融合深度学习和因子分解机的兴趣点签到预测研究

摘要

基于位置的社交网络(Location-Based Social Networks,LBSN)为用户提供基于位置的服务,允许移动用户在社交网络中共享各自的位置以及与位置相关的信息.签到预测研究已经成为LBSN的重要且非常具有挑战性的任务.目前的预测技术大部分集中在以用户为中心的签到预测研究,而针对兴趣点签到预测的研究很少.文中主要研究以特定兴趣点为中心的签到预测.由于数据存在极端稀疏性的问题,运用传统的模型很难从数据中挖掘出用户的潜在签到规律.针对以特定兴趣点为中心的签到预测问题,提出了一种结合因子分解机和深度学习的新型网络模型(TSWNN),该模型融合了时间特征、空间特征、天气特征,基于因子分解机的思想处理高维稀疏向量,并采用全连接的隐藏层以挖掘用户在兴趣点的潜在签到行为模式,预测特定兴趣点的签到情况.在两个经典的LBSN数据集Gowalla和Brightkite上的实验结果表明了所提模型的优越性能.