raybet雷竞app|雷竞技官网下载|雷电竞下载苹果

SPgydF4y2Ba

科学的规划gydF4y2Ba

1875 - 919 xgydF4y2Ba 1058 - 9244gydF4y2Ba

HindawigydF4y2Ba

10.1155 / 2018/3907804gydF4y2Ba

3907804gydF4y2Ba

研究文章gydF4y2Ba

通过动态张量完成改善POI的建议gydF4y2Ba

廖gydF4y2Ba

JinzhigydF4y2Ba

^1gydF4y2Ba 唐gydF4y2Ba

JiuyanggydF4y2Ba

^1gydF4y2Ba ^2gydF4y2Ba

http://orcid.org/0000 - 0001 - 6339 - 0219gydF4y2Ba

赵gydF4y2Ba

香gydF4y2Ba

^1gydF4y2Ba ^2gydF4y2Ba 商gydF4y2Ba

HaichuangydF4y2Ba

^3gydF4y2Ba ^4gydF4y2Ba 主席gydF4y2Ba

AutiliagydF4y2Ba

^1gydF4y2Ba

重点实验室的科学和技术信息系统工程gydF4y2Ba

国防科技大学gydF4y2Ba

长沙gydF4y2Ba

中国gydF4y2Ba

nudt.edu.cngydF4y2Ba

^2gydF4y2Ba

地理空间技术的协同创新中心gydF4y2Ba

武汉gydF4y2Ba

中国gydF4y2Ba ^3gydF4y2Ba

国家信息和通信技术gydF4y2Ba

东京gydF4y2Ba

日本gydF4y2Ba

nict.go.jpgydF4y2Ba

^4gydF4y2Ba

工业科学研究所gydF4y2Ba

东京大学gydF4y2Ba

东京gydF4y2Ba

日本gydF4y2Ba

u-tokyo.ac.jpgydF4y2Ba

2018年gydF4y2Ba

13gydF4y2Ba 11gydF4y2Ba 2018年gydF4y2Ba

2018年gydF4y2Ba 22gydF4y2Ba 05年gydF4y2Ba 2018年gydF4y2Ba 30.gydF4y2Ba 07年gydF4y2Ba 2018年gydF4y2Ba 07年gydF4y2Ba 08年gydF4y2Ba 2018年gydF4y2Ba 13gydF4y2Ba 11gydF4y2Ba 2018年gydF4y2Ba

2018年gydF4y2Ba

这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

POI推荐发现显著的重要性在各种真实的应用程序中,尤其是在会见定位服务,例如,社交网络签到。在本文中,我们提出通过小说解决POI的推荐模型的动态张量,这是最早的胜利。为了进行及时的建议,我们预测POI利用基于快速完成算法低秩张量。特别是动态张量结构辅以快速低秩张量算法完成与更好的性能,从而达到预测的参数优化是通过pigeon-inspired启发式算法。简而言之,我们的POI建议通过动态张量方法可以利用签到数据的内在特征由于多模电流等特性分类,随后的类别,和时间信息以及季节变化都集成到模型中。大量实验结果不仅验证我们提出的方法的优越性,也意味着大规模的应用前景和实时POI推荐环境。gydF4y2Ba

中国国家自然科学基金gydF4y2Ba

61872446gydF4y2Ba

71690233gydF4y2Ba

71331008gydF4y2Ba

1。介绍gydF4y2Ba

移动推荐系统发挥了不可或缺的作用在人们的日常生活。例如,人们自然会把手机找餐馆吃饭,商店,和游乐园空闲时间。随着全球定位系统(GPS),基于位置的社交网络服务(LBSNs),例如,Foursquare, Facebook地点服务,谷歌的地方,等等,加强人们之间的关系。通过这些平台,人们可以很容易地访问信息的流行的兴趣点(POI)可能会迎合他们的喜好。因此,综合分析POIs通过上网登记数据可以推荐更准确,适合人们的需要。gydF4y2Ba

准确和及时的建议是一个理想的POI推荐系统的重要组成部分。例如,当用户离开火车站在夏夜,酒店和餐馆、酒吧和夜总会,而是应该建议由于常识,寻找地方安定下来是最重要的,尽管他或她是夜总会的国王或王后。这种情况可以简要描述图gydF4y2Ba 1gydF4y2Ba。随后,休息片刻后,酒吧或夜总会将出现在用户的推荐列表,当他/她试图为另一个搜索。加上,如果用户到中午,系统应该相应地建议甜点店或咖啡馆,而不是夜总会。同时,不同季节可能会导致不同的推荐在相同的情况下,如火锅餐馆在严寒的冬季和冷饮店铺在炎热的夏季。gydF4y2Ba

图1gydF4y2Ba

POI的推荐问题的草图。gydF4y2Ba

可信的POI建议严重依赖于用户签到数据。为了满足实时任务的性质,传统方法通常诉诸解决user-POI矩阵的稀疏矩阵分解(gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba 2gydF4y2Ba]。然而,本质上来说,签到数据包含多模信息,由现有的功能被忽视的方法。换句话说,基于矩阵分解的方法受到限制,签到的信息数据不充分利用和使用主要集中在低维模式,从而牺牲了高维数据的模式。gydF4y2Ba

直观地说,如果一个模型处理数据和更高的维度,它可以挖掘更多的信息和相应的预测结果更加准确和可靠gydF4y2Ba 3gydF4y2Ba]。最近的研究已经证明,张量,与高维矩阵扩张,可以更好地解释数据与其他结构相比,多模(gydF4y2Ba 4gydF4y2Ba]。因此,提出了基于张量的方法来解决POI推荐问题。因为数据是固定在不同的维度,例如,只有用户的当前位置和下一个位置数据提出了双向张量,以及用户之间的相似性计算之间的位置。基于相似,模型推荐其他用户访问的位置。由于更多的附加维度,预测性能tensor-based方法超出了基于矩阵的方法(gydF4y2Ba 5gydF4y2Ba]。gydF4y2Ba

因此,有许多基于张量分解方法提出改善性能。程等人第一次连续添加时间戳的POI的建议。他们提出下一个个性化的POI推荐问题;构造入住张量和分解个性化的马尔可夫链(FBMC)是利用(gydF4y2Ba 6gydF4y2Ba限制运动。向用户推荐最可能的连续POIs,时空潜伏排名模型,强调了时间的重要性,提出了赵et al。gydF4y2Ba 7gydF4y2Ba]。然而,以往的方法忽视个性化因素,未能结合位置信息的实时情况。李等人。gydF4y2Ba 5gydF4y2Ba]提出time-aware都可以个性化的马尔可夫链(TA-FBMC),清晰,他们采用张量签到数据的存储空间和时间特征。连续两个签入之间的相关性研究,利用time-decay因素权衡短期区间和长期间隔签到数据预测。gydF4y2Ba

尽管TA-FBMC的优越性,至少有两个缺点:gydF4y2Ba (我)gydF4y2Ba

模型的复杂性gydF4y2Ba。整个模型是建立在一个静态的张量,这意味着他们把所有签到数据在每个计算。尽管TA-FBMC包含time-decay下降的影响因素原始数据,计算复杂度是一样的,很难决定的价值因素。gydF4y2Ba

(2)gydF4y2Ba

冗余造成用户维度gydF4y2Ba。用户被认为是一个额外的维度,这不仅人为地扩大规模的数据,也把这一事实人们倾向于寻求统一的大数据背景。此外,当一个新用户进入推荐系统,个性化功能未能产生承诺的性能。gydF4y2Ba

因此,现有研究明确差距和潜在的应用程序可以被识别。gydF4y2Ba

在本文中,我们探讨缩小差距通过开发一个更精确的方法,即Prido (POI推荐通过动态张量),使充分利用多模签到数据以提高POI的性能的建议。具体来说,按照张量的成功应用领域的建议,我们想象一个动态张量模型POI的建议。在上面,我们也开发一个启发式的张量完井方法,即低秩张量的基础上完成的方法。与现有方法相比,Prido认为更多的类别特征水流模式,下一个分类模式,月模式,和时间模式的签到数据,并利用更先进的张量算法,有效的优化策略,完成更高的精度和效率。实证评估,我们进行广泛真实的实验数据,并比较该方法与一些先进的方法。实证结果证明Prido显著提高了整体性能相比竞争对手。gydF4y2Ba

1.1。贡献gydF4y2Ba。简而言之,本文的贡献可以总结四部分组成:gydF4y2Ba (一)gydF4y2Ba

我们建议与动态结构张量模型POI的建议,利用所有可用的功能方面,那就是,我们最好的知识,第一批尝试gydF4y2Ba

(b)gydF4y2Ba

构造一个清晰张量来捕获用户的偏好之间的连续两个类别在不同的季节和不同的时间gydF4y2Ba

(c)gydF4y2Ba

类别信息推荐利用低秩张量的快速完井方法,配备pigeon-inspired算法和优化参数gydF4y2Ba

(d)gydF4y2Ba

该方法实际签到数据集上验证和演示提供显著的改善方案的效率和准确性gydF4y2Ba

1.2。组织gydF4y2Ba。部分gydF4y2Ba 2gydF4y2Ba概述相关工作领域的各种推荐方法POI的建议。必要的背景知识后,该方法Prido介绍部分gydF4y2Ba 3gydF4y2Ba包括特定的模型和算法。在部分实验研究报告gydF4y2Ba 4gydF4y2Ba,结论部分阐述了gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

2。相关工作gydF4y2Ba

作为一种特殊形式的项目建议,POI的建议,将上网登记数据转换成物理行为的建议,有助于学术和工业发展。因此,大量的方法用于处理POI推荐任务。gydF4y2Ba

协同过滤(CF)是用于处理的POI建议问题[gydF4y2Ba 8gydF4y2Ba),然后成为一种广泛使用的技术,持续发展。CF-based系统可以大致分为两个部分,即:基于内存的CF系统和基于模型的CF系统。在前,还有两个子类,也就是说。,(1)user-based systems, which calculated the similarity between each pair of users [ 9gydF4y2Ba),(2)基于项目系统,计算每一对项目之间的相似度(gydF4y2Ba 10gydF4y2Ba]。基于模型的CF,在另一个方向发展,数据挖掘技术被添加到系统中,以提高性能。程等人提出了一个方法融合矩阵分解与地理和社会影响因素对POI推荐(gydF4y2Ba 11gydF4y2Ba]。同时,高等人利用社交网络的信息处理本身的问题(gydF4y2Ba 12gydF4y2Ba]。值得注意的是,这些CF模型不能透露的multifeatures签到数据。因此,方法未能解决数据稀疏问题。gydF4y2Ba

最近,人们更加注重扩张的因素,以提高模型的解释力。基于贝叶斯网络、公园等人介绍了用户配置文件来评估用户配置文件之间的匹配和餐厅概要文件和输出推荐结果根据匹配分数(gydF4y2Ba 13gydF4y2Ba]。然后,你们等人利用幂律分布,包括地理影响,实现更精确的POI推荐(gydF4y2Ba 14gydF4y2Ba]。结合核密度估计和地理的影响提出了Chow签到行为模型(gydF4y2Ba 15gydF4y2Ba]。张和Chow采用的重力模型利用时空顺序影响位置建议(gydF4y2Ba 16gydF4y2Ba]。元等人将时间因素在计算两个用户之间的相似度的历史同时签入(gydF4y2Ba 17gydF4y2Ba]。社会影响的重要性POI的建议也提出了在先前的研究中,通过长期推荐的质量能得到改善(gydF4y2Ba 18gydF4y2Ba]。与地理相关性、社会关系和分类之间的相关性用户和POIs考虑,张和Chow引入内核估算方法解决POI推荐(gydF4y2Ba 19gydF4y2Ba]。将线性模型转化为一个非线性模型,张等人提出了一种矩阵分解方法学习最潜在的两个或更多属性相互作用[gydF4y2Ba 20.gydF4y2Ba]。但是,先前的模型所有POI的问题转换成一个地理特征在传统项目推荐任务,签到数据的内在关系被忽视的地方。gydF4y2Ba

尽管神经网络的繁荣和成功的应用在许多领域,几乎没有进步POI推荐领域,签到数据的异构特性,转换的输入可能会增加模型的复杂性。在各种神经网络,复发性神经网络(RNN)已被证明比其他方法在建模顺序任意长度的数据隐藏的反复计算表征(gydF4y2Ba 21gydF4y2Ba]。陈等人提出的检测从他们的基于地理位置的微博用户的兴趣,然后建立了位置和用户利益之间的映射(gydF4y2Ba 22gydF4y2Ba]。刘等人建模用户的签到数据的顺序,然后利用RNN解决推荐问题[gydF4y2Ba 23gydF4y2Ba]。同时,张等人提出的非线性变换提取基于用户和POI-based空间的意图,分别解决本身的问题(gydF4y2Ba 24gydF4y2Ba]。其中,图论方法gydF4y2Ba 25gydF4y2Ba)也可以被应用到基于位置的社交网络但尚未在POI的建议。gydF4y2Ba

近年来,张量,证明了高维矩阵扩张,有突出的优势,与其他方法相比而言,解释数据和多模(gydF4y2Ba 3gydF4y2Ba,gydF4y2Ba 4gydF4y2Ba),例如,它已经成功地应用于交通流预测(gydF4y2Ba 26gydF4y2Ba]。被传统的张量方法,完成新的解决方案如CP,塔克,张量的火车gydF4y2Ba 27gydF4y2Ba),和张量网络(gydF4y2Ba 28gydF4y2Ba)提出了优化的结构张量的方法。毫无疑问,解决很难打败其他的所有场景因为不同的POI推荐任务需要不同的模型来捕获的核心问题和适当的模型应该处理多样化的现实要求。为了充分利用数据的潜在模式,我们提出本文Prido,实现承诺的结果进行验证。gydF4y2Ba

3所示。方法gydF4y2Ba

在本节中,阐述了动态张量模型,其次是引入张量算法完成个性化的张量,其次是pigeon-inspired参数优化过程。gydF4y2Ba

3.1。动态张量模型的分类预测gydF4y2Ba

张量是详细的基本知识,以及动态张量模型设计然后提出了个性化推荐。gydF4y2Ba

3.1.1。张量的基础gydF4y2Ba

张量是一个高维数据表示,表达式可以1-mode(向量)和2-mode(矩阵)。一个张量与gydF4y2Ba ngydF4y2Ba 模式表示为gydF4y2Ba XgydF4y2Ba ∈gydF4y2Ba ℛgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba …gydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ,在那里gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 代表模式gydF4y2Ba ngydF4y2Ba 数量和特定的元素gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba kgydF4y2Ba ,在那里gydF4y2Ba 1gydF4y2Ba ≤gydF4y2Ba kgydF4y2Ba ≤gydF4y2Ba ngydF4y2Ba 。至于gydF4y2Ba 录取入学gydF4y2Ba运营商的目标是发展一个张量表示成一个矩阵gydF4y2Ba 展开gydF4y2Ba XgydF4y2Ba ,gydF4y2Ba ngydF4y2Ba =gydF4y2Ba XgydF4y2Ba ngydF4y2Ba 和张量的元素gydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 映射到矩阵元素gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba JgydF4y2Ba ,在那里gydF4y2Ba (1)gydF4y2Ba JgydF4y2Ba =gydF4y2Ba ∏gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba ≠gydF4y2Ba ngydF4y2Ba kgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba

入学考试由的逆转gydF4y2Ba 褶皱gydF4y2Ba XgydF4y2Ba ngydF4y2Ba ,gydF4y2Ba ngydF4y2Ba =gydF4y2Ba XgydF4y2Ba 类似的。gydF4y2Ba

具体地说,张量展开的首要任务是降维,将其转化为一个矩阵。而不是抽样特征值简单地从一个又一个的订单,张量展开样品从不同的订单在一个交替的方式实现传输和混合在一个张量特征值不同的订单。例如,一个张量的gydF4y2Ba 4gydF4y2Ba ×gydF4y2Ba 3gydF4y2Ba ×gydF4y2Ba 2gydF4y2Ba 会得到一个在第一维度gydF4y2Ba 4gydF4y2Ba ×gydF4y2Ba 6gydF4y2Ba 矩阵,其中六列构成第二个和第三个订单交替的特征值。至于张折叠,它是展开的逆操作。gydF4y2Ba

两个张量的乘积相同的大小gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba ∈gydF4y2Ba ℛgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba ⋯gydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba NgydF4y2Ba 被定义为的产品条目的总和,gydF4y2Ba (2)gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba …gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba NgydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba bgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

对于任何gydF4y2Ba 1gydF4y2Ba ≤gydF4y2Ba ngydF4y2Ba ≤gydF4y2Ba NgydF4y2Ba 之间的产品矩阵gydF4y2Ba 米gydF4y2Ba ∈gydF4y2Ba ℛgydF4y2Ba JgydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 和张量gydF4y2Ba 一个gydF4y2Ba ∈gydF4y2Ba ℛgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba ⋯gydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba NgydF4y2Ba 表示为gydF4y2Ba 一个gydF4y2Ba ×gydF4y2Ba ngydF4y2Ba 米gydF4y2Ba ,这是进一步转化为矩阵的乘积,gydF4y2Ba (3)gydF4y2Ba YgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba ×gydF4y2Ba ngydF4y2Ba 米gydF4y2Ba ⇔gydF4y2Ba YgydF4y2Ba ngydF4y2Ba =gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

弗罗贝尼乌斯规范一个张量是用的gydF4y2Ba XgydF4y2Ba FgydF4y2Ba =gydF4y2Ba XgydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 。显然,gydF4y2Ba XgydF4y2Ba FgydF4y2Ba =gydF4y2Ba XgydF4y2Ba kgydF4y2Ba 。gydF4y2Ba

3.1.2。张量流gydF4y2Ba

张量流是由一系列的张量,用gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba TgydF4y2Ba ,每个gydF4y2Ba XgydF4y2Ba tgydF4y2Ba ∈gydF4y2Ba ℛgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba ⋯gydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba 与gydF4y2Ba 1gydF4y2Ba ≤gydF4y2Ba tgydF4y2Ba ≤gydF4y2Ba NgydF4y2Ba 。系列索引的时间,呈现在图gydF4y2Ba 2gydF4y2Ba。动态张量模块gydF4y2Ba DgydF4y2Ba tgydF4y2Ba =gydF4y2Ba XgydF4y2Ba TgydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba TgydF4y2Ba tgydF4y2Ba 与每个gydF4y2Ba XgydF4y2Ba TgydF4y2Ba tgydF4y2Ba ∈gydF4y2Ba ℛgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba ⋯gydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 用张量的组合手段,张量流从最初的一个,如图gydF4y2Ba 3gydF4y2Ba所示。gydF4y2Ba

图2gydF4y2Ba

张量流的草图。gydF4y2Ba

图3gydF4y2Ba

素描的动态张量。gydF4y2Ba

自从Foursquare数据集具有时序特征,显然邻历史数据改善总体性能是至关重要的。结果,预测类别推荐可以转化为结构张量完成任务。gydF4y2Ba

3.1.3。动态张量gydF4y2Ba

我们的目标是提供特定用户POI建议在选定的时期,基于现有的数据。考虑到分类数据集只包含签到数据,通过比较FBMC [gydF4y2Ba 6gydF4y2Ba],FBMC-LR [gydF4y2Ba 29日gydF4y2Ba],TA-FBMC [gydF4y2Ba 5gydF4y2Ba),我们选择概率公式TA-FBMC执行数据转换。采用位置概率的平均值,从而减少重复计算的类别,TA-FBMC大幅节省时间成本和方程是正式的gydF4y2Ba (4)gydF4y2Ba PgydF4y2Ba cgydF4y2Ba lgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba CgydF4y2Ba lgydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba CgydF4y2Ba lgydF4y2Ba tgydF4y2Ba ∑gydF4y2Ba cgydF4y2Ba lgydF4y2Ba tgydF4y2Ba ∈gydF4y2Ba CgydF4y2Ba lgydF4y2Ba tgydF4y2Ba PgydF4y2Ba cgydF4y2Ba lgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba cgydF4y2Ba lgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

稳健是证明(gydF4y2Ba 5gydF4y2Ba]。gydF4y2Ba

PgydF4y2Ba cgydF4y2Ba lgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba cgydF4y2Ba lgydF4y2Ba tgydF4y2Ba 代表所有用户离开当前类别的概率gydF4y2Ba cgydF4y2Ba lgydF4y2Ba tgydF4y2Ba 和进入下一个类别gydF4y2Ba cgydF4y2Ba lgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 在gydF4y2Ba TgydF4y2Ba bgydF4y2Ba 。gydF4y2Ba lgydF4y2Ba =gydF4y2Ba lgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba lgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba lgydF4y2Ba ngydF4y2Ba 表示位置的集合gydF4y2Ba CgydF4y2Ba 表示位置的集合类,gydF4y2Ba CgydF4y2Ba lgydF4y2Ba tgydF4y2Ba 代表类别的集合gydF4y2Ba lgydF4y2Ba tgydF4y2Ba 可能属于。gydF4y2Ba cgydF4y2Ba lgydF4y2Ba tgydF4y2Ba ∈gydF4y2Ba CgydF4y2Ba lgydF4y2Ba tgydF4y2Ba 意味着当前位置的范畴gydF4y2Ba lgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba lgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ∈gydF4y2Ba CgydF4y2Ba lgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 代表当前位置的范畴gydF4y2Ba lgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 。根据现实的时间表,我们将每天24小时分成6间隔,黎明前(gydF4y2Ba TgydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 2、3、4、5gydF4y2Ba ),上午(gydF4y2Ba TgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 6、7、8、9gydF4y2Ba ),中午(gydF4y2Ba TgydF4y2Ba 3gydF4y2Ba =gydF4y2Ba 10、11、12、13所示gydF4y2Ba (下午),gydF4y2Ba TgydF4y2Ba 4gydF4y2Ba =gydF4y2Ba 14、15、16、17gydF4y2Ba ),晚上(gydF4y2Ba TgydF4y2Ba 5gydF4y2Ba =gydF4y2Ba 18、19、20、21gydF4y2Ba ),晚上(gydF4y2Ba TgydF4y2Ba 4gydF4y2Ba =gydF4y2Ba 22日,23日,24日,1gydF4y2Ba )。gydF4y2Ba

一个张量与4路是用来构造类别数据,包括当前类别,类别,个月,时间。整个结构相应的转换gydF4y2Ba BgydF4y2Ba tgydF4y2Ba ∈gydF4y2Ba ℛgydF4y2Ba ccgydF4y2Ba ×gydF4y2Ba 数控gydF4y2Ba ×gydF4y2Ba tgydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba ,在那里gydF4y2Ba ccgydF4y2Ba 和gydF4y2Ba 数控gydF4y2Ba 代表当前类别和下一个类别,gydF4y2Ba tgydF4y2Ba表示一天的间隔gydF4y2Ba 米gydF4y2Ba是历史的数量。进一步阐述了图结构gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

图4gydF4y2Ba

四维张量的草图。gydF4y2Ba

此外,我们精心设计的动态张量如下。现有的分类数据集与缺失的数据构成gydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba ,这是用于预测gydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba tgydF4y2Ba 。转换可以表示为gydF4y2Ba (5)gydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba tgydF4y2Ba =gydF4y2Ba fgydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

在预测阶段,动态张量更新本身,让人耳目一新gydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba 的预测结果gydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba tgydF4y2Ba 。新gydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba 被定义为gydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 和的大小gydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 是固定在gydF4y2Ba ccgydF4y2Ba ,gydF4y2Ba 数控gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 。换句话说,预测数据代替主数据。gydF4y2Ba

预测缺失的数据后,目前的类别数据完整性将得到改善;利用数据的数量和长度也会得到增强。gydF4y2Ba

简而言之,整个算法有关的结构动态张量完成封装在算法gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

<大胆>算法1:< /大胆> Prido。gydF4y2Ba

输入:gydF4y2Ba动态张量gydF4y2Ba BgydF4y2Ba tgydF4y2Ba ,现有的集gydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba ,预测集gydF4y2Ba TgydF4y2Ba tgydF4y2Ba 目标时间gydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba 、参数gydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba =gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba ngydF4y2Ba ;gydF4y2Ba

输出:gydF4y2Ba预测gydF4y2Ba TgydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba 。gydF4y2Ba

1gydF4y2Ba

初始化gydF4y2Ba 一个gydF4y2Ba 0gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba ngydF4y2Ba

2gydF4y2Ba

而gydF4y2Ba tgydF4y2Ba ≠gydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba 做gydF4y2Ba

3gydF4y2Ba

一个gydF4y2Ba tgydF4y2Ba =gydF4y2Ba PIOgydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba

4gydF4y2Ba

BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba tgydF4y2Ba =gydF4y2Ba FALRTCgydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba

5gydF4y2Ba

TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 刷新gydF4y2Ba TgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba

6gydF4y2Ba

tgydF4y2Ba =gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba

7gydF4y2Ba

返回gydF4y2Ba TgydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba ;gydF4y2Ba

首先,我们输入现有集gydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba 和目标的时间gydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba 到模型的初始数据和预期目标。动态张量gydF4y2Ba BgydF4y2Ba tgydF4y2Ba ,预测集gydF4y2Ba TgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba =gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba ngydF4y2Ba 结合,确保处理流程。然后,与gydF4y2Ba 一个gydF4y2Ba 0gydF4y2Ba 初始化为gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba ngydF4y2Ba Prido的过程就开始了。根据现有的数据gydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba 和前参数gydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,PIO可以确定当前的最优参数gydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba 。采取gydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba 作为输入,FALRTC完成gydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba 和输出电流的结果gydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba tgydF4y2Ba 。按照动态张量的性质,我们更新原始数据gydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba 与预测结果gydF4y2Ba BgydF4y2Ba tgydF4y2Ba TgydF4y2Ba tgydF4y2Ba 现有的数据gydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 下一轮。然后,时间gydF4y2Ba tgydF4y2Ba继续gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 。Prido将重复操作,直到达到目标gydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba 。最后,预测gydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba ,gydF4y2Ba TgydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba ,可以获得。gydF4y2Ba

到目前为止,我们还没有解释PIO的内在特征和FALRTC,这将在以下部分。gydF4y2Ba

3.2。快速增量张量完成gydF4y2Ba

一个张量完成算法实现快速动态张量完成了以应对POI推荐任务。gydF4y2Ba

3.2.1之上。优化配方gydF4y2Ba

目前的启发式方法,如塔克分解(gydF4y2Ba 4gydF4y2Ba和CP分解gydF4y2Ba 30.gydF4y2Ba)旨在将张量转换为其他类型的数据结构。尤其是在CP分解,张量gydF4y2Ba 一个gydF4y2Ba ∈gydF4y2Ba ℛgydF4y2Ba ngydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba ngydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba …gydF4y2Ba ngydF4y2Ba dgydF4y2Ba 是由一个更大的gydF4y2Ba rgydF4y2Ba的线性组合gydF4y2Ba rgydF4y2Ba张量(向量)与1级:gydF4y2Ba (6)gydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba rgydF4y2Ba λgydF4y2Ba 我gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ⊗gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ⊗gydF4y2Ba …gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba ,gydF4y2Ba 最小值gydF4y2Ba XgydF4y2Ba ,gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba …gydF4y2Ba αgydF4y2Ba ngydF4y2Ba :gydF4y2Ba λgydF4y2Ba 我gydF4y2Ba XgydF4y2Ba −gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ⊗gydF4y2Ba …gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba FgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba XgydF4y2Ba ΩgydF4y2Ba =gydF4y2Ba DgydF4y2Ba ΩgydF4y2Ba 。gydF4y2Ba

塔克分解而言,张量gydF4y2Ba 一个gydF4y2Ba ∈gydF4y2Ba ℛgydF4y2Ba ngydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba ngydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba …gydF4y2Ba ngydF4y2Ba dgydF4y2Ba 矩阵分解为gydF4y2Ba UgydF4y2Ba 米gydF4y2Ba ∈gydF4y2Ba ℛgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba ×gydF4y2Ba JgydF4y2Ba 米gydF4y2Ba 1gydF4y2Ba ≤gydF4y2Ba 米gydF4y2Ba ≤gydF4y2Ba dgydF4y2Ba 和一个小核心张量gydF4y2Ba GgydF4y2Ba ∈gydF4y2Ba ℛgydF4y2Ba JgydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba JgydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba …gydF4y2Ba ×gydF4y2Ba JgydF4y2Ba dgydF4y2Ba :gydF4y2Ba (7)gydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba GgydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba UgydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 2gydF4y2Ba UgydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba …gydF4y2Ba ×gydF4y2Ba dgydF4y2Ba UgydF4y2Ba dgydF4y2Ba ,gydF4y2Ba 最小值gydF4y2Ba XgydF4y2Ba ,gydF4y2Ba GgydF4y2Ba ,gydF4y2Ba UgydF4y2Ba 1gydF4y2Ba …gydF4y2Ba UgydF4y2Ba ngydF4y2Ba :gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba XgydF4y2Ba −gydF4y2Ba GgydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba UgydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba …gydF4y2Ba ×gydF4y2Ba ngydF4y2Ba UgydF4y2Ba ngydF4y2Ba FgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba XgydF4y2Ba ΩgydF4y2Ba =gydF4y2Ba DgydF4y2Ba ΩgydF4y2Ba 。gydF4y2Ba

这些方法需要数据结构转换。但随着这个过程,误差逐渐积累,因为伴随着不可避免的失真的原始数据集。gydF4y2Ba

与传统方法不同,我们专注于完成动态张量,低计算成本,快速收敛和高精度是必需的。因此,快速完成低秩张量算法,即FALRTC [gydF4y2Ba 31日gydF4y2Ba),是利用,这被证明是更有效的与其他方法相比。gydF4y2Ba

3.2.2。算法的解决方案gydF4y2Ba

为了提高收敛速度和解决张恍惚状态范数极小化问题,提出FALRTC。gydF4y2Ba

关于POI的建议,gydF4y2Ba DgydF4y2Ba tgydF4y2Ba ∈gydF4y2Ba ℛgydF4y2Ba JgydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba JgydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba JgydF4y2Ba 3gydF4y2Ba ×gydF4y2Ba JgydF4y2Ba 4gydF4y2Ba 当前类别,类别,季节和时间间隔模式被认为是计算的基本元素。具体任务是解决优化问题,提出了如下:gydF4y2Ba (8)gydF4y2Ba 最小值gydF4y2Ba XgydF4y2Ba tgydF4y2Ba :gydF4y2Ba fgydF4y2Ba XgydF4y2Ba ≔gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 4gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ∗gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba XgydF4y2Ba ΩgydF4y2Ba =gydF4y2Ba DgydF4y2Ba ΩgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba 是不断满足gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba ≥gydF4y2Ba 0gydF4y2Ba 和gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba αgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 。有效地解决优化问题的难度主要是引起的非光滑方程中。gydF4y2Ba

可以减少收敛速度gydF4y2Ba OgydF4y2Ba KgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba 用梯度信息与次梯度信息,gydF4y2Ba KgydF4y2Ba 指的是迭代次数(gydF4y2Ba 32gydF4y2Ba]。然而,这个值一般函数最小化gydF4y2Ba OgydF4y2Ba KgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba (gydF4y2Ba 32gydF4y2Ba]。为了解决一个非光滑优化问题gydF4y2Ba 33gydF4y2Ba],FALRTC旨在(1)将原始签到数据转换为平滑的数据和(2)解决光滑问题,和解决方案是用来应付最初的问题。刘等人。gydF4y2Ba 31日gydF4y2Ba提供详细的介绍。gydF4y2Ba

3.3。参数优化过程gydF4y2Ba

完成优化算法应用于每个动态参数优化是发达国家在这一节中。gydF4y2Ba

我们主要利用pigeon-inspired优化(PIO)优化的参数动态张量方法,确定每一步的模式完成。介绍了(gydF4y2Ba 34gydF4y2Ba],PIO,以人群为基础的群体智能算法,模仿鸽子的导航导航行为。段算法,和乔收养了两个操作符来描述两个阶段的归航的现象。gydF4y2Ba

3.3.1。地图和指南针运营商gydF4y2Ba

在第一阶段,鸽子可以简要幅地形图的头部通过磁感。他们把太阳罗盘的高度修改飞行路径。接近目标后,依赖太阳下降。gydF4y2Ba

3.3.2。具有里程碑意义的运营商gydF4y2Ba

在第二阶段,当接近目的地,鸽子需要更多关注具有里程碑意义。当发现熟悉的建筑,他们将飞直的目标。否则,他们将遵循领导人熟悉的地标。gydF4y2Ba

同样,在一开始,PIO集初始位置gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 和速度gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 这些鸽子。然后,每个鸽子的新位置和速度相应更新如下:gydF4y2Ba (9)gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba =gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba egydF4y2Ba −gydF4y2Ba RgydF4y2Ba ×gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 兰德gydF4y2Ba XgydF4y2Ba gbgydF4y2Ba −gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba =gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba RgydF4y2Ba ∈gydF4y2Ba 0 1gydF4y2Ba 表示地图罗盘运营商,gydF4y2Ba 兰德gydF4y2Ba 代表了随机数字值gydF4y2Ba 0 1gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 表示当前迭代,和gydF4y2Ba XgydF4y2Ba gbgydF4y2Ba 是全球最优gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 迭代。第一阶段将重复,直到操作gydF4y2Ba TgydF4y2Ba 1gydF4y2Ba 迭代。gydF4y2Ba

在第二阶段,具有里程碑意义的运营商利用鸽子比较运算符和目的地。如果走好,鸽子飞直目标。每一次迭代后,一半的鸽子远离目的地可能会被淘汰。gydF4y2Ba XgydF4y2Ba 中心gydF4y2Ba 其余的中央位置,将作为新地标。第二阶段将重复,直到操作gydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 迭代。合并后的系统定义如下:gydF4y2Ba (10)gydF4y2Ba XgydF4y2Ba 中心gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ⋅gydF4y2Ba FgydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba pgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ∑gydF4y2Ba FgydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba pgydF4y2Ba tgydF4y2Ba =gydF4y2Ba NgydF4y2Ba pgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba ngydF4y2Ba dgydF4y2Ba XgydF4y2Ba 中心gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba FgydF4y2Ba 鸽子的质量个人和定义如下:gydF4y2Ba (11)gydF4y2Ba FgydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 健身gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba εgydF4y2Ba ,gydF4y2Ba 为gydF4y2Ba 最大化gydF4y2Ba ,gydF4y2Ba 健身gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 为gydF4y2Ba 最小化,gydF4y2Ba

整个两级操作中描述的算法gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

<大胆>算法2:< /大胆> PIO的过程。gydF4y2Ba

输入gydF4y2Ba:鸽子位置gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 、速度gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 地图,指南针运营商gydF4y2Ba RgydF4y2Ba,最大的迭代gydF4y2Ba TgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba TgydF4y2Ba 2gydF4y2Ba ,具有里程碑意义的gydF4y2Ba NgydF4y2Ba pgydF4y2Ba tgydF4y2Ba ,现有的数据gydF4y2Ba TgydF4y2Ba ¯gydF4y2Ba tgydF4y2Ba 、质量功能gydF4y2Ba FgydF4y2Ba ;gydF4y2Ba

输出:gydF4y2Ba最优位置gydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba ;gydF4y2Ba

1gydF4y2Ba

初始化gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba ggydF4y2Ba bgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba NgydF4y2Ba pgydF4y2Ba tgydF4y2Ba

2gydF4y2Ba

而gydF4y2Ba达到gydF4y2Ba TgydF4y2Ba 1gydF4y2Ba 做gydF4y2Ba

3gydF4y2Ba

计算每个鸽子的速度gydF4y2Ba

4gydF4y2Ba

更新每个鸽子的位置gydF4y2Ba

5gydF4y2Ba

tgydF4y2Ba =gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba

6gydF4y2Ba

而gydF4y2Ba达到gydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 做gydF4y2Ba

7gydF4y2Ba

计算具有里程碑意义的gydF4y2Ba XgydF4y2Ba 中心gydF4y2Ba tgydF4y2Ba

8gydF4y2Ba

更新gydF4y2Ba NgydF4y2Ba pgydF4y2Ba tgydF4y2Ba

9gydF4y2Ba

计算位置gydF4y2Ba

10gydF4y2Ba

tgydF4y2Ba =gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba

11gydF4y2Ba

一个gydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba =gydF4y2Ba XgydF4y2Ba tgydF4y2Ba xgydF4y2Ba tgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba ngydF4y2Ba

12gydF4y2Ba

返回gydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba ;gydF4y2Ba

PIO应用优化参数动态张量的每一步,每一块拥有更多的解释力和典型的具体采样间隔。例如,当模型是利用推荐7月位置分类,参数训练块从2月到7月的PIO显然胜过从1月到6月。gydF4y2Ba

4所示。实验和结果gydF4y2Ba

在本节中,实验结果报告,紧随其后的是深入分析。gydF4y2Ba

4.1。实验设置gydF4y2Ba

我们利用Foursquare,gydF4y2Ba https://foursquare.comgydF4y2Ba使用最广泛的公共签到数据集,POI的建议。gydF4y2Ba

以下4.4.1。数据源gydF4y2Ba

我们利用签到数据在纽约和洛杉矶从2010年1月到2011年6月,包含用户的信息,位置、类别,和技巧。描述在表的统计数据gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

表1gydF4y2Ba

数据统计。gydF4y2Ba

城市gydF4y2Ba	用户gydF4y2Ba	位置gydF4y2Ba	类别gydF4y2Ba	提示gydF4y2Ba
纽约gydF4y2Ba	2581年gydF4y2Ba	206416年gydF4y2Ba	249年gydF4y2Ba	166530年gydF4y2Ba
洛杉矶gydF4y2Ba	1604年gydF4y2Ba	215614年gydF4y2Ba	249年gydF4y2Ba	109526年gydF4y2Ba

4.1.2。评价指标gydF4y2Ba

我们的目标是向用户推荐合适的类别,和一个头n个推荐列表分类。一旦用户在显示列表中选择至少一个项目,建议将被认为是成功的。具体地说,如果我们的推荐类别相交与用户的真实头n个列表,预测被认为是正确的:gydF4y2Ba (12)gydF4y2Ba PgydF4y2Ba @gydF4y2Ba NgydF4y2Ba =gydF4y2Ba 的gydF4y2Ba 计数gydF4y2Ba 的gydF4y2Ba 正确的gydF4y2Ba 预测gydF4y2Ba 的gydF4y2Ba 总gydF4y2Ba 数量gydF4y2Ba 的gydF4y2Ba 建议gydF4y2Ba 轮gydF4y2Ba 。gydF4y2Ba

4.2。实验结果gydF4y2Ba

我们实验比较张量completion-based MF法与矩阵分解模型,及,FBMC和张量分解模型CD, TD TA-FBMC, TAD-FMPC,细节如表所示gydF4y2Ba 2gydF4y2Ba。此外,验证结构的优点基于动态张量,最初的完井方法,static-Prido,应用于实验。简而言之,八个方法评估了我们的工作。gydF4y2Ba

表2gydF4y2Ba

模型的比较。gydF4y2Ba

模型gydF4y2Ba	规模gydF4y2Ba	描述gydF4y2Ba
矩阵分解(MF)gydF4y2Ba	UgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba	曼氏金融广泛用于CF,通常设置为基准。gydF4y2Ba
概率矩阵分解(及)gydF4y2Ba	UgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba	及在推荐领域是一个传统的模型。gydF4y2Ba
映像个性化的马尔可夫链(FBMC)gydF4y2Ba	UgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba	FBMC正式用户的偏好作为个性化的马尔可夫链。gydF4y2Ba
塔克分解(TD)gydF4y2Ba	UgydF4y2Ba ×gydF4y2Ba TgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba	TD将高维张量转换成核心张量与相对每个维度的矩阵。gydF4y2Ba
规范polyadic分解(CD)gydF4y2Ba	UgydF4y2Ba ×gydF4y2Ba TgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba	CD将高维张量转换成多个线性方程的复杂性。gydF4y2Ba
Time-aware FBMC (TA-FBMC)gydF4y2Ba	UgydF4y2Ba ×gydF4y2Ba TgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba	TA-FBMC装备FBMC的时间因素。gydF4y2Ba
Time-aware衰变FBMC (TAD-FMPC)gydF4y2Ba	UgydF4y2Ba ×gydF4y2Ba TgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba	TAD-FMPC TA-FBMC概率随时间的衰减。gydF4y2Ba
静态prido (s-Prido)gydF4y2Ba	UgydF4y2Ba ×gydF4y2Ba TgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba ×gydF4y2Ba CgydF4y2Ba	从Prido s-Prido删除动态张量结构。gydF4y2Ba

所有的实验都是在MATLAB中实现2013,所有的测试进行电脑与英特尔酷睿2 2.67 GHz和4 GB RAM。表gydF4y2Ba 3gydF4y2Ba和gydF4y2Ba 4gydF4y2Ba提供整体的结果。gydF4y2Ba

表3gydF4y2Ba

在纽约的结果比较。gydF4y2Ba

	矩阵分解gydF4y2Ba			张量分解gydF4y2Ba
指标gydF4y2Ba	曼氏金融gydF4y2Ba	及gydF4y2Ba	FBMCgydF4y2Ba	CDgydF4y2Ba	道明gydF4y2Ba	TA-FBMCgydF4y2Ba	TAD-FMPCgydF4y2Ba	s-PridogydF4y2Ba	PridogydF4y2Ba
PgydF4y2Ba @gydF4y2Ba 1gydF4y2Ba	0.0016gydF4y2Ba	0.0060gydF4y2Ba	0.0310gydF4y2Ba	0.0767gydF4y2Ba	0.0921gydF4y2Ba	0.0747gydF4y2Ba	0.1230gydF4y2Ba	0.1022gydF4y2Ba	0.1310gydF4y2Ba
PgydF4y2Ba @gydF4y2Ba 5gydF4y2Ba	0.0197gydF4y2Ba	0.0283gydF4y2Ba	0.1063gydF4y2Ba	0.2221gydF4y2Ba	0.2642gydF4y2Ba	0.2298gydF4y2Ba	0.2996gydF4y2Ba	0.2454gydF4y2Ba	0.3201gydF4y2Ba
PgydF4y2Ba @gydF4y2Ba 10gydF4y2Ba	0.0444gydF4y2Ba	0.0571gydF4y2Ba	0.1700gydF4y2Ba	0.3249gydF4y2Ba	0.3863gydF4y2Ba	0.3397gydF4y2Ba	0.4136gydF4y2Ba	0.3768gydF4y2Ba	0.4234gydF4y2Ba
PgydF4y2Ba @gydF4y2Ba 20.gydF4y2Ba	0.0822gydF4y2Ba	0.1160gydF4y2Ba	0.2699gydF4y2Ba	0.4829gydF4y2Ba	0.5357gydF4y2Ba	0.4801gydF4y2Ba	0.5615gydF4y2Ba	0.5387gydF4y2Ba	0.5911gydF4y2Ba
PgydF4y2Ba @gydF4y2Ba 50gydF4y2Ba	0.2744gydF4y2Ba	0.2843gydF4y2Ba	0.4893gydF4y2Ba	0.7195gydF4y2Ba	0.7552gydF4y2Ba	0.7130gydF4y2Ba	0.7699gydF4y2Ba	0.7488gydF4y2Ba	0.7824gydF4y2Ba
PgydF4y2Ba @gydF4y2Ba One hundred.gydF4y2Ba	0.5053gydF4y2Ba	0.5127gydF4y2Ba	0.7280gydF4y2Ba	0.8887gydF4y2Ba	0.9040gydF4y2Ba	0.8812gydF4y2Ba	0.8965gydF4y2Ba	0.8876gydF4y2Ba	0.9010gydF4y2Ba

表4gydF4y2Ba

结果比较在洛杉矶。gydF4y2Ba

	矩阵分解gydF4y2Ba			张量分解gydF4y2Ba
指标gydF4y2Ba	曼氏金融gydF4y2Ba	及gydF4y2Ba	FBMCgydF4y2Ba	CDgydF4y2Ba	道明gydF4y2Ba	TA-FBMCgydF4y2Ba	TAD-FMPCgydF4y2Ba	s-PridogydF4y2Ba	PridogydF4y2Ba
PgydF4y2Ba @gydF4y2Ba 1gydF4y2Ba	0.0433gydF4y2Ba	0.0057gydF4y2Ba	0.0477gydF4y2Ba	0.0677gydF4y2Ba	0.0964gydF4y2Ba	0.0928gydF4y2Ba	0.1519gydF4y2Ba	0.1252gydF4y2Ba	0.1672gydF4y2Ba
PgydF4y2Ba @gydF4y2Ba 5gydF4y2Ba	0.1142gydF4y2Ba	0.0336gydF4y2Ba	0.1351gydF4y2Ba	0.2270gydF4y2Ba	0.2695gydF4y2Ba	0.2580gydF4y2Ba	0.3250gydF4y2Ba	0.2742gydF4y2Ba	0.3425gydF4y2Ba
PgydF4y2Ba @gydF4y2Ba 10gydF4y2Ba	0.1734gydF4y2Ba	0.0666gydF4y2Ba	0.1992gydF4y2Ba	0.3216gydF4y2Ba	0.3957gydF4y2Ba	0.3610gydF4y2Ba	0.4382gydF4y2Ba	0.3923gydF4y2Ba	0.4594gydF4y2Ba
PgydF4y2Ba @gydF4y2Ba 20.gydF4y2Ba	0.2863gydF4y2Ba	0.1305gydF4y2Ba	0.3023gydF4y2Ba	0.4920gydF4y2Ba	0.5477gydF4y2Ba	0.4974gydF4y2Ba	0.5756gydF4y2Ba	0.5523gydF4y2Ba	0.6092gydF4y2Ba
PgydF4y2Ba @gydF4y2Ba 50gydF4y2Ba	0.4486gydF4y2Ba	0.2949gydF4y2Ba	0.5088gydF4y2Ba	0.7242gydF4y2Ba	0.7588gydF4y2Ba	0.7262gydF4y2Ba	0.7753gydF4y2Ba	0.7598gydF4y2Ba	0.7973gydF4y2Ba
PgydF4y2Ba @gydF4y2Ba One hundred.gydF4y2Ba	0.5834gydF4y2Ba	0.5389gydF4y2Ba	0.7412gydF4y2Ba	0.8920gydF4y2Ba	0.9027gydF4y2Ba	0.8839gydF4y2Ba	0.8971gydF4y2Ba	0.8856gydF4y2Ba	0.8993gydF4y2Ba

作为表gydF4y2Ba 3gydF4y2Ba和gydF4y2Ba 4gydF4y2Ba和图gydF4y2Ba 5gydF4y2Ba显示,Prido优于其他方法,除了道明gydF4y2Ba PgydF4y2Ba @gydF4y2Ba One hundred.gydF4y2Ba 。类似的分布的结果在两个城市,我们分析到纽约。gydF4y2Ba

图5gydF4y2Ba

素描的分类预测。纽约(a)。洛杉矶(b)。gydF4y2Ba

(一)gydF4y2Ba (b)gydF4y2Ba

总体来说,各种传统的矩阵分解模型与张量分解模型相比,表现相对较差。在准确性方面,即使是最好的方法利用矩阵分解(FBMC)达到一半的价值最差的一个利用张量分解(TA-FBMC)。的原因可以归因于这样一个事实:矩阵是进行张量从本质上讲,这意味着至少两个维度不能参与结构的信息,无论利用分解方法,缺少尺寸不可避免地会限制潜在的准确性。因此,进一步发展POI建议必须依靠张量分解。gydF4y2Ba

至于张量该方法之间的比较,CD和TD,作为最早的解决方案,他们的实用算术操作成本更多的运行时间和他们还执行细粒度预测的严重任务。尽管TD获得最好的性能gydF4y2Ba PgydF4y2Ba @gydF4y2Ba One hundred.gydF4y2Ba 推荐的精度为90.4%,费用几乎2天时间到达,而最后四方法完全成本最多3个小时。与预测精度的平衡运行时间,这两个传统的方法不是最理想的选择。gydF4y2Ba

此外,s-Prido优于TA-FBMC约3%,这表明,我们的四维张量结构是有效的。尽管在个性化推荐用户因素,人们喜欢做受欢迎的事情,因此,引入用户的签到数据比分开更合理的分析。添加了月维度,不同季节的影响在模型中可以表达。然而,TAD-FMPC失败s-Prido所有指标由于静态结构不能暴露不同时间的重量,在英超数据有相同的影响作为推荐最近的数据。为了解决这个问题,TAD-FMPC采用三种不同类型的衰变时间因素的概率。然而,这种方法忽略了各种不同的季节。由于邻接的季节,秋天是用户的行为类似于夏天,而它与春天几乎没有相关性。因此,签到数据在不同季节不应该仅仅体现在相同的方程。基于这样的考虑,我们建议Prido,相邻的季节动态张量数据被放入一个块。从表中可以看出,Prido改善结果与TAD-FMPC相比下降了2%。gydF4y2Ba

5。结论gydF4y2Ba

在本文中,一种新的动态启发式低秩张量的张量方法的基础上,完成快速完成算法解决POI推荐任务。快速完成低秩张量(FALRTC)杠杆作为原始动态张量结构的补充,以提高性能的预测。Prido能够捕获的内在特性签到数据由于多模的特征如当前类别,类别,和时间信息以及季节变化都集成在模型中。实验结果不仅验证我们提出的方法的优越性,也表明存在潜在应用机会POI推荐环境在一个动态范围大。gydF4y2Ba

数据可用性gydF4y2Ba

支持本研究使用的数据是可用的gydF4y2Ba https://foursquare.com/gydF4y2Ba,可以公开访问没有任何费用。gydF4y2Ba

的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

确认gydF4y2Ba

这部分工作是由国家自然科学基金委批准号。61872446,71690233,71331008。gydF4y2Ba

1gydF4y2Ba

胡gydF4y2Ba

Y。gydF4y2Ba

科伦gydF4y2Ba

Y。gydF4y2Ba

VolinskygydF4y2Ba

C。gydF4y2Ba

协同过滤的隐式反馈的数据集gydF4y2Ba

学报》8日IEEE国际会议数据挖掘(ICDM 2008)gydF4y2Ba

2008年12月gydF4y2Ba

比萨、意大利gydF4y2Ba

263年gydF4y2Ba 272年gydF4y2Ba

2gydF4y2Ba

锅gydF4y2Ba

R。gydF4y2Ba

周gydF4y2Ba

Y。gydF4y2Ba

曹gydF4y2Ba

B。gydF4y2Ba

看到下面成了协同过滤gydF4y2Ba

学报》8日IEEE国际会议数据挖掘(ICDM 2008)gydF4y2Ba

2008年12月gydF4y2Ba

比萨、意大利gydF4y2Ba

502年gydF4y2Ba 511年gydF4y2Ba

3gydF4y2Ba

CichockigydF4y2Ba

一个。gydF4y2Ba

ZdunekgydF4y2Ba

R。gydF4y2Ba

显象gydF4y2Ba

a . H。gydF4y2Ba

AmarigydF4y2Ba

年代。gydF4y2Ba

非负矩阵和张量Factorizations-Applications探索性多路数据分析和盲源分离gydF4y2Ba 2009年gydF4y2Ba

美国新泽西州霍博肯gydF4y2Ba

威利gydF4y2Ba

4gydF4y2Ba

KoldagydF4y2Ba

t·G。gydF4y2Ba

贝德gydF4y2Ba

b·W。gydF4y2Ba

张量分解和应用程序gydF4y2Ba

暹罗审查gydF4y2Ba 2009年gydF4y2Ba 51gydF4y2Ba 3gydF4y2Ba 455年gydF4y2Ba 500年gydF4y2Ba

10.1137 / 07070111 xgydF4y2Ba

2 - s2.0 - 68649096448gydF4y2Ba

5gydF4y2Ba

李gydF4y2Ba

X。gydF4y2Ba

江gydF4y2Ba

M。gydF4y2Ba

在香港gydF4y2Ba

H。gydF4y2Ba

廖gydF4y2Ba

lgydF4y2Ba

通过高阶张量分解time-aware个性化兴趣点的建议gydF4y2Ba

ACM交易信息系统gydF4y2Ba 2017年gydF4y2Ba 35gydF4y2Ba 4gydF4y2Ba 1gydF4y2Ba 23gydF4y2Ba

10.1145 / 3057283gydF4y2Ba

2 - s2.0 - 85021795168gydF4y2Ba

6gydF4y2Ba

RendlegydF4y2Ba

年代。gydF4y2Ba

州长戴夫gydF4y2Ba

C。gydF4y2Ba

Schmidt-ThiemegydF4y2Ba

lgydF4y2Ba

分解为next-basket推荐个性化的马尔可夫链gydF4y2Ba

19学报》国际会议在万维网上,WWW 2010gydF4y2Ba

2010年4月gydF4y2Ba

美国罗利数控gydF4y2Ba

811年gydF4y2Ba 820年gydF4y2Ba

7gydF4y2Ba

赵gydF4y2Ba

年代。gydF4y2Ba

赵gydF4y2Ba

T。gydF4y2Ba

杨gydF4y2Ba

H。gydF4y2Ba

律gydF4y2Ba

m·R。gydF4y2Ba

王gydF4y2Ba

我。gydF4y2Ba

恒星:时空潜伏排名连续兴趣点的建议gydF4y2Ba

学报》第三十AAAI会议上人工智能gydF4y2Ba

2016年2月gydF4y2Ba

凤凰城,亚利桑那州,美国gydF4y2Ba

315年gydF4y2Ba 322年gydF4y2Ba

8gydF4y2Ba

萨瓦尔gydF4y2Ba

b . M。gydF4y2Ba

KarypisgydF4y2Ba

G。gydF4y2Ba

KonstangydF4y2Ba

j . A。gydF4y2Ba

RiedlgydF4y2Ba

J。gydF4y2Ba

基于项目的协同过滤推荐算法gydF4y2Ba

学报十国际万维网会议,WWW 10gydF4y2Ba

2001年5月gydF4y2Ba

中国香港gydF4y2Ba

285年gydF4y2Ba 295年gydF4y2Ba

9gydF4y2Ba

HerlockergydF4y2Ba

j·L。gydF4y2Ba

KonstangydF4y2Ba

j . A。gydF4y2Ba

BorchersgydF4y2Ba

一个。gydF4y2Ba

RiedlgydF4y2Ba

J。gydF4y2Ba

执行协同过滤算法框架gydF4y2Ba

第22届国际市立图书馆学报》会议在信息检索的研究和开发gydF4y2Ba

1999年8月gydF4y2Ba

美国加利福尼亚州伯克利gydF4y2Ba

230年gydF4y2Ba 237年gydF4y2Ba

10gydF4y2Ba

DesrosiersgydF4y2Ba

C。gydF4y2Ba

KarypisgydF4y2Ba

G。gydF4y2Ba

一个全面的调查于社区的建议方法,推荐系统手册gydF4y2Ba 2011年gydF4y2Ba

柏林,德国gydF4y2Ba

施普林格gydF4y2Ba

11gydF4y2Ba

程gydF4y2Ba

C。gydF4y2Ba

杨gydF4y2Ba

H。gydF4y2Ba

王gydF4y2Ba

我。gydF4y2Ba

律gydF4y2Ba

m·R。gydF4y2Ba

融合矩阵分解在基于位置的社交网络与地理和社会影响力gydF4y2Ba

学报》26日AAAI会议上人工智能gydF4y2Ba

2012年7月gydF4y2Ba

多伦多,加拿大安大略省gydF4y2Ba

12gydF4y2Ba

高gydF4y2Ba

H。gydF4y2Ba

唐gydF4y2Ba

J。gydF4y2Ba

刘gydF4y2Ba

H。gydF4y2Ba

gSCorr: geo-social相关性建模新签入的基于位置的社交网络gydF4y2Ba

学报21 ACM国际会议信息和知识管理,CIKM”12gydF4y2Ba

2012年的10月gydF4y2Ba

毛伊岛,嗨,美国gydF4y2Ba

1582年gydF4y2Ba 1586年gydF4y2Ba

13gydF4y2Ba

公园gydF4y2Ba

M。gydF4y2Ba

在香港gydF4y2Ba

J。gydF4y2Ba

赵gydF4y2Ba

年代。gydF4y2Ba

基于位置的推荐系统在移动设备中使用贝叶斯用户的偏好模型gydF4y2Ba

程序无处不在的智能和计算,第四届国际会议,UIC 2007gydF4y2Ba

2007年7月gydF4y2Ba

中国香港gydF4y2Ba

1130年gydF4y2Ba 1139年gydF4y2Ba

14gydF4y2Ba

叶gydF4y2Ba

M。gydF4y2Ba

阴gydF4y2Ba

P。gydF4y2Ba

李gydF4y2Ba

W。gydF4y2Ba

李gydF4y2Ba

d . L。gydF4y2Ba

利用地理影响合作的兴趣点建议gydF4y2Ba

第34国际市立图书馆会议进行研究和开发在信息检索,SIGIR 2011gydF4y2Ba

2011年7月gydF4y2Ba

中国,北京gydF4y2Ba

325年gydF4y2Ba 334年gydF4y2Ba

15gydF4y2Ba

张gydF4y2Ba

J。gydF4y2Ba

周润发gydF4y2Ba

C。gydF4y2Ba

Ticrec:概率框架利用时间相关性影响time-aware位置的建议gydF4y2Ba

IEEE反式。服务计算gydF4y2Ba 2016年gydF4y2Ba 9gydF4y2Ba 4gydF4y2Ba 633年gydF4y2Ba 646年gydF4y2Ba

10.1109 / tsc.2015.2413783gydF4y2Ba

2 - s2.0 - 84982149273gydF4y2Ba

16gydF4y2Ba

张gydF4y2Ba

j . D。gydF4y2Ba

周润发gydF4y2Ba

c . Y。gydF4y2Ba

时空顺序影响建模的位置建议:解的方法gydF4y2Ba

ACM智能交易系统技术gydF4y2Ba 2015年gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 25gydF4y2Ba

10.1145 / 2786761gydF4y2Ba

2 - s2.0 - 84947059695gydF4y2Ba

17gydF4y2Ba

元gydF4y2Ba

Q。gydF4y2Ba

琮gydF4y2Ba

G。gydF4y2Ba

马gydF4y2Ba

Z。gydF4y2Ba

太阳gydF4y2Ba

一个。gydF4y2Ba

Magnenat-ThalmanngydF4y2Ba

N。gydF4y2Ba

Time-aware兴趣点建议gydF4y2Ba

学报》第36届国际市立图书馆会议在信息检索的研究与开发," 13gydF4y2Ba

2013年7 - 8月gydF4y2Ba

爱尔兰都柏林gydF4y2Ba

363年gydF4y2Ba 372年gydF4y2Ba

18gydF4y2Ba

赵gydF4y2Ba

E。gydF4y2Ba

迈尔斯gydF4y2Ba

美国一个。gydF4y2Ba

LeskovecgydF4y2Ba

J。gydF4y2Ba

友谊和流动性:用户运动在基于位置的社交网络gydF4y2Ba

17 ACM SIGKDD学报》国际会议上知识发现和数据挖掘gydF4y2Ba

2011年8月gydF4y2Ba

圣地亚哥,加州,美国gydF4y2Ba

1082年gydF4y2Ba 1090年gydF4y2Ba

19gydF4y2Ba

张gydF4y2Ba

j . D。gydF4y2Ba

周润发gydF4y2Ba

c . Y。gydF4y2Ba

兴趣点的建议基于位置的社交网络gydF4y2Ba

SIGSPATIAL特殊gydF4y2Ba 2015年gydF4y2Ba 7gydF4y2Ba 3gydF4y2Ba 26gydF4y2Ba 33gydF4y2Ba

10.1145/2876480.2876486gydF4y2Ba

20.gydF4y2Ba

张gydF4y2Ba

j . D。gydF4y2Ba

周润发gydF4y2Ba

c . Y。gydF4y2Ba

徐gydF4y2Ba

J。gydF4y2Ba

启用基于attribute-aware矩阵分解为评级预测gydF4y2Ba

IEEE知识工程数据gydF4y2Ba 2017年gydF4y2Ba 29日gydF4y2Ba 4gydF4y2Ba 798年gydF4y2Ba 812年gydF4y2Ba

10.1109 / tkde.2016.2641439gydF4y2Ba

2 - s2.0 - 85015762677gydF4y2Ba

21gydF4y2Ba

MikolovgydF4y2Ba

T。gydF4y2Ba

KarafiatgydF4y2Ba

M。gydF4y2Ba

BurgetgydF4y2Ba

lgydF4y2Ba

CernockygydF4y2Ba

J。gydF4y2Ba

KhudanpurgydF4y2Ba

年代。gydF4y2Ba

递归神经网络建立语言模型gydF4y2Ba

Interspeech学报》,2010年第11届国际言语交际协会会议gydF4y2Ba

2010年9月gydF4y2Ba

Makuhari、千叶、日本gydF4y2Ba

1045年gydF4y2Ba 1048年gydF4y2Ba

22gydF4y2Ba

程ydF4y2Ba

Y。gydF4y2Ba

赵gydF4y2Ba

J。gydF4y2Ba

胡gydF4y2Ba

X。gydF4y2Ba

张gydF4y2Ba

X。gydF4y2Ba

李gydF4y2Ba

Z。gydF4y2Ba

蔡gydF4y2Ba

T。gydF4y2Ba

从感兴趣功能:位置估计在社交媒体gydF4y2Ba

二十七AAAI学报》关于人工智能的会议gydF4y2Ba

2013年7月gydF4y2Ba

美国华盛顿贝尔维尤gydF4y2Ba

23gydF4y2Ba

刘gydF4y2Ba

Q。gydF4y2Ba

吴gydF4y2Ba

年代。gydF4y2Ba

王gydF4y2Ba

lgydF4y2Ba

唐ydF4y2Ba

T。gydF4y2Ba

预测下一个地点:复发性模型与空间和时间上下文gydF4y2Ba

学报》第三十AAAI会议上人工智能gydF4y2Ba

2016年2月gydF4y2Ba

凤凰城,亚利桑那州,美国gydF4y2Ba

194年gydF4y2Ba 200年gydF4y2Ba

24gydF4y2Ba

张gydF4y2Ba

Z。gydF4y2Ba

李gydF4y2Ba

C。gydF4y2Ba

吴gydF4y2Ba

Z。gydF4y2Ba

太阳gydF4y2Ba

一个。gydF4y2Ba

叶gydF4y2Ba

D。gydF4y2Ba

罗gydF4y2Ba

X。gydF4y2Ba

:神经网络框架下POI的建议gydF4y2Ba