learining user's intrinsic and extrinsic interests for point of interest recommendation IJCAI17

huayu li
Point of interest recommendationPOI推荐
In this paper, 提出一个统一的方法，来有效学习细粒的（fine-grained）、可解释的用户兴趣，自适应建模缺失数据。用户的general 兴趣from 两个方面：内部兴趣和外部兴趣, so we propose a model （采用排序约束的方法），而且本文还提出自适应的面向位置的方法来capture丢失数据的inherent property.
Inspired by 心理学和社会学关于分辨用户的行为是否受外部因素的影响，
内部兴趣：用户内部品味的驱动
外部兴趣：受环境影响

2.1 Our Framework

用户i的整体general 兴趣（d维向量）：

we also propose 自适应建模缺失数据：位置j（d维）
对用户的内在和外在兴趣和缺失数据进行建模，我们的框架的总体损失系数为：

3部分：1st:用于model观测数据和未观测数据的经验损失，在2.3 节中介绍
2cd:合并了对用户内在兴趣U(i)和外在兴趣U(e)建模的附加约束，将在第2.2节中介绍。
3rd:对所有变量进行正则化处理以避免过度拟合

2.2 modeling user intrinsic and extrinsic interests(考虑地理位置的影响)

定义3：一个用户有1到多个活动区域，活动区域内用户可以到达每一个POI而不受地理限制
(活动区域由一组用户已访问（visted）位置构成)
用户活动区域计算：基于用户历史位置数据聚类，在每个簇中，首先，选择每个访问的位置为圆心，某个距离阈值为半径的圆内的所有位置，将这些位置合并为一个活动区域。
modeling user intrinsic interests

用户i的intrinsic interests*位置j的位置向量：用户由于intrinsic interests驱动对位置j的喜欢度（perference）
j活动区域已访问（visted）位置，l活动区域未访问（unvisted==unobservation）位置
modeling user extrinsic interests

l活动区域外未访问位置。基于外部兴趣，每个用户i更喜欢已访问位置j，而不是活动区域之外的任何未访问位置

公式（2）的第二部分的损失系数如上：（违反约束带来的损失之和）

2.3Modeling the Missing Data（自适应学习用户对未访问数据的喜好度）

**观察到：**用户对未访问区域的喜好度是negative(不喜欢)和缺失的positive values的混合（可能喜好，但未意识到），

公式(2) 中的经验损失函数（1st）具体形式化为：

C:n*m的频度矩阵，n个用户m个位置（c(ij)=0表示i用户未访问j位置，c(ij)!=0表示i用户访问j位置c(ij)次）
W:一个与访问频度（check-in frequency）和r相关的权值矩阵,具体计算：

未访问位置 w(ij)=1,访问位置 w(ij)>1,
R: 反馈矩阵：
访问位置(r(ij )==1)的反馈as 1, 未访问位置的反馈as 0
增广矩阵P：已访问位置的取值=0，主要用于未访问位置的反馈值的修正（用户对未访问区域的喜好度是negative(不喜欢)和缺失的positive values的混合（可能喜好，但未意识到），因此未访问位置的反馈值取0附近的值。）
两个properties: (1)定位导向（location-oriented），即，其中包含m个潜在因素，用于高效计算;(2)它具有较小的变化范围，可以降低模型学习中的噪声。
P可以通过引入m维向量q得到,

qmin和qmax是将P限制在0附近的小范围的参数,(比如qmin和qmax都等于0，则未访问得位置都设为0)
R^：是一个预测的反馈矩阵。用户i对位置j的喜好度由

近似计算（预测）。
在方程（6）中，很明显R用于模拟观察到的反馈，而P解释了未观察到的反馈并解释了缺失数据的差异。

2.4optimization algorithm

框架的总体损失系数为：

=

W矩阵也用来平衡squared平方误差和ranking 误差
整个过程也需要一些预处理和近似阶段
1）通过helper matrix Z（用sigmoid函数）来得到公式1中的A和B矩阵
2）公式5中（x）+函数的近似计算（a是参数）：

所以，公式8=

使用SGD求得结果（用户i的总体喜好度U，位置矩阵 V, helper matrixZ,q）

3.实验，

数据集：公开数据集Gowalla and Foursquare datasets
访问记录（用户ID，位置ID，时间戳）
划分train：时间戳的前80%和test data ：时间戳的后20%
evaluation metrics:准确率，召回率，MAP（排序性能）
1)VS. some baseline methods
2.参数的影响
5. conclusion
在本文中，我们提出了一种统一的方法来集成平方误差损失和排序误差损失，通过有效地学习细粒度和可解释的用户兴趣，并自适应地建模丢失的数据来解决位置推荐任务。具体而言，每个用户的一般兴趣被建模为她的内在和外在利益的混合，我们在这些利益的基础上制定了我们统一方法中的排名约束。此外，提出了一种自适应的面向位置的方法来捕获缺失数据的特征，然后将其表示为统一优化目标中的平方误差损失。为了评估我们的模型，我们对现实世界的数据集进行了大量实验，并将我们的方法与几个基线进行了比较。实验结果表明了我们模型的有效性。

learining user's intrinsic and extrinsic interests for point of interest recommendation IJCAI17相关推荐

论文阅读笔记：(2022.05) Observability-Aware Intrinsic and Extrinsic Calibration of LiDAR-IMU Systems
这是发表在IEEE Transactions on Robotics上关于Lidar和IMU标定的文章: 论文:https://arxiv.org/abs/2205.03276 代码开源了: GitH ...
camera Intrinsic and Extrinsic
http://www.360doc.com/content/14/0410/14/10724725_367762569.shtml https://jingyan.baidu.com/article/ ...
读《Finger Vein Verification using Intrinsic and Extrinsic Features》
2021 摘要 AE学习内部特征(IFL)估计具有不同偏移和旋转的类内手指静脉图像的期望孪生学习外部特征(EFL)学习类间特征表示引言传统方法虽然在一定程度上提取了手指静脉的有效特征,但仍不能解 ...
【网格图软判决译码】基于比特级的MAP译码(Bitwise MAP Decoding)算法原理推导和例题详解(intrinsic和extrinsic值)
Bitwise MAP Decoding算法详解 C C C表示一个(n,k)码,生成矩阵为 G G G,编码如下 Encoding u =
GitHub最常用的开源库总结
TimLiu-Android 查看全文 http://www.taodudu.cc/news/show-4613058.html 相关文章: Android开源库总结字节小组长无意得知手下有35K, ...
ICLR2023推荐系统投稿论文集锦
今年ICLR会议已经把审稿意见放出来了,特此整理了一下关于推荐系统相关的论文,总共筛选出24篇.值得说明的是,之前整理的顶会论文都是正式被接收的,比如NeurlPS2022推荐系统论文集锦与CIKM2 ...
论文笔记：Hierarchical Deep Reinforcement Learning:Integrating Temporal Abstraction and Intrinsic
2016 nips 1 abstract & introduction 在反馈稀疏的环境中学习目标导向的行为是强化学习算法面临的主要挑战.主要困难之一是探索不足,导致智能体无法学习稳健的策略. ...
English book2 (unit8,12)
Unit8 Dolly's False Legacy 一,词汇 1. People who suffer from infertility can seek medical advice to ...
RGB-D对红外热像仪和毫米波雷达标定
RGB-D对红外热像仪和毫米波雷达标定 Extrinsic Calibration of Thermal IR Camera and mmWave Radar by Exploiting Depth ...

learining user's intrinsic and extrinsic interests for point of interest recommendation IJCAI17

learining user's intrinsic and extrinsic interests for point of interest recommendation IJCAI17相关推荐

最新文章

热门文章