首页|基于多任务权重参数学习的兴趣点推荐算法研究

基于多任务权重参数学习的兴趣点推荐算法研究

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
基于位置的社交网络的快速发展,通过借助社交网络来分享用户位置信息,其中包含了丰富的上下文信息,比如用户签到、兴趣点地理位置、用户社交关系等,从而对兴趣点推荐的发展提供了很大的机遇.但是,如何有效地利用这些上下文信息,解决数据稀疏和隐式反馈等问题,是很大的挑战.针对这一问题,提出了一种能够动态融合不同上下文因素的推荐算法,该推荐算法可以融合不同类型的上下文因素,比如地理信息、类别信息、时间信息等,通过一种类似梯度下降的动态权重参数学习的方法,动态地学习每个因素的权重,适应不同类型用户特点,从而改善兴趣点推荐效果.
Research on Interest Point Recommendation Algorithm Based on Dynamic Weight Parameter Learning

甘宏

展开 >

广州南方学院,510990,广州

上下文因素 参数学习 兴趣点推荐算法 融合方法

广东省教育科学"十三五"规划项目2020年广东省本科高等学校电子商务类教指委教学改革项目2020年度校级科研项目

2019GXJK1992020XK09

2021

10.13990/j.issn1001-3679.2021.06.029

江西科学
江西省科学院

江西科学

影响因子：0.286
ISSN：1001-3679
年,卷(期)：2021.39(6)
  • 1
  • 9