融合社交关系与地理信息的兴趣点推荐模型

来源：计算机工程与应用杂志2020年第5期北京时间：

作者：张进，孙福振，王绍卿，王帅，鹿祥志

单位：山东理工大学 计算机科学与技术学院，山东 淄博 255049

摘要：基于LBSN的兴趣点推荐存在用户签到矩阵稀疏、推荐精度不高、上下文信息利用不充分等问题，提出一种融合社交信任的矩阵分解算法TGMF（Trust-Geo?Matrix?Factorization）来缓解以上问题。利用BPR模型优化矩阵分解的过程，改进偏序关系的生成策略。把信任影响和相似度计算相结合，提高推荐精度。融合两种模型得到用户的最终偏好列表。把偏好列表中的top-[k]个兴趣点推荐给用户。实验结果表明，在真实数据集Gowalla和Foursquare上，TGMF算法在准确率和召回率两个指标上均优于传统的兴趣点推荐算法。

关键词：兴趣点推荐,矩阵分解,社交信任,BPR