系矩阵;然后在概率张量分解的基础上同时对这些关系矩阵进行分解,并利用BPR优化准则和梯度下降算法进行模型求解;最后得到预测张量,从而为目标用户在不同时间片生成相应的餐馆推荐列表。在两个真实数据集上的实验表明:相比于目前存在的餐馆推荐模型,本文提出的模型有着更好的推荐效果和可接受的运行时间,并且缓解了数据稀疏性的对推荐效果的影响。
英文摘要:
      Restaurant recommendation can leverage check-ins, time, location, restaurant attributes and user demographics to dig user's dining preference, and recommend a list of restaurants for each user. In order to fuse these data information more effectively, this paper proposes a restaurant recommendation model with multiple information fusion. Firstly this model constructs a three-dimensional tensor by using check-ins and time context, and digs some users' similar relation matrices and restaurants' similar relation matrices from additional data information. Secondly these relation matrices and tensor are decomposed simultaneously. Then bayesian personalized ranking optimization criterion method(BPR Opt) and gradient descent algorithm are adopted to solve the model parameters. Finally our model generates a corresponding restaurant candidate list for target user at different time by calculating predicted tensor. We conduct a comprehensive experimental study on two real-world datasets. The experimental results not only validate the efficacy of our proposed model, which outperforms the current restaurant recommendation model and effectively alleviates influence of the data sparsity on recommendation performance, but also evaluate the efficiency of our model, which has acceptable running time.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利