EN中文

Journal of Geo-information Science >

2016 , Vol. 18 >Issue 2: 160 - 166

DOI: https://doi.org/10.3724/SP.J.1047. 2016.00160

Orginal Article

Spatial Cascaded Model for Personalized Recommender System

  • LI Aoyong , 1, 2 ,
  • XU Jun , 1, *
Expand
  • 1. State Key laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
*Corresponding author: XU Jun, E-mail:

Received date: 2015-04-10

  Request revised date: 2015-07-20

  Online published: 2016-02-04

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Recommendation system has become mature and been successfully applied in many fields since its emergence. Due to the popularization of different types of mobile terminals, spatial information is brought into the recommendation systems. However, the existing researches mainly focus on spatial locations and rarely consider spatial relations. Meanwhile, the existing recommendation algorithms usually consider only the user’s history behaviors but not the influence of future behaviors on current recommendations. According to the activity chain theory, future activities have an impact on the current behavior as well as the past activities did. If a user has two steps of information retrieval, and the second step is based on the result of the first step, he would choose an item from the result which is convenient for him to make the second choice, and thus he can get the best choices at both steps of retrieval. That is to say, the current selection would be affected by the next retrieval of information. In this paper, we model the spatial distribution of the travel targets by considering one’s future intentions as well as the past data, and propose a spatial cascaded model for personalized recommender system. The model is built for situations with a series of continuous choices in the spatial space based on the traditional recommendation algorithm and the influence of future activities. The influence of spatial relation is introduced into the traditional recommendation algorithm as a distance decay function. In order to prove the feasibility of spatial cascaded recommender system, a restaurant recommender system is developed based on the proposed model. Taking into account of user’s preference and distance, a cost-benefit index was proposed to evaluate the result. The result shows that when considering further activities and spatial relations in recommendation, the system can produce a more reasonable result.

Key words： recommender system; spatial cascade model; personalization; cost-benefit index

Cite this article

LI Aoyong , XU Jun . Spatial Cascaded Model for Personalized Recommender System[J]. Journal of Geo-information Science, 2016 , 18(2) : 160 -166 . DOI: 10.3724/SP.J.1047. 2016.00160

1 引言

个性化推荐系统根据用户偏好为用户推荐其喜欢的产品,可满足不同背景、不同目的、不同时期的个性化需求[1],能有效地解决信息过载问题[2-3],从而得到广泛的应用[4-7]。
随着移动定位技术和服务的发展,获取与个体行为息息相关的个体空间位置已非难事,因此,各类推荐系统逐渐将个体空间信息作为个性化推荐系统的重要因子[8]。例如,COMPASS[9]基于用户当前位置进行旅游兴趣点推荐;Girardello[10]基于用户当前位置,将一定空间范围内流行的APP推荐给用户;Stiller[11]以协同过滤法为基础,将用户和推荐项目的空间距离融入协同过滤推荐算法,提高了推荐质量;Yang[12]以基于内容的推荐算法作为基础,同时考虑空间关系和用户偏好进行推荐。张春永[13]基于用户位置向用户推荐菜品。
上述推荐算法虽然考虑了用户的空间位置,但在推荐过程中仅仅考虑用户当前的活动。然而,人们的系列活动通常是连续的。例如,晚餐后可能还会考虑看电影等娱乐活动,这种后续活动往往会对当前活动地点的选择造成影响。如果考虑去电影院的便利性,用户很有可能选择周边有电影院的餐厅。鉴于此,本文借助“活动链”的思想[14-15],提出了空间级联模式下的个性化推荐模型,该模型通过对用户的连续选择进行建模,将用户与当前推荐项目的空间关系,以及未来活动的影响考虑到传统的个性化推荐方法中,从而得到综合考虑用户兴趣和空间距离的最优推荐结果。

2 空间级联模式下的个性推荐模型

空间级联下的个性推荐模型,是基于传统个性推荐算法,对目标用户的连续选择进行建模,考虑后续活动及空间关系,对当前活动位置选择的影响而形成的推荐模型。模型思路如图1所示,包括传统个性推荐和空间级联2个部分：传统个性推荐部分根据用户的兴趣进行个性化推荐;空间级联部分考虑用户与推荐项目的空间关系及后续行为对当前选择的影响,对传统个性推荐进行修正。

2.1 传统个性推荐系统

传统个性推荐系统通过分析用户群的历史行为信息,挖掘目标用户的兴趣偏好,对目标用户进行推荐。主要分为协同过滤推荐[4,16-17]、基于内容的推荐[18]和混合推荐[3,7,19]。协同过滤推荐易于操作,应用广泛[20],其基本思想是：如果不同的用户过去购买过相同的产品,那么他们将来会倾向于购买相同的产品,推荐过程中不需考虑推荐商品本身的属性,仅靠用户-商品评价信息,选择与目标用户相似的用户集,将相似用户购买过而目标用户未购买的商品推荐给目标用户。基于内容的推荐是根据目标用户喜欢的商品选择其他类似商品进行推荐,由系统隐式或显示获取用户兴趣和推荐对象的特征,形成相应描述文档,将与目标用户特征相似度较高的商品推荐给目标用户。无论是协同过滤推荐还是基于内容的推荐,都存在难以克服的缺点。因此,需综合不同算法的优缺点进行推荐,即混合推荐算法。

2.2 级联和空间级联

级联是描述一种在一维连续条件下,不同层次事物之间的关联,在很多领域都有应用,其影响关系为从前到后。
空间级联是将相同或不同类别的地理实体构成不同层次,以空间关系作为一维连续条件,描述相邻2个层次地理实体的级联。记第N层次的实体为第N级实体,其点称为N级点。空间级联的表示如图2。
Fig. 1 The framework of spatial cascaded recommender system

图1 空间级联模式下的个性推荐模型框架

Fig. 2 The schematic of spatial cascade

图2 空间级联示意图

空间级联有以下性质：
性质1：空间级联只能单向扩展,可包含无限多个层次。因为时间是单向发展,且可无限延续的。
性质2：同一层次是同一类实体,不同层次可是同一类实体,也可是不同类实体。空间级联的空间性主要体现为相邻2个层次地理实体的空间关系,其联系是依照时间先后建立,与地理实体类别无关,因此,不同地理实体可反复建立级联关系。
性质3：空间级联各层次实体间没有包含关系,其影响可从后向前。

2.3 空间级联模式下的个性推荐系统

本文主要研究空间级联在推荐连续活动位置中的应用,将研究目标界定为POI,如餐厅、KTV、商场等。向用户推荐POI的过程即推测用户选择的过程,如果用户面临连续的多种选择,根据效用最大化假设,决策单位面对一个可选择并且有多个两两相互独立的选择集合时,会认真分析选择对自己有最大效用的选择集合,其效用主要指选择集合对决策个体的吸引程度[15]。进行POI推荐时,将用户对POI的偏好和用户空间级联关系作为效用的主要决策因素。如图3所示,以红星和圆点分别表示用户当前位置以及级联的各级实体位置。则一级点表示用户即将选择并且要到达的POI,也是当前所要推荐的POI。二级点表示用户选择一级点后即将选择并且要到达的POI,并依此类推。当用户面临多项活动选择时,为实现选择效用最大化,在选择一级POI点时就需要考虑后续二级、三级甚至更深层次POI节点选择的便利性。在图3中,例如以餐厅作为一级点,KTV作为二级点,用户位置到餐厅为一级路径,餐厅到KTV为二级路径,空间级联模型是综合考虑用户对餐厅及KTV的偏好及空间关系,选择一条最优的一级路径及二级路径的组合,并以此推荐给用户。
Fig. 3 The schematic of spatial cascade model

图3 空间级联模型示意图

考虑空间关系及级联的影响,空间级联推荐模型将空间级联引入个性化推荐模型,模型的计算主要可分为以下4个步骤（图4）。
Fig. 4 Spatial cascaded recommender system

图4 空间级联模式下的个性推荐模型

（1） 传统方法计算
考虑用户偏好对推荐结果的影响,选择传统的推荐算法作为空间级联推荐模型的基本算法,针对不同的推荐目标和场景,应选取合适的推荐算法。
（2） 空间级联
空间级联部分主要包括空间关系影响及级联反馈,在空间关系方面主要考虑空间距离。一些学者对人类行为模式的研究表明,人类出行距离集中在短距离内,并且在一定范围内出行可能性随出行距离增大而降低,即用户选择距离近的POI会比远距离POI的可能性更大,因此,空间距离的影响可通过一个距离衰减函数进行计算[21-22]。
级联反馈中,深层次级联点的影响体现在其前一级POI上,例如,三级级联点对推荐的影响通过二级级联点实现,不可直接影响一级级联点。对于某个POI,如果不存在级联点,则它的级联影响为0;若一个POI存在多个级联点时,级联点对它的总体影响可用各个级联点对它的影响最大值或平均值表示。
（3） 评分预测计算
空间级联模型中,对当前级别点所代表的POI的推荐包括3个影响因素：① 用户对待推荐POI本身的偏好程度;② 待推荐POI与用户之间的空间关系;③ 待推荐POI的级联点对当前推荐的影响。用户u对POI点p的预测由传统推荐函数、空间关系函数和级联函数3部分组成（式（1））。
pre ( u , p ) = f ( tr aPr e , spa , cas ) （1）
式中：传统推荐函数traPre表示用户偏好的影响;空间关系函数spa代表用户与当前计算的级别点之间的空间关系;级联函数cas代表级联点对当前点的级联影响。第K(K≥2)级点计算时,将K-1级点视为用户位置,则每一级POI点的计算中都考虑以上3个因素,层层嵌套下去。实际应用中,空间级联关系不可能无限进行下去,应采取必要的终止条件。式（1）是对空间级联推荐算法的抽象,应对具体空间推荐问题,根据具体情况对3个因素进行实现。
（4） 推荐
根据计算得出的评分结果对POI进行排序,采用Top-N的POI作为推荐结果推荐给用户。

3 空间级联个性推荐模型基于协同 过滤算法的实现与案例

为验证空间级联模式下的个性推荐模型的可行性,以基于项目的协同过滤算法作为传统推荐算法,并构建对应空间级联个性推荐算法。从大众点评网上海站抓取数据,以2种算法进行对比实验,并且建立偏好-距离损益指标评价实验结果,验证空间级联模式下的个性推荐可行性。

3.1 数据及预处理分析

数据集是从大众点评网上海站抓取的餐厅、KTV、用户数据和用户-商品评分数据。餐厅共有25 911个点,其属性包括餐厅URL、位置信息;KTV共有215个点,其属性主要包括KTV的URL、位置信息;用户共有132位,属性包括用户ID、用户访问餐厅信息及评分信息;用户-商品评分数据包括用户对餐厅和KTV分别的评分,大众点评网评分共分1-5个评分等级,评分越高,表示用户越满意。餐厅、KTV空间分布如图5所示。
Fig. 5 The spatial distribution of restaurants and KTVs

图5 餐厅、KTV空间分布图

3.2 案例算法

3.2.1 基于项目的协同过滤推荐
案例采用的数据集,用户数量较少且稳定,仅包含用户-商品评分关系,更适合选用基于用户的协同过滤作为传统推荐算法。
基于用户的协同过滤算法主要分为2步[23]：（1）利用用户的历史评分信息计算用户之间的相似性;（2）选取与目标用户相似性较高的用户,对特定商品的评分预测目标用户对该商品的评分。用户a、b的相似性sim(a,b)计算采用修正余弦相似性（式（2））。
sim ( a , b ) = ∑ ( r a , s - r a ¯ ) ( r b , s - r b ¯ ) ∑ ( r a , s - r a ¯ ) 2 ∑ ( r b , s - r b ¯ ) 2 （2）
式中：ra,s, rb,s分别为用户a和b对共同评价过的商品的评分; r a ¯ 、 r b ¯ 分别为用户a、b对这些商品评分的平均值;Sab为用户a、b共同评价过的商品集。用户u对商品s的预测评分ru,s如式（3）所示。
r u , s = r u ¯ + ∑ sim ( u , u' ) × ( r u' , s - r u' ¯ ) ∑ | sim ( u , u' ) | （3）
式中：Uun是与用户 u 相似性从大到小排序靠前并且评价过s的用户集传统集合。评分预测结束后,向用户推荐排名靠前的N个商品。
在进行POI推荐时,推荐的范围不能无限大。推荐前,首先根据用户位置筛选一定范围内POI建立候选集,推荐过程中仅考虑候选集中的POI。预测评分结束后,向用户推荐排名靠前的POI。
3.2.2 空间级联下的个性推荐
根据上述空间级联模型流程,算法主要包括3步：（1）传统推荐算法计算用户评分;（2）计算级联影响;（3）空间级联预测评分以进行Top-N推荐。
以traPre为传统评分,以spa表示空间关系影响,以cas为级联影响,则与式（1）对应的空间级联预测公式如式（4）所示。
pre ( u , PO I k ) = trePr e k × sp a k × ca s k （4）
式中： PO I k ( k ∈ N + ) 为第k级级联点,k=1时,为一级级联点,即推荐对象。算法的伪代码如图6所示。其中,traPre通过式（3）计算。空间关系函数spa的计算主要考虑出行距离对出行意愿的影响,根据Yang等的研究[17],出行的意愿随距离的增加而减小,即距离衰减函数,如式(5)所示。
sp a k = 1 e Dis ( Lo c k - 1 , Lo c k ) / maxdi s k - 1 , k ( Dis ( Lo c k - 1 , Lo c k ) < = maxdi s k - 1 , k ) 0 ( Dis ( Lo c k - 1 , re s k ) > maxdi s k - 1 , k ) （5）
式中：Dis(Lock-1,k)表示 k - 1 级点和k级点空间距离。作为对照实验,选取最大位置maxdisk-1,k筛选的距离,作为k-1筛选k级点的最大距离值,以控制相同的实验区域。级联函数cask计算如式（6）所示,由于是嵌套运算,为避免预测值不断增大,对传统评分进行归一化,其中,max_score为评分系统的最大值。级联函数的伪代码如图7所示。
ca s k = max { traPr e k + 1 max_score × sp a k + 1 × ca s k + 1 } （6）
在预测评分计算完毕后,按预测评分进行排序,选取前N个POI作为推荐POI。
Fig. 6 Pseudo code of spatial recommender algorithm

图6 空间级联模式下的推荐模型代码

Fig. 7 Pseudo code of spatial cascade function

图7 空间级联函数代码

3.3 实验内容及结果分析

3.3.1 实验设计
Herloker[24]认为推荐系统评价最好的方式,是使用应用领域的真实数据集,但现有的数据集很少考虑位置信息,且无法证明用户是在面临连续选择的情况下搜集的,用真实数据集进行评价显然不可行。事实上,现在很多空间个性推荐算法是利用非真实数据进行验证,例如,Carster[11]利用模拟数据进行算法验证。本文采用对比实验的方式来验证模型的有效性。
将传统推荐方法作为对照组,空间级联推荐下的个性推荐作为实验组,在上海地图中餐厅和KTV分布较聚集的地方随机选取点模拟用户位置,分别用2种算法对所有用户进行推荐,得分前10的POI作为推荐结果。需进一步说明的是,空间级联实验组中,餐厅为一级级联,即推荐目标,KTV为二级级联。
3.3.2 实验结果评价及分析
现有推荐算法的离线评价指标主要有RMSE,召回率和准确率[25-26]。因为空间级联是考虑用户方便而非提高餐厅推荐预测评分的精确度,因此不适合用RMSE做验证;召回率和准确率分别是评价用户对推荐结果感兴趣的概率和用户喜欢的商品被推荐的概率。在进行位置筛选后,用户感兴趣的POI中会随位置变化而明显变化,难以计算召回率和准确度,因此该指标亦不合适。空间级联是为了在保证给用户推荐喜欢的POI的条件下,同时使得用户进一步活动更为方便,需要一种能同时评价用户偏好和空间便利性的指标。
协同过滤算法因为仅考虑历史偏好进行推荐,其推荐结果必然是预测用户偏好得分偏高的POI,但是POI的空间距离与结果没有联系;在空间级联算法中考虑了级联和距离影响,故相对于协同过滤结果,必然会造成预测用户偏好得分的损失,但同时所推荐的POI与用户的距离也会降低,在空间距离上有所收益,分别称为偏好损耗和距离收益。空间级联推荐希望在保证偏好的基础上,偏好损耗小于距离收益。因此,本文提出偏好-距离损益指标,如式（7）所示。
p = ∑ k = 1 N ( ∑ r tra , k - ∑ r cas , k ) / ∑ r tra , k ) ∑ k = 1 N ( ∑ Di s tra , k - ∑ Di s cas , k ) / ∑ Di s tra , k ) × 1 N （7）
式中： N 表示共有N层级联; ∑ r tra , k 、 ∑ r cas , k 分别表示用传统推荐算法和空间级联推荐所得结果中第k级点的用户偏好,其中用户偏好均用传统方法的预测评分来表示。 ∑ Di s tra , k 、 ∑ Di s cas , k 分别表示对所有传统方法推荐结果和空间级联推荐结果中第k级点与对应k-1级点的空间距离,视用户位置为0级点。实验仅级联至KTV层级,故N取2。
其中, p < 1 表示用较少的偏好损失,可得到较大的距离收益,即空间推荐起到了很好的效果。 p > 1 表示大的偏好损失难以得到较大的距离收益,即周边没有合适的级联点,空间级联推荐结果不能起到效果。
实验随机选取5个点进行预测,其结果如表1所示。所有p值均小于1,可说明,损失的偏好小于距离受益,综合考虑偏好和空间级联可得到较好的结果。
Tab. 1 The evaluation of spatial cascaded recommender algorithm

表1 空间级联推荐评价表

编号 X坐标 Y坐标 p
1 637 870.9959 3 452 923.334 0.215
2 641 123.6277 3 457 946.251 0.649
3 640 512.8528 3 455 670.962 0.361
4 644 801.1710 3 465 454.573 0.085
5 641 963.7390 3 459 558.950 0.079
为了更直观地比较,基于百度地图API、Javascript,以VS为编程平台,SQLserver 2008为数据库,实现餐厅推荐的可视化,并随机选取其中一组,其结果如图8所示。图8(a)是利用传统方法对用户得到的推荐列表,图8(b)是利用空间级联模型对用户的推荐列表。在结果显示中,推荐结果列表与推荐点位依次对应,可方便用户查看。通过图8(a)和8(b)的对比,可很直观地看到空间级联个性推荐模型的结果具有很大的集聚性,说明在考虑距离和下一步选择时,空间级联推荐可得到较好的结果。
Fig. 8 The comparison of spatial cascaded recommender system and traditional recommender system

图8 空间级联推荐模型与传统推荐方法结果的比较

4 结论

本文针对现有推荐算法在后续活动,对当前选择影响考虑不足的问题,通过对空间连续选择建模,建立空间级联模式下的个性推荐模型,并建立距离-偏好损益指标,验证了模型在偏好损失较小的情况下,可获得较大的距离收益;通过可视化将2种结果展示在地图上,可看出考虑空间级联的推荐结果具有集聚性。
虽然这种方法取得了不错的效果,但是在数据和模型案例设计方面依然显得不足。现有数据难以体现用户的连续选择;在模型的案例设计方面,空间关系仅考虑直线距离,而人类活动性更大程度上受网络距离甚至是时间的影响。因此,在模型的实际应用中,应从这2个方面进一步提升算法实用性。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王立才,孟祥武,张玉洁.上下文感知推荐系统[J].软件学报,2012,23(1):1-20.近年来,上下文感知推荐系统已成为推荐系统研究领域最为活跃的研 究领域之一.如何利用上下文信息进一步提高推荐系统的推荐精确度和用户满意度,成为上下文感知推荐系统的主要任务.从面向过程的角度对最近几年上下文感知 推荐系统的研究进展进行综述,对其系统框架、关键技术、主要模型、效用评价以及应用实践等进行了前沿概括、比较和分析.最后,对上下文感知推荐系统有待深 入的研究难点和发展趋势进行了展望.

DOI

[ Wang L C, Meng X W, Zhang Y J.Context-Aware recommender systems[J].Journal of Software, 2012,23(1):1-20. ]

[2]
陈敏. 个性化推荐系统研究[D].南京:南京邮电大学,2012.

[ Chen M.Research on personalized recommendation system. Nanjing University of Posts and Communications, 2012. ]

[3]
Burke R.Hybrid web recommender systems[A]. Brusilovsky P, Kobsa A, NejdlW(eds.). The Adaptive Web[M]. Springer, 2007:377-408.

[4]
Linden G, Smith B,York J.Amazon.com recommendations: Item-to-item collaborative filtering[J]. IEEE Internet Computing, 2003,7(1):76-80.Recommendation algorithms are best known for their use on e-commerce Web sites, where they use input about a customer's interests to generate a list of recommended items. Many applications use only the items that customers purchase and explicitly rate to represent their interests, but they can also use other attributes, including items viewed, demographic data, subject interests, and favorite artists. At Amazon.com, we use recommendation algorithms to personalize the online store for each customer. The store radically changes based on customer interests, showing programming titles to a software engineer and baby toys to a new mother. There are three common approaches to solving the recommendation problem: traditional collaborative filtering, cluster models, and search-based methods. Here, we compare these methods with our algorithm, which we call item-to-item collaborative filtering. Unlike traditional collaborative filtering, our algorithm's online computation scales independently of the number of customers and number of items in the product catalog. Our algorithm produces recommendations in real-time, scales to massive data sets, and generates high quality recommendations.

DOI

[5]
Resnick P, Iacovou N, Suchak M, et al.GroupLens: An open architecture for collaborative filtering of netnews[C]. Proceedings of the 1994 ACM Conference on Computer Supported Cooperative Work, 1994:175-186.

[6]
Shardanand U, Maes P.Social information filtering: Algorithms for automating “word of mouth”[C]. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 1995:210-217.

[7]
Salter J, Antonopoulos N.CinemaScreen recommender agent: Combining collaborative and content-based filtering[J]. Intelligent Systems IEEE, 2006,21(1):35-41.A film recommender agent expands and fine-tunes collaborative-filtering results according to filtered content elements - namely, actors, directors, and genres. This approach supports recommendations for newly released, previously unrated titles. Directing users to relevant content is increasingly important in today's society with its ever-growing information mass. To this end, recommender systems have become a significant component of e-commerce systems and an interesting application domain for intelligent agent technology.

DOI

[8]
孟祥武,胡勋,王立才,等.移动推荐系统及其应用[J].软件学报,2013,24(1):91-108.近年来,移动推荐系统已成为推荐系统研究领域最为活跃的课题之 一.如何利用移动上下文、移动社会化网络等信息进一步提高移动推荐系统的推荐精确度和用户满意度,成为移动推荐系统的主要任务.对最近几年移动推荐系统研 究进展进行综述,对其关键技术、效用评价以及应用实践等进行前沿概括、比较和分析.最后,对移动推荐系统有待深入的研究难点和发展趋势进行分析和展望.

DOI

[ Meng X W, Hu X, Wang L C, et al.Mobile recommender systems and their application. Journal of Software, 2013,24(1):91-108. ]

[9]
Setten M V, Pokraev S, Koolwaaij J.Context-aware recommendations in the mobile tourist application COMPASS[A]. De Bra P M E, Nejdl W (eds.). Adaptive Hypermedia and Adaptive Web-based Systems[M]. Springer-Verlag Berlin Heidelberg, 2004: 235-244.

[10]
Girardello A, Michahelles F.AppAware: Which mobile applications are hot?[C]. Proceedings of the 12th International Conference on Human Computer Interaction with Mobile Devices and Services, 2010:431-434.

[11]
Stiller C, Ros F, Ament C.Towards spatial awareness in recommender systems[C]. IEEE International Conference for Internet Technology and Secured Transactions, 2009:1-7.

[12]
Yang W S, Cheng H C, Dia J B.A location-aware recommender system for mobile shopping environments[J]. Expert Systems with Applications, 2008,34(1):437-445.Exploring new applications and services for mobile environments has generated considerable excitement among both commercial companies and academics. In this paper we propose a location-aware recommender system that accommodates a customer’s shopping needs with location-dependent vendor offers and promotions. Specifically, we propose a recommender system for recommending vendors’ webpages – include offers and promotions – to interested customers. We present the developed system and the constructed approaches in this paper. The results of experiments using both synthetic and empirical data are also reported and discussed.

DOI

[13]
张春永,陈群.一种基于LBS的移动个性化推荐系统[J].科学技术与工程,2011,11(30):7439-7442.随着个性化推荐技术的不断成熟和移动互联网的迅猛发展以及各种移动智能设备在人们的日常生活中扮演着重要的角色。结合LBS和个性化推荐技术,提出一种基于LBS的移动个性化菜品推荐系统。系统通过经纬度对菜品进行地域过滤,从而产生候选推荐集,然后对候选推荐集进行分类或聚类,并且对各类里的候选推荐集采用协同过滤技术进行过滤,从而形成每个类的Top-Ni推荐集,最后将各类的Top-Ni推荐集进行归并并产生最终的推荐集。最后在iPhone平台上实现了系统原型EatStars。

DOI

[ Zhang C Y, Chen Q.A LBS-based mobile personalized recommendation system[J]. Science Technology and Engineering, 2011,11(30):7439-7442. ]

[14]
隽志才,李志瑶,宗芳.基于活动链的出行需求预测方法综述[J].公路交通科技,2005,22(6):108-113.基于活动链出行预测理论主要研 究人们对社会经济活动(以下简称活动)和出行行为的决策特性。介绍此理论的发展过程,给出6个重要的模型系统,并简要评价各个模型的优缺点。然后简单介绍 1994年由Ben Akiva提出的基于活动链出行需求模型,进一步说明系统的框架和预测过程。通过对基于活动链理论发展过程和实际模型应用效果的分析,给出目前模型系统存 在的缺点和问题,探索改进出行需求预测方法的途径。

DOI

[ Juan Z C, Li Z Y, Zong F.A review of activity-based travel demand forecasting method[J]. Journal of Highway and Transportation Research and Development, 2005,22(6):108-113. ]

[15]
许志勇. 基于活动链的居民出行需求预测模型研究[D].成都:西南交通大学,2013.

[ Xu Z Y.Study on travel demand of risidents model based on activity China[D]. Cheng Du:Southwest Jiaotong University, 2013. ]

[16]
Hu Y, Koren Y, Volinsky C.Collaborative filtering for implicit feedback datasets[C]. IEEE International Conference on Data Mining (ICDM), 2008:263-272.

[17]
Sarwar B, Karypis G, Konstan J, et al.Item-based collaborative filtering recommendation algorithms[C]. Proceeding of the 10th International Conference on World Wide Web, 2001:285-295.

[18]
Pazzani M J, Billsus D.Content-based recommendation systems[A]. Brusilovsky P, Kobsa A, Nejdl W (eds.). The Adaptive Web[M]. Springer Berlin Heidelberg, 2007:325-41.

[19]
Burke R.Hybrid recommender systems: Survey and experiments[J]. User Modeling and User-adapted Interaction, 2002,12(4):331-70.<a name="Abs1"></a>Recommender systems represent user preferences for the purpose of suggesting items to purchase or examine. They have become fundamental applications in electronic commerce and information access, providing suggestions that effectively prune large information spaces so that users are directed toward those items that best meet their needs and preferences. A variety of techniques have been proposed for performing recommendation, including content-based, collaborative, knowledge-based and other techniques. To improve performance, these methods have sometimes been combined in hybrid recommenders. This paper surveys the landscape of actual and possible hybrid recommenders, and introduces a novel hybrid, EntreeC, a system that combines knowledge-based recommendation and collaborative filtering to recommend restaurants. Further, we show that semantic ratings obtained from the knowledge-based part of the system enhance the effectiveness of collaborative filtering.

DOI

[20]
Adomavicius G, Tuzhilin A.Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions[C]. IEEE Transactions on Knowledge and Data Engineering, 2005:734-749.

[21]
闫小勇. 人类个体出行行为的统计实证[J].电子科技大学学报,2011,40(2):168-173.统计了欧洲某城市230位居民在6周内的出行活动中的停留时间分布和出行距离分布.首先假设人类出行的停留时间和距离在群体和个体水平上都符合幂律分布,然后用最大似然估计法对这些分布的幂指数进行估计,最后用Kolmogoroy-Smirnov检验法对假设的真伪性进行检验.结果发现:在停留时间分布方面,无论在群体水平还是个体水平上都不具有幂律分布特征,而是以相对幂律分布更高的概率进行长时间停留;在出行距离分布方面,群体的出行距离服从带有指数截断的幂律分布,但有198个个体的出行距离分布并不具有幂律特征,而是在某个特征性距离上出现峰值.对这些统计特征的形成机制进行了解释.

DOI

[ Yan X Y.Empirical statistics on individual human travel behavior[J]. Journal of University of Electronic Science and Technology of China, 2011,40(2):168-173. ]

[22]
Levandoski J J, Sarwat M, Eldawy A, et al.Lars: A location-aware recommender system[C]. In Proceeding of the 2012 IEEE 28th International Conference on Data Engineering (ICDE), 2012:450-461

[23]
Lü L, Medo M, Yeung C H, et al.Recommender systems[J]. Physics Reports, 2012,519(1):1-49.Abstract: The ongoing rapid expansion of the Internet greatly increases the necessity of effective recommender systems for filtering the abundant information. Extensive research for recommender systems is conducted by a broad range of communities including social and computer scientists, physicists, and interdisciplinary researchers. Despite substantial theoretical and practical achievements, unification and comparison of different approaches are lacking, which impedes further advances. In this article, we review recent developments in recommender systems and discuss the major challenges. We compare and evaluate available algorithms and examine their roles in the future developments. In addition to algorithms, physical aspects are described to illustrate macroscopic behavior of recommender systems. Potential impacts and future directions are discussed. We emphasize that recommendation has a great scientific depth and combines diverse research fields which makes it of interests for physicists as well as interdisciplinary researchers.

DOI

[24]
Herlocker J L, Konstan J A, Terveen L G, et al.Evaluating collaborative filtering recommender systems[J]. In ACM Transactions on Information Systems (TOIS), 2004,22(1):5-53.

[25]
Garcin F, Faltings B, Donatsch O, et al.Offline and online evaluation of news recommender systems at swissinfo.ch[C]. In Proceedings of the 8th ACM Conference on Recommender systems, 2014:169-176.

[26]
朱郁筱,吕琳媛.推荐系统评价指标综述[J].电子科技大学学报,2012,41(2):163-75.对现有的推荐系统评价指标进行 了系统的回顾,总结了推荐系统评价指标的最新研究进展,从准确度、多样性、新颖性及覆盖率等方面进行多角度阐述,并对各自的优缺点以及适用环境进行了深入 的分析。特别讨论了基于排序加权的指标,强调了推荐列表中商品排序对推荐评价的影响。最后对以用户体验为中心的推荐系统进行了详细的讨论,并指出了一些可 能的发展方向。

DOI

[ Zhu Y X, L V L Y. Evaluation metrics for recommender systems[J]. Journal of University of Electronic Science and Technology of China, 2012,41(2):163-75. ]

Options
Outlines

/

〈 〉