توصیه بعدی نقطه مورد علاقه (POI) یکی از ضروری ترین برنامه ها در شبکه های اجتماعی مبتنی بر مکان (LBSNs) است. هدف اصلی آن تحقیق در مورد الگوهای متوالی فعالیت‌های ورود کاربر و سپس پیش‌بینی مقصد بعدی کاربر است. با این حال، اکثر مطالعات قبلی در استفاده کامل از اطلاعات مکانی-زمانی برای تجزیه و تحلیل منظم بودن دوره‌ای ورود کاربر شکست خورده‌اند، و برخی از مطالعات ترجیحات انتقال کاربر را برای مقوله در سطح معنایی POI حذف می‌کنند. اینها برای تجزیه و تحلیل ترجیحات کاربر برای رفتار ورود مهم هستند. مدل‌سازی اولویت‌های بلندمدت و کوتاه‌مدت مبتنی بر توجه چند سطحی (LSMA) برای حل مشکل فوق و افزایش دقت توصیه‌های POI بعدی ارائه شده است. این می تواند ترجیحات بلند مدت و کوتاه مدت کاربر را به طور جداگانه ثبت کند، و استفاده چند وجهی از اطلاعات مکانی-زمانی را در نظر بگیرید. به طور خاص، می تواند سرگرمی های دوره ای موجود در ورود کاربر را تجزیه و تحلیل کند. علاوه بر این، یک مکانیسم توجه چند سطحی برای مطالعه نمایش پویا چند عاملی رفتار ورود کاربر و وابستگی غیرخطی بین ورود کاربر طراحی شده است، که می‌تواند چند زاویه و به طور جامع علایق ورود کاربر را بررسی کند. ما همچنین ترجیحات انتقال دسته کاربر را در سطح معنایی درشت دانه مطالعه می کنیم تا به ایجاد ترجیحات بلند مدت و کوتاه مدت کاربر کمک کنیم. در نهایت، آزمایش‌ها بر روی دو مجموعه داده واقعی انجام شد. یافته‌ها نشان داد که مدل‌سازی LSMA عملکرد بهتری از سیستم‌های پیشنهادی پیشرفته دارد. می تواند سرگرمی های دوره ای موجود در چک در کاربر را تجزیه و تحلیل کند. علاوه بر این، یک مکانیسم توجه چند سطحی برای مطالعه نمایش پویا چند عاملی رفتار ورود کاربر و وابستگی غیرخطی بین ورود کاربر طراحی شده است، که می‌تواند چند زاویه و به طور جامع علایق ورود کاربر را بررسی کند. ما همچنین ترجیحات انتقال دسته کاربر را در سطح معنایی درشت دانه مطالعه می کنیم تا به ایجاد ترجیحات بلند مدت و کوتاه مدت کاربر کمک کنیم. در نهایت، آزمایش‌ها بر روی دو مجموعه داده واقعی انجام شد. یافته‌ها نشان داد که مدل‌سازی LSMA عملکرد بهتری از سیستم‌های پیشنهادی پیشرفته دارد. می تواند سرگرمی های دوره ای موجود در چک در کاربر را تجزیه و تحلیل کند. علاوه بر این، یک مکانیسم توجه چند سطحی برای مطالعه نمایش پویا چند عاملی رفتار ورود کاربر و وابستگی غیرخطی بین ورود کاربر طراحی شده است، که می‌تواند چند زاویه و به طور جامع علایق ورود کاربر را بررسی کند. ما همچنین ترجیحات انتقال دسته کاربر را در سطح معنایی درشت دانه مطالعه می کنیم تا به ایجاد ترجیحات بلند مدت و کوتاه مدت کاربر کمک کنیم. در نهایت، آزمایش‌ها بر روی دو مجموعه داده واقعی انجام شد. یافته‌ها نشان داد که مدل‌سازی LSMA عملکرد بهتری از سیستم‌های پیشنهادی پیشرفته دارد. یک مکانیسم توجه چند سطحی برای مطالعه نمایش پویا چند عاملی رفتار ورود کاربر و وابستگی غیرخطی بین ورود کاربران طراحی شده است، که می تواند چند زاویه ای داشته باشد و به طور جامع علایق ورود کاربر را بررسی کند. ما همچنین ترجیحات انتقال دسته کاربر را در سطح معنایی درشت دانه مطالعه می کنیم تا به ایجاد ترجیحات بلند مدت و کوتاه مدت کاربر کمک کنیم. در نهایت، آزمایش‌ها بر روی دو مجموعه داده واقعی انجام شد. یافته‌ها نشان داد که مدل‌سازی LSMA عملکرد بهتری از سیستم‌های پیشنهادی پیشرفته دارد. یک مکانیسم توجه چند سطحی برای مطالعه نمایش پویا چند عاملی رفتار ورود کاربر و وابستگی غیرخطی بین ورود کاربران طراحی شده است، که می تواند چند زاویه ای داشته باشد و به طور جامع علایق ورود کاربر را بررسی کند. ما همچنین ترجیحات انتقال دسته کاربر را در سطح معنایی درشت دانه مطالعه می کنیم تا به ایجاد ترجیحات بلند مدت و کوتاه مدت کاربر کمک کنیم. در نهایت، آزمایش‌ها بر روی دو مجموعه داده واقعی انجام شد. یافته‌ها نشان داد که مدل‌سازی LSMA عملکرد بهتری از سیستم‌های پیشنهادی پیشرفته دارد. آزمایش ها بر روی دو مجموعه داده دنیای واقعی انجام شد. یافته‌ها نشان داد که مدل‌سازی LSMA عملکرد بهتری از سیستم‌های پیشنهادی پیشرفته دارد. آزمایش ها بر روی دو مجموعه داده دنیای واقعی انجام شد. یافته‌ها نشان داد که مدل‌سازی LSMA عملکرد بهتری از سیستم‌های پیشنهادی پیشرفته دارد.

کلید واژه ها:

توصیه POI بعدی ؛ شبکه عصبی مکرر ؛ LSTM ; مکانیسم توجه ؛ شبکه های اجتماعی مبتنی بر مکان

1. مقدمه

در سال‌های اخیر، اینترنت تلفن همراه پررونق، کاربرد گسترده شبکه‌های اجتماعی مبتنی بر مکان (LBSNs) را با کاربرانی که موقعیت و زندگی خود را با استفاده از فعالیت‌های ثبت نام در LBSN‌ها، مانند Gowalla، Brightkite، Yelp و غیره به اشتراک می‌گذارند، به اشتراک می‌گذارند [ 1 ] . توصیه نقطه مورد علاقه (POI) بعدی، به عنوان یکی از مهم ترین خدمات در LBSN ها، توصیه POI بعدی به کاربر بر اساس الگوی حرکت او است. متفاوت از توصیه عمومی POI، ترتیب ورود کاربران را در نظر می گیرد و وابسته به زمان و متوالی است. توصیه POI بعدی هم برای کاربر و هم برای تاجر اهمیت زیادی دارد و می‌تواند برای برنامه‌های مسیر، تبلیغات تجاری و پیش‌بینی ترافیک اعمال شود [ 2 ، 3 ].
مطالعات اولیه از مزیت زنجیره مارکوف برای پیش‌بینی وضعیت‌های فرآیند برای توصیه POI بعدی استفاده کردند [ 4 ]. سپس در برخی مطالعات از یک شبکه عصبی بازگشتی (RNN) برای مدل‌سازی توالی‌های ورود برای توصیه POI بعدی استفاده شد. به عنوان یک بهبود، حافظه کوتاه مدت بلندمدت (LSTM) بر اساس اطلاعات مکانی-زمانی برای مدل‌سازی مسیرهای طولانی پیشنهاد شده است و به عملکرد خوبی دست می‌یابد [ 5 ]. با این حال، ورود کاربر تنها محدود به زمان و مکان نیست – همچنین اطلاعات متنی مختلفی وجود دارد که ارزش بررسی دارد. همانطور که در شکل 1 نشان داده شده است ، کاربر uدارای یک ترتیب ورود با لیستی از فعالیت های روز یکشنبه است. این لیست حاوی انواع مختلفی از اطلاعات زمینه ای است، مانند زمان، موقعیت جغرافیایی، دسته بندی POI، تفاوت زمانی Δتین-1، فاصله Δدن-1و غیره. برای حل مشکل پراکندگی داده ها، از اطلاعات زمینه مکانی برای گرفتن همبستگی بین POI برای توصیه POI [ 6 ] استفاده می شود. لیو و همکاران مدل ST-RNN را پیشنهاد کرد که اطلاعات مکانی-زمانی را بر اساس یک RNN در نظر می گیرد [ 7 ]. با این حال، قابل توجه است که یک کاربر در هر روز هفته الگوی متفاوتی دارد. بنابراین لازم است که اطلاعات زمانی ورود و بررسی الگوی ورود روزانه کاربران در یک هفته بررسی شود. به این معنا که باید از عامل زمانی بیشتر برای مطالعه دوره‌ای ورود کاربر استفاده شود تا منظم بودن ورود و دقت پیش‌بینی بهبود یابد. علاوه بر این، مسیر ورود نشان داده شده در شکل 1نشان می دهد که کاربر اولویت انتقال دسته را در سطح دسته دارد. کاربر تمایل دارد از دسته سرگرمی به محل اقامت دسته تغییر کند. مطالعه اولویت کاربر برای دسته POI ضروری است و این می تواند به پیش بینی یک POI خاص کمک کند. با این حال، هنوز جای بهبود در مورد نحوه استفاده از دسته POI برای بهبود عملکرد توصیه POI وجود دارد.
به طور کلی، ترجیحات کاربر پیچیده است و در طول زمان تغییر می کند. ترجیح طولانی مدت کاربر می تواند علایق عمومی آنها را بیان کند و ترجیحات کوتاه مدت کاربر می تواند علاقه ناگهانی آنها را نشان دهد. برای تجزیه و تحلیل عملکردهای بلند مدت و کوتاه مدت یک کاربر، یک مدل LSTPM بر اساس اطلاعات مکانی-زمانی با ترکیب LSTM و RNN [ 8 ] پیشنهاد شده است. علاوه بر این، مکانیسم توجه به توصیه POI بعدی معرفی شده است تا تأثیرات مختلف اعلام حضور در مراحل زمانی مختلف در ورود به POI بعدی را مطالعه کند [ 9 ]]. با این حال، لازم است به طور کامل از مکانیسم توجه برای مطالعه میزان تأثیر عوامل مختلف در ورود هر کاربر استفاده شود. از یک طرف، استخراج وابستگی غیرخطی از اصطلاحات غیر مجاور و پی بردن به هدف اصلی کاربر در دنباله چک کردن بسیار مهم است. از سوی دیگر، عاملی که بر تصمیم کاربر در هر فعالیت ورود به سیستم تأثیر می‌گذارد، پویا است – ممکن است زمان، مسافت یا دسته برای کاربران مختلف باشد. همچنین کشف عوامل تعیین کننده ورود هر کاربر و به دست آوردن یک نمایش پویا چند عاملی از ورود کاربران یک چالش فوری است.
برای استفاده کامل از اطلاعات ورود و در نظر گرفتن ترجیحات بلند مدت و کوتاه مدت کاربر، ما یک مدل یادگیری ترجیحی بلندمدت و کوتاه‌مدت بر اساس مکانیسم توجه چند سطحی (LSMA) برای موارد بعدی ایجاد می‌کنیم. توصیه POI. ابتدا، نمایش پویا چند عاملی ورود کاربر در نظر گرفته می شود و وزن ویژگی های مختلف در هر ورود به یک کاربر به دست می آید. ثانیاً، وابستگی غیرخطی بین ورودهای کاربر با استفاده از نمایش دقیق ورود کاربر در نظر گرفته می‌شود و تأثیر ورود در مراحل مختلف زمانی بر ورود به POI بعدی به دست می‌آید. این امر دقت ارائه ورود و صحت توصیه را تا حد زیادی بهبود می بخشد. علاوه بر استفاده مستقیم از اطلاعات زمینه ای ذکر شده در بالا در سطح POI ریز دانه برای توصیه POI بعدی به یک کاربر، ما همچنین ترجیحات انتقال دسته بندی درشت کاربر را در سطح معنایی مطالعه می کنیم که می تواند درجه ترجیح کاربر را افزایش دهد. POI. نتایج تجربی روی دو مجموعه داده دنیای واقعی بزرگ Foursquare نشان می‌دهد که LSMA به طور قابل‌توجهی بهتر از هفت خط پایه دیگر از نظر فراخوانی و MAP عمل می‌کند. مشارکت های اصلی این مطالعه به شرح زیر است: نتایج تجربی روی دو مجموعه داده دنیای واقعی بزرگ Foursquare نشان می‌دهد که LSMA به طور قابل‌توجهی بهتر از هفت خط پایه دیگر از نظر فراخوانی و MAP عمل می‌کند. مشارکت های اصلی این مطالعه به شرح زیر است: نتایج تجربی روی دو مجموعه داده دنیای واقعی بزرگ Foursquare نشان می‌دهد که LSMA به طور قابل‌توجهی بهتر از هفت خط پایه دیگر از نظر فراخوانی و MAP عمل می‌کند. مشارکت های اصلی این مطالعه به شرح زیر است:
  • ما به ترتیب ترجیحات بلندمدت و کوتاه مدت کاربر را تجزیه و تحلیل می کنیم و آنها را ترکیب می کنیم تا اولویت کاربر نهایی را تشکیل دهیم. یک لیست پیشنهادی POIهای k بالا بر اساس احتمال دسترسی به POI بعدی محاسبه شده توسط تنظیمات برگزیده کاربر و همه POIهای نامزد از طریق فیلتر POI که ما طراحی کرده ایم، ایجاد می شود.
  • ما از یک مکانیسم توجه چند سطحی برای مطالعه نمایش دینامیک چند عاملی رفتار ورود کاربر و وابستگی غیرخطی بین ورودها در مسیر ورود آنها استفاده می‌کنیم. این می‌تواند وزن ویژگی‌های مختلف را در هر ورود کاربر و تأثیر ورود در مراحل زمانی مختلف در بررسی POI بعدی را بیاموزد.
  • ما ترجیحات انتقال دسته کاربر را در سطح معنایی مطالعه می‌کنیم تا با استفاده از ماژول دسته‌بندی که ساختیم، نمایش ورود کاربر را ایجاد کنیم. علاوه بر این، تناوب ورود کاربر را در نظر می گیریم و الگوی ترتیبی کاربر را بر اساس اطلاعات زمینه مکانی-زمانی استخراج می کنیم. هر دوی اینها شکل گیری ترجیحات کاربر را تا حد زیادی ترویج می کنند و توصیه عملکرد را افزایش می دهند.
ادامه مقاله به شرح زیر تدوین شده است. ما روش های توصیه POI را در بخش 2 مرور می کنیم . در بخش 3 ، برخی از تحقیقات مقدماتی شرح داده شده است. بخش 4 روش پیشنهادی POI پیشنهادی را شرح می دهد. بخش 5 نتایج تجربی و تجزیه و تحلیل پارامتر مربوطه را ارائه می دهد. در نهایت، بخش 6 نتیجه گیری را ارائه می کند.

2. کارهای مرتبط

2.1. توصیه POI

توصیه‌های POI توجه زیادی را در دانشگاه به‌عنوان موضوعی با ارزش و اهمیت گسترده در دنیای واقعی به خود جلب کرده‌اند. فیلتر مشارکتی (CF) برای مطالعه ترجیحات کاربر برای POI در روش‌های توصیه اولیه استفاده می‌شود. ژانگ و همکاران [ 10 ] یک روش فیلتر مشترک بین منطقه ای را برای توصیه POI های جدید ارائه کرد. عمدتاً شامل موضوعات پنهان شده از سوابق ورود کاربر است. با توجه به سازگاری روابط اجتماعی، خو و همکاران. [ 11] مدل فیلتر مشارکتی (SCCF) را بر اساس فضای تأثیر ارتباطات اجتماعی و فضای تأثیر ویژگی فردی به منظور حل مشکل شروع سرد مورد مطالعه قرار داد. سایر تکنیک‌های CF مبتنی بر مدل نیز برای توصیه‌های POI استفاده شده‌اند، مانند فاکتورسازی ماتریس (MF) و فاکتورسازی ماتریس احتمال (PMF) [ 12 ]. دوطلب و همکاران [ 13] متوجه شد که ارتباط ضمنی بین کاربران و POI وجود دارد، و یک مدل تجزیه ماتریس احتمال فضایی-زمانی اجتماعی (SSTPMF) را با استفاده از شباهت POI و شباهت کاربر، برای مدل‌سازی شباهت فضای اجتماعی، فضای جغرافیایی و فضای دسته‌بندی POI پیشنهاد کرد. از عامل شباهت بالقوه برای روش استدلال چند متغیره توصیه شده POI استفاده می کند. متأسفانه، روش‌های سنتی توصیه POI، وابستگی متوالی توالی آهنگ ورود کاربر را نادیده می‌گیرند، که دقت توصیه POI را کاهش می‌دهد.

2.2. توصیه POI بعدی

برای توصیف سری های زمانی و الگوی حرکتی که توسط ورود کاربر ایجاد می شود، برخی از محققان از زنجیره پنهان مارکوف برای توصیه POI بعدی استفاده کرده اند [ 14 ]. زنجیره مارکوف مزیت بزرگی در پیش‌بینی حالت فرآیندهای متوالی دارد. چنگ و همکاران [ 15 ] مدل FPMC-LR را با ترکیب تبدیل POI و محدودیت فاصله زنجیره مارکوف مرتبه اول ارائه کرد. با این حال، این الگوریتم‌های پیشنهادی مبتنی بر زنجیره مارکوف در گرفتن بافت دنباله طولانی مشکل دارند.
با استفاده از شبکه های عصبی مکرر می توان مشکلات فوق را حل کرد. مدل زمان-LSTM مبتنی بر LSTM برای مطالعه تأثیر فاصله زمانی بر رفتار ورود به جلسه برای توصیه POI بعدی پیشنهاد شده است [ 16 ]. عوامل زیادی (مانند زمان، موقعیت جغرافیایی، دسته بندی و غیره) در هنگام ورود بر انتخاب ورود کاربران تأثیر می گذارد. بنابراین، ادغام اطلاعات زمینه ای مختلف در مدل توصیه می تواند به طور موثر الگوهای تحرک کاربران را استخراج کند. یک چارچوب یادگیری چند وظیفه ای مبتنی بر شبکه LSTM به نام iMTL برای در نظر گرفتن جامع مقوله و اطلاعات زمانی در دنباله مسیر برای توصیه POI بعدی وجود دارد [ 17 ]]. مطالعات متعدد نشان داده اند که اطلاعات زمینه ای برای مطالعه رفتار ورود کاربر ارزشمند است.
مکانیسم توجه می تواند میزان تأثیر مؤلفه های مختلف را به تصویر بکشد. به دست آوردن جزئیات ترجیحی کاربر دقیق تر برای بهبود عملکرد مدل توصیه POI مفید است [ 18 ]. ATST-LSTM بر اساس مکانیسم توجه است و حاوی اطلاعات مکانی-زمانی است، اما اطلاعات اولویت انتقال دسته را در نظر نمی گیرد [ 19 ]. ژنگ و همکاران [ 20 ] تأثیر یک شبکه توجه سلسله مراتبی (MAHAN) بر تقویت حافظه را برای توصیه POI بعدی مورد مطالعه قرار داد. لیو و همکاران [ 21 ] یک مدل GRU مبتنی بر توجه و آگاه از طبقه بندی را برای توصیه POI بعدی پیشنهاد کرد که عمدتاً بر اولویت دسته بندی POI کاربر تمرکز دارد. شیا و همکاران [ 22] مکانیسم های توجه درون و بین مسیری را برای مقابله با مشکل پراکندگی طراحی کرد. فنگ و همکاران [ 23 ] یک شبکه تکراری توجه را برای پیش‌بینی تحرک کاربر از مسیرهای پراکنده پیشنهاد کرد. این شبکه مرتبط ترین مسیر تاریخی را انتخاب می کند تا ماهیت دوره ای حرکت انسان را به تصویر بکشد. مطالعات فوق نشان داد که عملکرد توصیه خوب را می توان از طریق مکانیسم توجه به دست آورد. با این حال، آنها تنها با مطالعه اهمیت هر سلول RNN به آخرین سلول، تأثیر هر ورود را بر آخرین ورود در مسیر در نظر می گیرند – درجه تأثیر ویژگی های مختلف در هر ورود نادیده گرفته می شود، که همچنین برای انعکاس دقیق تر رفتار ورود کاربر بسیار مهم است.
مشابه حافظه انسان که توسط تحقیقات روانشناختی موجود مورد مطالعه قرار گرفته است، علایق کاربر نیز می تواند به بلندمدت و کوتاه مدت تقسیم شود. علاقه بلند مدت تمرکز طولانی مدت کاربر را بیان می کند و علاقه کوتاه مدت می تواند تغییرات سریع در علاقه کاربر را درک کند. برخی از مطالعات فقط ترجیحات کوتاه مدت کاربران را در نظر می گیرند، مانند ST-RNN [ 7 ]، اما برخی دیگر مطالعه ترجیحات بلند مدت و کوتاه مدت را ضروری دانسته اند. جاناخ و همکاران [ 24 ] دریافتند که هم منافع بلندمدت و هم منافع کوتاه مدت کاربر تأثیر قابل توجهی بر توصیه عملکرد دارد. سپس یک مدل ترکیبی بلند مدت و کوتاه مدت، بر اساس اطلاعات مکان و دسته، برای توصیه POI بعدی پیشنهاد شده است [ 25 ]]. LSTPM ترجیحات بلند مدت و کوتاه مدت را بر اساس دو شبکه LSTM یکپارچه می کند، اما اطلاعات زمان و دسته را در نظر نمی گیرد [ 8 ]. لیو و همکاران [ 26 ] مدل RTPM را بر اساس LSTM پیشنهاد کرد که هم ترجیحات بلندمدت و هم ترجیحات کوتاه مدت را در نظر می گرفت و ترجیحات بلادرنگ کاربر را از طریق علاقه عمومی در ماژول اولویت کوتاه مدت مطالعه می کرد. اگرچه RTPM برخی از POI ها را در مرحله توصیه با استفاده از اطلاعات دسته بندی POI فیلتر می کند تا فضای توصیه را کاهش دهد، اما هنگام ساخت الگوی حرکت کاربر، دسته ورود به سیستم را نیز نادیده می گیرد.
برخلاف مطالعات قبلی که مسیر دسته بندی کاربر و اطلاعات مکانی-زمانی ورود را به طور کامل در نظر نمی گیرند، تحقیق ما از اولویت انتقال دسته کاربر برای ایجاد یک نمایش ورود استفاده می کند و سپس طولانی و کوتاه کاربر را در نظر می گیرد. ترجیحات اصطلاحی، به ترتیب، بر اساس مکانیسم توجه چند سطحی.

3. مقدمات

3.1. مشاهدات مسیر کاربر

دو مشاهدات جالب با تجزیه و تحلیل رفتار ورود کاربر در LBSN برجسته شد.
  • Obs.1: (ترجیح انتقال دسته.) در سطح معنایی، رفتار ورود کاربر دارای یک همبستگی طبقه بندی است. شکل 2a احتمال انتقال دسته بندی ورود کاربران در مجموعه داده شارلوت را نشان می دهد. ارتباط بین اعلام حضورهای کاربر در طول زمان تغییر می کند و متوالی است. متفاوت از سایر مطالعات با استفاده از یک دسته به عنوان یکی از ویژگی های ورود به یک توصیه POI، ما یک ماژول دسته بندی از مدل پیشنهادی ایجاد می کنیم تا مسیر دسته بندی کاربر را در نظر بگیریم و ترجیحات انتقال دسته کاربر را در سطح دسته بندی درشت مطالعه کنیم. . ماژول بر ترجیح کاربر برای یک POI خاص تأثیر می گذارد. علاوه بر این، صدها برچسب دسته‌بندی POI در مجموعه داده‌ها وجود دارد که فضای پیش‌بینی را بسیار بزرگ می‌کند و برای کمک به پیش‌بینی POI خاص بررسی ورود مناسب نیست. بنابراین، با الهام از [ 27]، دوازده دسته درشت دانه را بر اساس دسته بندی های موجود خلاصه می کنیم. توجه داشته باشید که وابستگی هر کاربر به اولویت انتقال دسته متفاوت است. به عنوان مثال، کاربر در شکل 2 b از “محل اقامت” به “دفتر” می رود و بالعکس.
  • Obs.2: (ترجیح دوره‌ای.) کاربر ممکن است یک الگوی ثابت تلفن همراه در روزهای هفته و یک الگوی دیگر ورود به آخر هفته (شنبه و یکشنبه) داشته باشد. با این حال، به جز تمایز الگوی ورود کاربر تقریباً در روزهای کاری و آخر هفته برای تجزیه و تحلیل ترجیحات دوره‌ای کاربر، رفتار ورود کاربر یک الگوی تغییر نسبتاً واضح در هر روز از هفته در زندگی واقعی خواهد داشت. همانطور که در شکل 3 نشان داده شده استبه عنوان مثال، یک کاربر دوست دارد چهارشنبه بعد از رستوران از سالن بدنسازی بازدید کند و پنجشنبه قبل از بار از شرکت بازدید کند. مطالعه تناوب حرکت ورود کاربر در روزهای هفته و آخر هفته مناسب نیست، بنابراین اطلاعات مکانی-زمانی ورود را تجزیه و تحلیل می کنیم و الگوی ورود دوره ای کاربران را برای هر روز هفته مطالعه می کنیم.

3.2. بیان مسأله

اجازه دهید U=تو1،تو2،⋯،توU،مجموعه ای از کاربران را نشان می دهد و V=v1،v2،⋯،vV،مجموعه ای از POI ها را نشان می دهد، جایی که Uنشان دهنده تعداد کل کاربران و Vتعداد کل POI ها را نشان می دهد. هر POI v∈Vمکانی است که با اطلاعات جغرافیایی، طول جغرافیایی و دسته بندی در LBSNها، مانند رستوران یا بار، مرتبط است.
فعالیت چک در کاربر تو∈Uشش تایی است آتیکتو=تو،vتیکتو،لv،جv،تیک،wتیک، جایی که vتیکتوکاربر u را نشان می دهد که در زمان به POI v دسترسی داردتیک. دسته v است جv، لvمختصات جغرافیایی است، wتیکنشان دهنده زمان و تیکw روز هفته است، مانند دوشنبه.
تمام فعالیت های ورود کاربر u دنباله مسیر آنها را تشکیل می دهد آتو=آتی1تو،آتی2تو،⋯،آتینتو، که در آن N کل تعداد ورود کاربر u است. از توالی سیر تاریخی آتو، دنباله دسته را بدست می آوریم سیتو=سیتی1تو،سیتی2تو،⋯،سیتینتواز تو ، کجا سیتیکتو=تو،جv. ترتیب ورود کوتاه مدت کاربر u را می توان از آن استخراج کرد آتو، نشان داده شده است استو=آتین-اس+1تو،⋯،آتیمترتو،⋯،آتینتو، جایی که آتین-اس+1تونشان‌دهنده ورود کاربر u برای اولین بار در کوتاه‌مدت است و S تعداد کل ورود در کوتاه‌مدت است.
داده شده آتو، سیتوو استو، هدف توصیه POI بعدی پیش‌بینی فهرستی از POIهای برتر است که کاربر احتمال دارد دفعه بعد از آن بازدید کند. تین+1بر اساس دو مشاهده

4. روش پیشنهادی

مدل پیشنهادی از چهار بخش تشکیل شده است که در شکل 4 نشان داده شده است: (1) ماژول دسته: این ترجیحات انتقال دسته کاربر را در سطح معنایی درشت برای کمک به ماژول های ترجیحی بلند مدت و کوتاه مدت نشان می دهد. (2) ماژول اولویت بلند مدت: این اولویت درازمدت کاربر را برای POI بر اساس LSTM به دست می آورد و مکانیسم توجه چند سطحی و اولویت انتقال دسته کاربر را یکپارچه می کند. (3) ماژول اولویت کوتاه‌مدت: این اولویت کوتاه‌مدت کاربر را برای POI بر اساس RNN به دست می‌آورد و مکانیسم توجه زمانی و اولویت انتقال دسته کاربر را یکپارچه می‌کند. (4) لایه خروجی: ترجیحات بلند مدت و کوتاه مدت برای به دست آوردن عبارت ترجیحی کاربر ترکیب می شوند و لیست رتبه بندی احتمال POI نهایی با محاسبه اولویت کاربر و POI های نامزد بر اساس فیلتری که ما طراحی کرده ایم تشکیل می شود.

4.1. ماژول دسته

ما ماژول دسته را برای استنباط ترجیحات انتقال دسته کاربر طراحی می کنیم، که الگوی انتقال دسته را زمانی که کاربران از POI بازدید می کنند و به عنوان یک تابع کمکی در توصیه POI شرکت می کند، به دست می آورد. با توجه به توالی طولانی، شبکه LSTM برای اطمینان از صحت توصیه اتخاذ شده است.

ما ترجیحات انتقال دسته کاربر را یاد می گیریم rcuاز دنباله دسته Cu=Ct1u,Ct2u,⋯,CtNu، جایی که هر عنصر از Cuبه عنوان مشخص می شود Ctku=u,cv. این نشان می دهد که کاربر u یک POI v از دسته بازدید می کندcvدر زمان tk. بردار نهفته ماژول دسته به صورت زیر تعریف می شود.

xtkc=WCcv+bC

جایی که WC∈Rd×dماتریس وزن است، d بعد بردار پنهان است، bC∈Rdتعصب است و cv∈RDcبردار تعبیه شده از دسته POI را نشان می دهد cv. سپس، xtkcبرای پی بردن به حالت پنهان به شبکه LSTM وارد می شود htkcکاربر u در زمان tk.

htkc=LSTMxtkc,htk−1c

جایی که LSTM·ارتباط متوالی مقوله ها را به تصویر می کشد و htk−1cدسته ورود تا را نشان می دهد tk−1. توجه داشته باشید که ما آخرین بردار پنهان را درمان می کنیم htNجبه عنوان نمایش اولویت انتقال دسته کاربر u .

rcu=htNج

4.2. ماژول اولویت بلند مدت

ماژول اولویت بلند مدت اولویت POI طولانی مدت کاربر را با توجه به اطلاعات زمینه ای فعالیت های ورود و مکانیسم توجه چند سطحی به دست می آورد.

4.2.1. ورودی شبکه

توالی ورود به تاریخ کاربر u شامل تمام اعلام حضورهای آنها است. هر ورود شش تایی است Atku=u،vتیکتو،لv،جv،تیک،wتیک، که نشان دهنده ترجیح طولانی مدت کاربر برای دسترسی به POI است، بنابراین ما از آن برای یادگیری ترجیحات کاربر در سطح POI استفاده می کنیم. از آنجا که ورود کاربر معمولاً تحت تأثیر فاصله بین مکان فعلی و مکان بعدی و همچنین تفاوت زمانی بین آخرین ورود و ورود فعلی، لایه جاسازی ماژول ترجیحی طولانی مدت است. باید بر اساس مکان و زمان ورود، تأثیر اطلاعات زمینه‌ای مکانی-زمانی را بر ورود بررسی کند. مدل‌سازی فعالیت‌های ورود مداوم همراه با روز هفته، برای مطالعه منظم بودن ورود کاربر مفیدتر است. در نتیجه، بردار نهفته لایه جاسازی ماژول ترجیح بلند مدت به صورت زیر تعریف می شود:

ایکس˜تیکل=دبلیوvvتیکتو+دبلیوللv+دبلیوججv+دبلیوتیتیک+دبلیوwwتیک+دبلیوددتیک+دبلیوتیدtdتیک+ب

جایی که دبلیوماتریس وزن است، باصطلاح تعصب است، vتیکتو∈آرDvتعبیه شماره POI است، لv∈آرDلجاسازی مکان POI است، تیک∈آرDتیتعبیه مُهر زمان دسترسی است، wتیک∈آرDwتعبیه شدن است wتیک، دتیک∈آرDدبر اساس فاصله تعبیه می شود دتیکبین لتیکتوو لتیک-1تواز vتیکتوو vتیک-1تو، و tdتیک∈آرDتیدبر اساس اختلاف زمانی تعبیه می شود تیدتیکبین تیکو تیک-1از vتیکتوو vتیک-1تو.

لایه جاسازی ماژول ترجیحی طولانی مدت در مجموع دارای هفت ویژگی ورودی است که هر کدام یک ویژگی از ورود فعلی را نشان می دهد. درجات تأثیر این ویژگی ها بر ورود فعلی متفاوت است. به عنوان مثال، یک کاربر به احتمال زیاد در یک زمان معین از یک POI نزدیک به آخرین ورود خود بازدید می کند یا به احتمال زیاد به دسته «کترینگ» می رود. نسبت ویژگی‌های مختلف در ورود فعلی توسط مکانیسم توجه متنی بررسی می‌شود.

ما استفاده می کنیم ایکس˜من،تیکبرای نشان دادن ویژگی i -امین تاریخچه ورود به سیستم. مثلا، ایکس˜1،تی2نشان دهنده اطلاعات شماره POI کاربر u در دومین ورود و ρمن،تیکوزن صفت i- th را در k -th check-in نشان می دهد و تابع softmax برای عادی سازی استفاده می شود.

ρ˜من،تیک=تیآnساعتدبلیومنساعتتیک-1ل;جتیک-1ل+دبلیومنایکس˜ایکس˜من،تیک+بمن
ρمن،تیک=هایکسپρ˜من،تیک∑من=1منهایکسپρ˜من،تیک،1≤من≤من

جایی که من تعداد صفات است، دبلیومن∈آرد×2د، دبلیومنایکس˜∈آرد×د، بمن∈آردپارامترهایی هستند که باید یاد بگیرند، و جتیک-1لوضعیت سلولی شبکه LSTM در آن زمان است تیک-1. سپس، ایکس˜من،تیکضرب می شود ρمن،تیکبرای به دست آوردن نمایش دینامیکی چند عاملی ورود به زمان تیکتحت مکانیسم توجه متنی، و سپس بردار تعبیه ویژگی به روز شده برای به دست آوردن تجمع متصل می شود ایکس^تیکللایه جاسازی بر اساس مکانیسم توجه متنی.

ایکس^من،تیک=ایکس˜من،تیک×ρمن،تیک
ایکس^تیکل=∑من=1مندبلیومنایکس^من،تیک+ب

جایی که دبلیومن∈آرد×دپارامتر وزنی است که باید یاد بگیریم مربوط به صفت i -ام و ب∈آردبردار سوگیری برای یادگیری است.

برای در نظر گرفتن اولویت انتقال کاربر در سطح معنایی، ترجیح دسته کاربر را بر اساس لایه تعبیه شده بر اساس توجه زمینه اضافه می کنیم و بیان رفتار ورود طولانی مدت کاربر نهایی را همانطور که در زیر نشان داده شده است به دست می آوریم.

ایکستیکل=ایکس^تیکل+λجلrجتو

جایی که λجل∈آرد×دوزن اولویت انتقال دسته کاربر u در نمایش ورود فعلی ماژول ترجیحی طولانی مدت است، و ایکستیکلبردار پتانسیل نهایی ارسال شده به شبکه LSTM برای استنتاج وضعیت پنهان در آن است تیک.

ساعتتیکل=Lاستیمایکستیکل،ساعتتیک-1ل
4.2.2. توجه زمانی
فعالیت های ورود به سیستم در توالی مسیر کاربر همگی به صورت خطی همبستگی ندارند. با این حال، LSTM نمی تواند این مشکل را حل کند، زیرا نمی تواند وابستگی های غیر خطی را بین چک کردن ها بدست آورد. برای جبران این موضوع، ما تأثیرات مختلف بررسی‌های مختلف را بر اولویت کاربر مطالعه می‌کنیم. به این معنا که وزن مراحل زمانی مختلف توالی ورود باید آموخته شود تا درجه مهم هر ورود در ورودهای تاریخی تشخیص داده شود. بنابراین، ما از مکانیسم توجه زمانی برای انتخاب تطبیقی ​​فعالیت‌های ثبت‌نام تاریخی مرتبط برای دستیابی به توصیه بهتری از POI بعدی استفاده می‌کنیم.

اجازه دهید اچل∈آرد×نماتریسی متشکل از تمام بردارهای پنهان باشد ساعتتی1ل،ساعتتی2ل،⋯،ساعتتینلاز ماژول اولویت بلند مدت، که در آن N طول توالی ثبت ورود تاریخی است. بردار وزن μلورود تاریخی از طریق مکانیسم توجه زمانی ایجاد می‌شود و درجه تأثیر k -امین ورود تاریخی در ورود بعدی با وزن اندازه‌گیری می‌شود. μکلمربوط به هر کدام ساعتتیکل.

μکل=هایکسپgساعتتیکل،qتول∑من=1نهایکسپgساعتتیکل،qتول

تابع توجه gساعتتیکل،qتولبه شرح زیر است.

gساعتتیکل،qul=htklqulTd

جایی که qulاطلاعات پرس و جو از توالی ورود طولانی مدت در مکانیسم توجه زمانی است، یعنی POI که کاربر بعداً آن را بررسی می کند. توجه محصول نقطه ای به عنوان تابع توجه استفاده می شود، زیرا d کوچک است و توجه محصول نقطه ای برتر از توجه افزودنی است. نمایش تعبیه‌شده پرس و جو «بررسی POI بعدی» برای همه ورودهای تاریخی به دست می‌آید. سپس بردار وزن حاصل را ضرب کنید μlتوسط Hlبرای به دست آوردن نمایش ترجیحی کاربر در دراز مدت.

rlu=∑k=1Nμklhtkl

4.3. ماژول اولویت کوتاه مدت

ورود به POI بعدی کاربر تحت تأثیر اولویت کوتاه‌مدت است که توسط رفتار ورود اخیر کاربر نشان داده می‌شود، علاوه بر اولویت بلندمدت نشان‌داده‌شده توسط اعلام حضور تاریخی. با استفاده از آخرین ورود S به عنوان ترتیب ورود کوتاه مدت کاربر، به صورت نمایش داده می شود Su=AtN−S+1u,⋯,Atmu,⋯,AtNu، جایی که AtN−S+1uنشان دهنده اولین ورود در کوتاه مدت است و یکی از آنها به عنوان تنظیم می شود Atmu.

همانند مدل بلندمدت، هفت ویژگی چک-این از تاپل فعالیت چک کردن استخراج می‌شوند Atmu=u,vtmu,lv,fv,tm,wtmویژگی‌های کوتاه‌مدت به‌عنوان ویژگی‌های ورود کاربر که باید در ماژول اولویت کوتاه‌مدت یاد بگیرند. بردار پنهان لایه جاسازی ماژول اولویت کوتاه مدت به صورت زیر تعریف می شود:

x˜tms=WvSvtmu+WlSlv+WcScv+WtStm+WwSwtm+WdSdtm+WtdStdtm+bS

جایی که WSماتریس وزن است و bSاصطلاح تعصب است.

به طور مشابه، اولویت انتقال دسته کاربران نیز در ماژول اولویت کوتاه‌مدت این مطالعه در نظر گرفته می‌شود، بنابراین تجمع یادگیری ترجیحی کوتاه‌مدت به صورت زیر تعریف می‌شود:

xtms=x˜tms+λcsrcu

جایی که λجس∈آرد×دوزن اولویت انتقال دسته کاربر u در نمایش ورود فعلی ماژول اولویت کوتاه مدت است. ایکستیمترسRNN را به عنوان یک بردار بالقوه برای ورود کاربر برای کوتاه مدت وارد می کند.

توجه داشته باشید که RNN مضرات ناپدید شدن گرادیان را دارد. برای جلوگیری از مشکل نتایج توصیه نادرست، ما مکانیسم توجه زمانی را برای جمع کردن حالت‌های پنهان تولید شده توسط RNN معرفی می‌کنیم.

اجازه دهید اچس∈آرد×نماتریسی متشکل از تمام بردارهای پنهان باشد ساعتتی1س،⋯،ساعتتیمترس،⋯،ساعتتیاسساز ماژول اولویت کوتاه مدت، که در آن S طول توالی ورود کوتاه مدت است. بردار وزن μسورود کوتاه‌مدت از طریق مکانیسم توجه زمانی ماژول اولویت کوتاه‌مدت ایجاد می‌شود، و درجه تأثیر m- امین ورود کوتاه‌مدت در ورود بعدی با وزن اندازه‌گیری می‌شود. μمترسمربوط به هر کدام ساعتتیمترس.

μمترس=هایکسپgساعتتیمترس،qتوس∑من=1نهایکسپgساعتتیمترس،qتوس

جایی که qتوساطلاعات پرس و جو مکانیسم توجه زمانی است، یعنی نمایش تعبیه شده پرس و جو “بررسی POI بعدی” برای همه بررسی های کوتاه مدت. سپس آن بردار وزن را ضرب می کنیم μسبار اچسبرای به دست آوردن نمایش اولویت کوتاه مدت برای کاربر u .

rستو=∑متر=1اسμمترسساعتتیمترس

4.4. لایه خروجی

4.4.1. فیلتر POI

سیستم های توصیه سنتی معمولاً POI را مستقیماً با همه نامزدهای POI به عنوان POI توصیه می کنند که بدون شک زمان و فضای محاسباتی توصیه شده را افزایش می دهد و دقت توصیه شده را کاهش می دهد. برخلاف سایر توصیه‌های مورد علاقه، مانند موسیقی و فیلم، ورود کاربران بر اساس موقعیت جغرافیایی محدود می‌شود، بنابراین ورود بعدی کاربران از مکان فعلی خیلی دور نخواهد بود. علاوه بر این، با توجه به زمان و هزینه حمل و نقل هر ورود، کاربران در واقع تمایل بیشتری به دسترسی به POI هایی دارند که قبلاً بررسی شده اند. با این حال، کاربران برای دسترسی به POI های محبوب نیز تحت تأثیر سایر کاربران قرار می گیرند. بنابراین، هنگام توصیه به کاربران، باید این سه عامل را همزمان در نظر گرفت.
با توجه به دلایل بالا، ما فیلتری طراحی کردیم تا برخی از POIها را به عنوان POIهای نامزد از همه POIها الک کند. فیلتر POI دارای سه قانون فیلتر است: (1) POI که کاربر بازدید کرده است، (2) ده مورد از نزدیکترین POI به مکان فعلی کاربر، (3) پنج مورد از محبوب ترین POI در بین همه کاربران. پارامترهای خاص در بخش 5 مورد بحث قرار گرفته است.
4.4.2. Top-k POIs را توصیه کنید

به منظور مطالعه جامع و پویا ترجیحات کاربر، از ترکیب وزنی ترجیحات بلندمدت کاربر به دست آمده توسط ماژول اولویت بلند مدت و اولویت کوتاه مدت آنها به دست آمده توسط ماژول اولویت کوتاه مدت برای محاسبه ترجیح کاربر نهایی استفاده می کنیم. .

rتو=αrلتو+βrستو

جایی که αو βوزنه هایی برای یادگیری هستند احتمال دسترسی به POI بعدی که توسط تابع softmax عادی شده است به صورت زیر تعریف می شود:

oتین+1،vکتو=هایکسپrتوvک∑ک=1پهایکسپrتوvک

جایی که vکیک نمایش تعبیه شده از POI نامزد است vکو P تعداد کل POIهای نامزد عبور از یک فیلتر است. سپس، می‌توانیم احتمال بازدید بعدی همه POIهای نامزد در لایه خروجی و فهرست POI رتبه‌بندی شده را بدست آوریم و POIهای k بالا را برای کاربر u توصیه کنیم (الگوریتم 1).

الگوریتم 1 آموزش LSMA
ورودی:  مجموعه کاربر U ، توالی‌های ورود تاریخی تنظیم شده است آU، منتیهr-مترآایکس، مجموعه پارامترها Θ
خروجی:  مدل LSMA آرتو

1:
//ساخت نمونه های آموزشی
2:
مقدار دهی اولیه کنید سیU=ϕ، اسU=ϕ
3:
برای هر کدام تو∈U انجام دادن
4:
    سیتو←تو،جتی1تو،تو،جتی2تو،⋯،تو،جتینتو
5:
    استو←آتین-اس+1تو،⋯،آتیمترتو،⋯،آتینتو
6:
پایان برای
7:
برای هر کدام تو∈U انجام دادن
8:
   برای هر کدام سیتو، استوو آتومن∈آتو انجام دادن
9:
     نمونه های منفی را دریافت کنید ج”، vس”و v”
10:
   پایان برای
11:
پایان برای
12:
//به روز رسانی پارامتر
13:
برای  منتیهr=1; منتیهr≤منتیهr-مترآایکس; منتیهr++ انجام دهید
14:
   برای هر کدام تو∈U انجام دادن
15:
     یک دسته تصادفی از نمونه ها را انتخاب کنید
16:
     برای هر کدام θ∈Θ انجام دادن
17:
         θ←θ-η∗∂ل∂θ
18:
     پایان برای
19:
   پایان برای
20:
پایان برای

4.5. آموزش شبکه

برای بهبود مؤثر عملکرد توصیه، از رتبه‌بندی شخصی بیزی (BPR) برای تعریف تابع ضرر برای آموزش شبکه در دسته‌بندی، ماژول‌های ترجیحی بلندمدت و کوتاه‌مدت استفاده می‌کنیم [ 28 ]. داده‌های مورد استفاده برای ماژول‌ها شامل مجموعه‌ای از سه‌قلوها است که از داده‌های اصلی نمونه‌برداری شده‌اند، که هر سه‌گانه شامل کاربر u و یک جفت نمونه مثبت و منفی است. در ماژول دسته، نمونه مثبت مقوله ای است که کاربر u در حال حاضر به آن دسترسی دارد، نمونه منفی همه دسته های دیگر است. در ماژول های ترجیحی بلندمدت و کوتاه مدت، نمونه مثبت POI است که کاربر uدر حال حاضر در حال دسترسی است. با توجه به تأثیر مختصات جغرافیایی بر ورود کاربر، نمونه منفی POI نزدیک به محل ورود فعلی است.

تابع از دست دادن ماژول دسته عبارت است از:

لج=∑ج>ج”∈Ωجلn1+ه-oتیج-oتیج”

جایی که ج”دسته منفی c است، Ωجمثال آموزشی متشکل از u , c , ج”در ماژول دسته، oتیجاحتمال پیش بینی شده بازدید کاربر از POI دسته c در زمان t و oتیج”احتمال پیش بینی شده بازدید کاربر از POI دسته است ج”در زمان t .

تابع ضرر ماژول ترجیحی بلند مدت به صورت زیر است:

لل=∑v>v”∈Ωللn1+ه-oتیv-oتیv”

جایی که v”یک نمونه منفی از v در ماژول ترجیح بلند مدت است و Ωلمثال آموزشی متشکل از u , v , v”.

تابع ضرر ماژول اولویت کوتاه مدت:

لس=∑vس>vس”∈Ωسلn1+ه-oتیvس-oتیvس”

جایی که vس”نمونه منفی است vسدر ماژول اولویت کوتاه مدت، و Ωسنمونه آموزشی متشکل از شما است، vس، vس”.

به طور خلاصه، ما تابع ضرر کل را با ادغام توابع ضرر و شرایط تنظیم سه ماژول طراحی می کنیم که به صورت زیر نشان داده شده است:

ل=لج+لل+لس+ε2Θ2

جایی که εضریب منظم شدن است و Θ=دبلیوسی،بسی،دبلیو،ب،دبلیواس،باس،μمجموعه ای از پارامترهای مدل برای یادگیری است. AdaGrad در وظایف یادگیری در مقیاس بزرگ استفاده شده است. بنابراین، AdaGrad برای بهینه سازی پارامترهای شبکه به کار گرفته شد.

4.6. تحلیل پیچیدگی

در فرآیند آموزش LSMA، پیچیدگی محاسباتی همه دسته‌ها، ماژول‌های ترجیحی بلندمدت و کوتاه‌مدت است. Oد2، جایی که d اندازه جاسازی است. نمونه آموزش Ωجبا طول توالی دسته متوسط ​​از ن¯، نمونه آموزشی Ωلبا میانگین طول توالی تاریخچه ن¯و نمونه آموزشی Ωسبا میانگین طول توالی کوتاه مدت اس¯به ترتیب داده می شود. هر تکرار پیچیدگی کلی را آموزش می دهد OΩج+Ωل·ن¯+Ωس·اس¯·د2. یعنی پیچیدگی LSMA با اندازه بردار تعبیه شده d رابطه درجه دوم دارد .

5. آزمایشات

برای راستی‌آزمایی روش پیشنهادی، آن را با هفت خط مبنا بر روی دو مجموعه داده ورود به سیستم عمومی در دنیای واقعی به نام‌های شارلوت (CHA) [ 17 ] و نیویورک (NYC) [ 29 ] از Foursquare مقایسه کردیم. همه الگوریتم ها در پایتون 3.8 کدگذاری شدند و چارچوب آن TensorFlow 2.3.1 بود. آزمایش‌ها روی رایانه با CPU AMD Ryzen 5 3500U، Radeon Vega Mobile Gfx 2.10 گیگاهرتز و رم 16G انجام شد.

5.1. مجموعه داده ها

داده‌های ورود به سیستم CHA از ژانویه 2012 تا دسامبر 2013 و داده‌های ورود به نیویورک از آوریل 2012 تا فوریه 2013 جمع‌آوری شد. مجموعه داده نیویورک شامل 1083 کاربر، 38336 POI و 227428 سوابق ورود است. در این مطالعه، هر رکورد ورود شامل کاربر، POI، مختصات جغرافیایی POI، مهر زمانی ورود، دسته بندی POI و روز ورود در هفته بود. مشابه کار ژانگ و همکاران. [ 17 ]، ما همان POI را که به طور متوالی در همان روز به آن دسترسی پیدا کرده بود، حذف کردیم و کاربران غیرفعالی را که کمتر از هشت بار بررسی کردند، حذف کردیم. به عنوان مثال، در دنباله مسیر آ→آ→ب→آ→سیدر روز یکشنبه، دنباله پردازش شد آ→ب→آ→سی. 90% بررسی‌های هر کاربر به عنوان مجموعه آموزشی و 10% آخر به عنوان مجموعه تست استفاده شد.

5.2. روش های مقایسه

ما اثربخشی روش LSMA را در مقایسه با هفت روش پایه زیر نشان دادیم:
  • PMF [ 12 ]: یک الگوریتم توصیه طراحی شده بر اساس تجزیه ماتریس احتمال مرسوم در ماتریس کاربر-POI.
  • ST-RNN [ 7 ]: الگوریتم پیشنهادی POI بعدی مبتنی بر RNN، که اطلاعات مکانی-زمانی را در بردار پنهان ادغام می کند.
  • Time-LSTM [ 16 ]: LSTM را به یک گیت زمانی مجهز می کند تا اقدامات مستمر کاربر را مدل سازی کند تا POI ورود بعدی را پیش بینی کند.
  • ATST-LSTM [ 19 ]: مکانیزم توجه را بر اساس شبکه LSTM اضافه می کند و به طور جامع اطلاعات زمینه ای مکانی-زمانی را برای بهبود اثربخشی پیش بینی POI بعدی در نظر می گیرد.
  • LSPL [ 25 ]: ترجیحات بلند مدت و کوتاه مدت کاربران را با در نظر گرفتن اطلاعات متوالی و موقعیت جغرافیایی و دسته بندی POI یاد می گیرد.
  • iMTL [ 17 ]: یک چارچوب یادگیری چند وظیفه ای تعاملی جدید متشکل از یک رمزگذار فعالیت آگاه از زمان، رمزگذار اولویت موقعیت آگاه از فضای و رمزگشای ویژه کار، که عمدتاً توصیه POI بعدی را در شرایط نامشخص بررسی می کند.
  • RTPM [ 26 ]: ترجیحات بلند مدت و کوتاه مدت را ترکیب می کند و منافع عمومی را به اولویت کوتاه مدت معرفی می کند تا علاقه زمان واقعی کاربر را مطالعه کند.

5.3. معیارهای ارزیابی

تمام روش‌های مورد بحث در این مطالعه، حاصل ضرب نقطه‌ای بین نمایش کاربر و نمایش POI را محاسبه می‌کنند تا احتمال دسترسی کاربر به POI در دفعات بعدی را به دست آورند. در واقع، تفاوت هر روش در مدل‌سازی متفاوت بازنمایی کاربر نهفته است. برای نشان دادن اثربخشی روش ها، نرخ فراخوان ( آرهج@ک) و میانگین دقت متوسط ​​( مآپ@ک) به شرح زیر تعریف شد:

آرهج@ک=1ن∑تو=1نآرهجتو@ک=1ن∑تو=1نپتوک∩VتوVتو
مآپ@ک=1ن∑تو=1ن1مترآپ

جایی که Pukمجموعه ای از k POI های توصیه شده به کاربر u را نشان می دهد . Vuمجموعه POI را نشان می دهد که کاربر در دفعه بعد در مجموعه آزمایشی واقعاً به آن دسترسی پیدا می کند mapنشان دهنده رتبه بندی است Puk∩Vuکه در Puk. توجه داشته باشید که برای جلوگیری از خطای تقسیم، مشخص می کنیم 1map=0چه زمانی Puk∩Vu=ϕ.

5.4. تنظیم پارامتر

در ماژول اولویت کوتاه‌مدت، ما از آخرین بررسی‌های S به عنوان ترتیب ورود کوتاه‌مدت کاربر استفاده می‌کنیم. برای مطالعه علایق اخیر کاربر و کاهش زمان و فضای محاسباتی، مقدار S باید تا حد امکان کوچک باشد. شاخص در نظر گرفتن Rec@10به عنوان مثال، شکل 5 a عملکرد توالی تفاوت طول S را نشان می دهد . با در نظر گرفتن عملکرد و پیچیدگی محاسباتی، S به عنوان طول دنباله مسیر کوتاه مدت 6 تعیین می شود.
مدل LSMA از بردارهای جاسازی کلمه برای نشان دادن همه کاربران و اطلاعات POI وارد شده به مدل استفاده می کند. ابعاد تعبیه‌شده دسته، ماژول‌های ترجیحی بلندمدت و کوتاه‌مدت باید یکسان شوند. تعبیه را تنظیم کردیم Dc=Dv=Dl=Dd=Dt=Dtd=Dw=d، جایی که d تعداد واحدهای پنهان است. شکل 5 ب عملکرد تفاوت تعبیه بعد d را نشان می دهد . به طور مشابه، ما d را به عنوان بعد تعبیه شده با در نظر گرفتن عملکرد و پیچیدگی محاسباتی 128 انتخاب کردیم.
تنظیم عدد نمونه منفی نیز برای آموزش مدل بسیار مهم است. در ماژول دسته بندی، تعداد کل دسته های POI 12 است. برای اطمینان از صحت توصیه، ما مستقیماً از تمام دسته ها به غیر از دسته بندی POI فعلی به عنوان نمونه های منفی استفاده می کنیم، یعنی تعداد نمونه های منفی برای هر دسته بندی دنباله ای. در ماژول دسته 11 است. با این حال، تعداد کل POI ها زیاد است، بنابراین ما نمی توانیم از همه POI ها غیر از POI های فعلی بررسی به عنوان نمونه های منفی استفاده کنیم. بنابراین، همانطور که در شکل 5 ج نشان داده شده است، آزمایش‌هایی را برای یافتن تعداد بهینه نمونه‌های منفی 5 در ماژول‌های ترجیحی بلندمدت و کوتاه‌مدت انجام دادیم .
در لایه خروجی LSMA، به منظور کاهش محاسبات و بهبود دقت توصیه، مکانیزم فیلتری را طراحی کردیم که دارای دو فراپارامتر است: محبوب ترین شماره POI و نزدیکترین شماره POI به مکان فعلی کاربر. ما همچنین آزمایش‌های مقایسه‌ای را برای کشف بهترین تنظیمات این دو ابرپارامتر، همانطور که در شکل 6 نشان داده شده است، انجام دادیم. نشان داده شده است.
ما بهترین تنظیم را برای هر یک از فراپارامترهای باقیمانده به صورت زیر تعیین کردیم: (1) شماره لایه شبکه LSTM ماژول دسته و ماژول ترجیح بلند مدت 1 بود، در حالی که شماره لایه RNN ماژول ترجیحی کوتاه مدت روی 1 تنظیم شد. (2) نرخ یادگیری سه ماژول به ترتیب 0.00001، 0.0001 و 0.0001 بود. (3) تعداد تکرار ماژول دسته 40 بود، در حالی که تعداد تکرار ماژول های ترجیحی بلند مدت و کوتاه مدت هر دو 20 بود.

5.5. نتایج و تجزیه و تحلیل

جدول 1 و جدول 2 عملکرد روش های مختلف را نشان می دهد. نتایج دو شاخص ارزیابی زمانی فهرست می شوند که k به ترتیب روی 5 و 10 تنظیم شود. بدیهی است که عملکرد PMF مبتنی بر شبکه غیر عصبی بدترین، کمتر از روش‌های پایه مبتنی بر RNN (ST-RNN، Time-LSTM، ATST-LSTM، iMTL، LSPL، RTPM) بود که نشان می‌دهد که شبکه عصبی در مدل سازی توالی ها بسیار موثر بود. مشخص شد که Recو MAPمقادیر Time-LSTM بالاتر از ST-RNN بود، که نشان می‌دهد LSTM عملکرد بهتری نسبت به RNN در مدل‌سازی توالی طولانی دارد. در میان مدل‌های پیشنهادی مبتنی بر LSTM، RTPM در هر دو مجموعه داده CHA و NYC بهترین عملکرد را داشت. این نشان دهنده اهمیت در نظر گرفتن ترجیحات بلند مدت و کوتاه مدت کاربر و اثربخشی فیلتر کردن برخی از POI های واجد شرایط برای ارائه توصیه ها است. با این حال، LSMA پیشنهادی ما عملکرد توصیه بهتری نسبت به RTPM داشت. به عنوان مثال Rec@5ارزش RTPM در مجموعه داده CHA 0.1569 بود، در حالی که Rec@5ارزش LSMA 0.2838 بود. LSMA 80.87 درصد افزایش یافت Rec@5. این عمدتا به این دلیل بود که LSMA ترجیحات بلند مدت و کوتاه مدت کاربران را به طور همزمان در نظر می گیرد. ثانیاً، LSMA تا حد امکان اطلاعات موجود در توالی های ورود کاربر و همچنین الگوهای حرکتی کاربران در دسته را استخراج می کند و رفتار کاربر را با جزئیات بیشتر و در جنبه های مختلف مدل می کند. در نهایت، LSMA یک مکانیسم توجه چند سطحی را طراحی می‌کند تا وزن هر ویژگی ورود به POI و درجه تأثیر هر ورود را به طور جامع در نظر بگیرد.
برای تأیید عملکرد به‌دست‌آمده با در نظر گرفتن مشارکت‌های مختلف ماژول دسته، ماژول اولویت کوتاه‌مدت، مکانیسم توجه متنی، مکانیسم توجه زمانی، و فیلتر POI، پنج نوع مختلف LSMA را طراحی کردیم: (1) LSMA-C ماژول دسته; ترجیحات کاربران در سطح معنایی دیگر در نظر گرفته نمی شود. (2) LSMA-S ماژول اولویت کوتاه مدت را حذف می کند. اولویت کوتاه مدت کاربر دیگر در نظر گرفته نمی شود. (3) LSMA-CA مکانیسم توجه متنی را از ماژول اولویت بلند مدت حذف می کند. (4) LSMA-TA مکانیسم توجه زمانی را از ماژول اولویت بلند مدت حذف می کند. (5) LSMA-Filter فیلتر را از لایه خروجی حذف می کند.
شکل 7 عملکرد LSMA را در مقایسه با پنج نوع نشان می دهد. از شکل 7 ، مشخص شد که LSMA بهتر از انواع آن در فراخوانی و MAP عمل می کند. عملکرد LSMA-C بهتر از LSMA-S، LSMA-CA، LSMA-Filter و LSMA-TA بود، که نشان می دهد ماژول اولویت کوتاه مدت و مکانیسم توجه نقش مهمی در LSMA ایفا می کنند، و ماژول دسته به ماژول های بلند مدت و کوتاه مدت کمک می کند. علاوه بر این، عملکرد LSMA-S برای سه شاخص ارزیابی، بدترین عملکرد را در بین همه انواع است، که تأثیر مهم اولویت کوتاه‌مدت بر رفتار ورود کاربر را تأیید می‌کند. را Rec@10مقادیر LSMA-C، LSMA-S، LSMA-CA، LSMA-TA، و LSMA-Filter در مجموعه داده CHA به ترتیب 0.3225، 0.2439، 0.303، 0.3236 و 0.3508 بود، در حالی که Rec@10ارزش LSMA 0.4135 بود. LSMA افزایش 28.22%، 69.54%، 36.47%، 27.78% و 17.87% را داشت. Rec@10، به ترتیب. ضرورت بهره‌برداری از مکانیسم‌های توجه زمانی و توجه متنی را می‌توان استنباط کرد. به طور خلاصه، این پنج جزء ضروری بودند و LSMA را قادر ساختند تا به بهبود عملکرد قابل توجهی دست یابد.

6. نتیجه گیری

یک الگوریتم پیشنهادی POI بعدی LSMA در این مقاله پیشنهاد شد که ترجیحات بلندمدت و کوتاه مدت کاربر را بر اساس توجه چند سطحی مدل‌سازی می‌کند. به طور خاص، LSMA ماژول دسته را برای به دست آوردن اولویت انتقال دسته کاربران طراحی می کند و در نمایش ورود در ماژول های ترجیحی بلند مدت و کوتاه مدت به عنوان یک تابع کمکی شرکت می کند. ماژول اولویت بلندمدت LSMA برای دستیابی به ترجیحات POI بلند مدت کاربران مطابق با شبکه LSTM و مکانیسم توجه چند سطحی ساخته شده است. ماژول اولویت کوتاه مدت LSMA برای به دست آوردن اولویت های کوتاه مدت POI کاربران با توجه به RNN و مکانیسم توجه استفاده می شود. علاوه بر این، تمرکز بر ویژگی کلیدی ورود کاربر و مرحله زمانی کلیدی ترتیب ورود، الگوهای رفتار حرکتی کاربر را می توان به طور کامل از طریق یک مکانیسم توجه چند سطحی استخراج کرد. نتایج تجربی نشان داد که عملکرد LSMA نسبت به هفت روش توصیه مقایسه ای دیگر برای توصیه POI بعدی برتر بود.
در آینده، کار ما برای بهینه سازی مدل LSMA با در نظر گرفتن اطلاعات نظرات کاربر و مطالعه بیشتر حفاظت از حریم خصوصی برای توصیه POI بعدی ادامه خواهد یافت.

منابع

  1. شی، م. شن، دی. کو، ی. نی، تی. Yu, G. توصیه بعدی مورد علاقه توسط استخراج متوالی ویژگی و آگاهی از ترجیحات عمومی. جی. اینتل. سیستم فازی 2021 ، 40 ، 4075-4090. [ Google Scholar ] [ CrossRef ]
  2. جیائو، دبلیو. فن، اچ. Midtbø، T. یک رویکرد مبتنی بر شبکه برای اندازه‌گیری شباهت‌های مسیرهای تاکسی. Sensors 2020 , 20 , 3118. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. سرکار، جی ال. ماجومدر، ا. پانی گراهی، CR; Roy, S. MULTITOUR: موتور توصیه گردشگران چندگانه. الکترون. بازرگانی Res. Appl. 2020 , 40 , 100943. [ Google Scholar ] [ CrossRef ]
  4. رندل، اس. فرودنتالر، سی. Schmidt-Thieme، L. فاکتورسازی زنجیره های مارکوف شخصی شده برای توصیه سبد بعدی. در مجموعه مقالات نوزدهمین کنفرانس بین المللی وب جهانی، WWW 2010، رالی، NC، ایالات متحده، 26-30 آوریل 2010; صص 811-820. [ Google Scholar ]
  5. ژان، جی. خو، جی. هوانگ، ز. ژانگ، Q. خو، ام. ژنگ، ن. یک مدل LSTM مبتنی بر همبستگی ترتیبی معنایی برای توصیه POI بعدی. در مجموعه مقالات بیستمین کنفرانس بین المللی IEEE در مورد مدیریت داده های تلفن همراه، MDM 2019، هنگ کنگ، چین، 10 تا 13 ژوئن 2019؛ صص 128-137. [ Google Scholar ]
  6. چانگ، بی. جانگ، جی. کیم، اس. کانگ، جی. نمایش نهفته جغرافیایی مبتنی بر نمودار یادگیری برای توصیه نقطه مورد علاقه. در مجموعه مقالات CIKM ’20: بیست و نهمین کنفرانس بین المللی ACM در مدیریت اطلاعات و دانش، رویداد مجازی، ایرلند، 19 تا 23 اکتبر 2020؛ صص 135-144. [ Google Scholar ]
  7. لیو، کیو. وو، اس. وانگ، ال. Tan, T. پیش‌بینی مکان بعدی: یک مدل تکرارشونده با زمینه‌های مکانی و زمانی. در مجموعه مقالات سی امین کنفرانس AAAI در مورد هوش مصنوعی، فینیکس، AZ، ​​ایالات متحده آمریکا، 12 تا 17 فوریه 2016; صص 194–200. [ Google Scholar ]
  8. سان، ک. کیان، تی. چن، تی. لیانگ، ی. نگوین، QVH؛ یین، اچ. کجا برویم بعدی: مدل‌سازی ترجیحات بلندمدت و کوتاه‌مدت کاربر برای توصیه‌های نقطه‌نظر. در مجموعه مقالات سی و چهارمین کنفرانس AAAI در مورد هوش مصنوعی، AAAI 2020، نیویورک، نیویورک، ایالات متحده آمریکا، 7 تا 12 فوریه 2020؛ صص 214-221. [ Google Scholar ]
  9. وانگ، ک. وانگ، ایکس. روش توصیه Lu, X. POI با استفاده از LSTM-attention در LBSN با در نظر گرفتن حفاظت از حریم خصوصی. هوش پیچیده سیستم 2021 ، 1-12. [ Google Scholar ] [ CrossRef ]
  10. ژانگ، دبلیو. وانگ، جی. بازیابی مشارکتی اجتماعی آگاه از مکان و زمان برای توصیه‌های جدید پی در پی نقطه‌ای از علاقه. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی ACM در مورد مدیریت اطلاعات و دانش، ملبورن، استرالیا، 18 تا 23 اکتبر 2015. ص 1221-1230. [ Google Scholar ]
  11. Xu، YN; خو، ال. هوانگ، ال. وانگ، سی دی اجتماعی و فیلتر مشارکتی مبتنی بر محتوا برای توصیه‌های مورد علاقه. در مجموعه مقالات کنفرانس بین المللی پردازش اطلاعات عصبی، لانگ بیچ، کالیفرنیا، ایالات متحده آمریکا، 4 تا 9 دسامبر 2017. صص 46-56. [ Google Scholar ]
  12. واسوانی، ع. Shazeer, N. پارمار، ن. Uszkoreit، J. جونز، ال. گومز، AN; قیصر، ال. Polosukhin، I. توجه شما تمام چیزی است که نیاز دارید. در مجموعه مقالات پیشرفت‌ها در سیستم‌های پردازش اطلاعات عصبی 30: کنفرانس سالانه سیستم‌های پردازش اطلاعات عصبی 2017، لانگ بیچ، کالیفرنیا، ایالات متحده آمریکا، 4 تا 9 دسامبر 2017. صفحات 5998-6008. [ Google Scholar ]
  13. دوطلب، م. Alesheikh, AA یک رویکرد توصیه POI که اطلاعات مکانی-زمانی اجتماعی را در فاکتورسازی ماتریس احتمالی ادغام می کند. بدانید. Inf. سیستم 2021 ، 63 ، 65-85. [ Google Scholar ] [ CrossRef ]
  14. Lv، Q. کیائو، ی. انصاری، ن. لیو، جی. یانگ، جی. مدل مارکوف پنهان مبتنی بر داده های بزرگ بر اساس پیش بینی تحرک فردی در نقاط مورد علاقه. IEEE Trans. وه تکنولوژی 2017 ، 66 ، 5204-5216. [ Google Scholar ] [ CrossRef ]
  15. چنگ، سی. یانگ، اچ. لیو، ام آر؛ King, I. جایی که دوست دارید در مرحله بعد بروید: توصیه نقطه مورد علاقه پی در پی. در مجموعه مقالات بیست و سومین کنفرانس مشترک بین المللی هوش مصنوعی، پکن، چین، 3 تا 9 اوت 2013. صص 2605-2611. [ Google Scholar ]
  16. زو، ی. لی، اچ. لیائو، ی. وانگ، بی. گوان، ز. لیو، اچ. Cai, D. بعدی چه باید کرد: مدلسازی رفتارهای کاربر توسط Time-LSTM. در مجموعه مقالات بیست و ششمین کنفرانس مشترک بین المللی هوش مصنوعی، IJCAI 2017، ملبورن، استرالیا، 19 تا 25 اوت 2017؛ صص 3602–3608. [ Google Scholar ]
  17. ژانگ، ال. سان، ز. ژانگ، جی. لی، ی. لی، سی. وو، زی. کلودن، اچ. Klanner، F. یک چارچوب یادگیری چند وظیفه ای تعاملی برای توصیه های بعدی POI با ورود نامشخص. در مجموعه مقالات بیست و نهمین کنفرانس مشترک بین المللی هوش مصنوعی، یوکوهاما، ژاپن، 7 تا 15 ژانویه 2020؛ صص 3551–3557. [ Google Scholar ]
  18. ژانگ، ی. دای، اچ. خو، سی. فنگ، جی. وانگ، تی. بیان، جی. وانگ، بی. لیو، تی. پیش‌بینی کلیک متوالی برای جستجوی حمایت شده با شبکه‌های عصبی مکرر. در مجموعه مقالات بیست و هشتمین کنفرانس AAAI در مورد هوش مصنوعی، شهر کبک، QC، کانادا، 27-31 ژوئیه 2014. صص 1369–1375. [ Google Scholar ]
  19. هوانگ، ال. ممکن است.؛ وانگ، اس. Liu, Y. یک شبکه LSTM فضایی-زمانی مبتنی بر توجه برای توصیه POI بعدی. IEEE Trans. خدمت محاسبه کنید. 2019 ، 14 ، 1585-1597. [ Google Scholar ] [ CrossRef ]
  20. ژنگ، سی. تائو، دی. وانگ، جی. کوی، ال. روآن، دبلیو. یو، اس. حافظه شبکه توجه سلسله مراتبی را برای توصیه های بعدی مورد توجه قرار داد. IEEE Trans. محاسبه کنید. Soc. سیستم 2021 ، 8 ، 489-499. [ Google Scholar ] [ CrossRef ]
  21. لیو، ی. پی، ا. وانگ، اف. یانگ، ی. ژانگ، ایکس. وانگ، اچ. دای، اچ. چی، ال. Ma, R. یک مدل GRU مبتنی بر طبقه بندی آگاه برای توصیه POI بعدی. بین المللی جی. اینتل. سیستم 2021 ، 36 ، 3174-3189. [ Google Scholar ] [ CrossRef ]
  22. شیا، تی. چی، ی. فنگ، جی. خو، اف. سان، اف. گوو، دی. Li, Y. AttnMove: تاریخ بهبود مسیر از طریق شبکه توجه. در مجموعه مقالات سی و پنجمین کنفرانس AAAI در مورد هوش مصنوعی، پالو آلتو، کالیفرنیا، ایالات متحده آمریکا، 2 تا 9 فوریه 2021؛ صفحات 4494-4502. [ Google Scholar ]
  23. فنگ، جی. لی، ی. ژانگ، سی. سان، اف. منگ، اف. گوا، ا. Jin, D. DeepMove: پیش بینی تحرک انسان با شبکه های تکراری توجه. در مجموعه مقالات کنفرانس وب جهانی 2018 در وب جهانی، WWW 2018، لیون، فرانسه، 23 تا 27 آوریل 2018؛ ص 1459–1468. [ Google Scholar ]
  24. جاناخ، دی. لرچه، ال. Jugovac, M. انطباق و ارزیابی توصیه ها برای اهداف خرید کوتاه مدت. در مجموعه مقالات نهمین کنفرانس ACM در مورد سیستم های توصیه کننده، RecSys 2015، وین، اتریش، 16-20 سپتامبر 2015. ص 211-218. [ Google Scholar ]
  25. وو، ی. لی، ک. ژائو، جی. Qian، X. یادگیری ترجیحی بلند مدت و کوتاه مدت برای توصیه POI بعدی. در مجموعه مقالات بیست و هشتمین کنفرانس بین المللی ACM در مدیریت اطلاعات و دانش، پکن، چین، 3 تا 7 نوامبر 2019؛ صص 2301–2304. [ Google Scholar ]
  26. لیو، ایکس. یانگ، ی. خو، ی. یانگ، اف. هوانگ، Q. Wang, H. توصیه POI در زمان واقعی از طریق مدل‌سازی اولویت‌های کاربر درازمدت و کوتاه‌مدت. محاسبات عصبی 2022 ، 467 ، 454-464 . [ Google Scholar ] [ CrossRef ]
  27. بله، جی. زو، ز. چنگ، اچ. حرکت بعدی شما چیست: پیش‌بینی فعالیت کاربر در شبکه‌های اجتماعی مبتنی بر مکان. در مجموعه مقالات کنفرانس بین المللی SIAM 2013 در مورد داده کاوی، فیلادلفیا، PA، ایالات متحده، 6 تا 13 اکتبر 2013. صص 171-179. [ Google Scholar ]
  28. رندل، اس. فرودنتالر، سی. گانتنر، ز. اشمیت-تیمه، L. BPR: رتبه بندی شخصی بیزی از بازخورد ضمنی. arXiv 2012 ، arXiv:1205.2618. [ Google Scholar ]
  29. یانگ، دی. ژانگ، دی. ژنگ، فولکس واگن؛ Yu, Z. مدل‌سازی اولویت فعالیت کاربر با اعمال نفوذ ویژگی‌های زمانی مکانی کاربر در LBSN. IEEE Trans. سیستم مرد، سایبرن. سیستم 2015 ، 45 ، 129-142. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00323 g001 550
شکل 1. نمونه ای از توصیه POI بعدی.
Ijgi 11 00323 g002 550
شکل 2. ( الف ) احتمال انتقال دسته از ورود کاربر در مجموعه داده شارلوت (C1: پذیرایی، C2: سرگرمی، C3: تناسب اندام، C4: سفر، C5: دفتر، C6: اقامت، C7: اوقات فراغت، C8: پزشکی ، C9: فروشگاه، C10: حمل و نقل، C11: معیشت، C12: زیبایی); ( ب ) نمونه ای از توالی مسیر دسته کاربر.
Ijgi 11 00323 g003 550
شکل 3. نمونه ای از الگوی ورود کاربر در روزهای مختلف هفته.
Ijgi 11 00323 g004 550
شکل 4. چارچوب پیشنهادی LSMA.
Ijgi 11 00323 g005 550
شکل 5. عملکرد فراپارامترهای مختلف بر روی مجموعه داده های CHA و NYC در LSMA. ( الف ) طول دنباله های مختلف S. ( ب ) ابعاد مختلف تعبیه شده d . ( ج ) تعداد متفاوت نمونه های منفی.
Ijgi 11 00323 g006 550
شکل 6. عملکرد فراپارامترهای مختلف در مجموعه داده های CHA و NYC: ( الف ) تعداد POI های محبوب. ( ب ) تعداد نزدیکترین POI.
Ijgi 11 00323 g007 550
شکل 7. مقایسه عملکرد LSMA و انواع آن در مجموعه داده های CHA و NYC.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید