The advent of the time of big data along with social networks makes the visualization and analysis of networks information become increasingly important in many fields. Based on the information from social networks, t...The advent of the time of big data along with social networks makes the visualization and analysis of networks information become increasingly important in many fields. Based on the information from social networks, the idea of information visualization and development of tools are presented. Popular social network micro-blog （＇Weibo＇） is chosen to realize the process of users＇ interest and communications data analysis. User interest visualization methods are discussed and chosen and programs are developed to collect users＇ interest and describe it by graph. The visualization results may be used to provide the commercial recommendation or social investigation application for decision makers.展开更多
传统兴趣点(point of interest,POI)推荐方法对用户和POI的关联关系挖掘不充分,无法全面捕捉用户偏好;基于图增强的推荐方法虽能挖掘关联关系,却易引入噪声,降低推荐性能。针对这些问题,本文提出了结合通用轨迹图和多偏好的POI推荐方法...传统兴趣点(point of interest,POI)推荐方法对用户和POI的关联关系挖掘不充分,无法全面捕捉用户偏好;基于图增强的推荐方法虽能挖掘关联关系,却易引入噪声,降低推荐性能。针对这些问题,本文提出了结合通用轨迹图和多偏好的POI推荐方法。首先构建了用户与POI的带权二部图,利用图卷积网络捕捉用户和POI的交互关系,学习用户兴趣偏好;利用兴趣偏好完成用户聚类,进而构建同类型用户通用轨迹图,减少噪声信息影响;利用图卷积网络捕捉同类型用户的群体特征,丰富特征表示。其次,将群体特征与用户当前轨迹中时间类别感知信息、时空上下文信息相结合,利用Transformer挖掘用户的深层行为偏好。再次,构造非线性加性函数并将兴趣偏好和行为偏好动态组合,全面捕捉用户偏好,完成POI推荐。最后,在真实数据集上验证了本文方法的有效性。展开更多
现有的下一个兴趣点(point of interest,PoI)推荐技术存在三个主要问题:使用过于简单的方法构建用户兴趣模型、忽略用户和PoI之间在时空维度上的互动以及未能充分挖掘用户间复杂的高阶交互信息。针对这些问题,提出一种新颖的超图学习模...现有的下一个兴趣点(point of interest,PoI)推荐技术存在三个主要问题:使用过于简单的方法构建用户兴趣模型、忽略用户和PoI之间在时空维度上的互动以及未能充分挖掘用户间复杂的高阶交互信息。针对这些问题,提出一种新颖的超图学习模型FSTMH,细粒度地融合时间、空间和语义信息,用于下一个PoI推荐。FSTMH包括细粒度嵌入模块和多层次嵌入模块。前者通过使用地理图卷积网络和有向超图卷积网络进行学习,获取对应的嵌入信息,并通过对比学习提升PoI表示的质量,使用细粒度超图卷积网络学习该模块的PoI嵌入;后者将多层语义超图输入到多层超图卷积网络,学习多层次语义的PoI嵌入表示。最后,模型将两个模块的PoI嵌入向量进行组合,生成最终的top-K预测结果。通过在广泛使用的三个社交网络公共数据集上进行多种实验,结果均表明FSTMH模型表现出色,说明该新模型可作为提高下一个PoI推荐的有效方法。展开更多
文摘The advent of the time of big data along with social networks makes the visualization and analysis of networks information become increasingly important in many fields. Based on the information from social networks, the idea of information visualization and development of tools are presented. Popular social network micro-blog （＇Weibo＇） is chosen to realize the process of users＇ interest and communications data analysis. User interest visualization methods are discussed and chosen and programs are developed to collect users＇ interest and describe it by graph. The visualization results may be used to provide the commercial recommendation or social investigation application for decision makers.
文摘传统兴趣点(point of interest,POI)推荐方法对用户和POI的关联关系挖掘不充分,无法全面捕捉用户偏好;基于图增强的推荐方法虽能挖掘关联关系,却易引入噪声,降低推荐性能。针对这些问题,本文提出了结合通用轨迹图和多偏好的POI推荐方法。首先构建了用户与POI的带权二部图,利用图卷积网络捕捉用户和POI的交互关系,学习用户兴趣偏好;利用兴趣偏好完成用户聚类,进而构建同类型用户通用轨迹图,减少噪声信息影响;利用图卷积网络捕捉同类型用户的群体特征,丰富特征表示。其次,将群体特征与用户当前轨迹中时间类别感知信息、时空上下文信息相结合,利用Transformer挖掘用户的深层行为偏好。再次,构造非线性加性函数并将兴趣偏好和行为偏好动态组合,全面捕捉用户偏好,完成POI推荐。最后,在真实数据集上验证了本文方法的有效性。
文摘现有的下一个兴趣点(point of interest,PoI)推荐技术存在三个主要问题:使用过于简单的方法构建用户兴趣模型、忽略用户和PoI之间在时空维度上的互动以及未能充分挖掘用户间复杂的高阶交互信息。针对这些问题,提出一种新颖的超图学习模型FSTMH,细粒度地融合时间、空间和语义信息,用于下一个PoI推荐。FSTMH包括细粒度嵌入模块和多层次嵌入模块。前者通过使用地理图卷积网络和有向超图卷积网络进行学习,获取对应的嵌入信息,并通过对比学习提升PoI表示的质量,使用细粒度超图卷积网络学习该模块的PoI嵌入;后者将多层语义超图输入到多层超图卷积网络,学习多层次语义的PoI嵌入表示。最后,模型将两个模块的PoI嵌入向量进行组合,生成最终的top-K预测结果。通过在广泛使用的三个社交网络公共数据集上进行多种实验,结果均表明FSTMH模型表现出色,说明该新模型可作为提高下一个PoI推荐的有效方法。
