论文研究基于相似度融合和动态预测的兴趣点推荐算法.pdf

现有的兴趣点推荐算法大都存在两个问题：第一，算法中利用用户签到的历史数据，而忽略了用户的评论和标签等信息，不能很好地解决冷启动问题。第二，部分算法在计算相似度时仅使用用户的签到评分，而由于POI签到矩阵的高稀疏性，会导致推荐结果不准确。鉴于上述问题，提出了利用潜在的狄利克雷分配（LatentDirichletAllocation，LDA）主题模型挖掘用户的兴趣话题，融合签到数据进行相似度度量，很好地解决了冷启动问题。在推荐生成阶段提出了一种动态预测法，动态填补缺失的访问概率，进一步缓解数据稀疏，提高推荐质量。在真实数据集上的实验结果表明，基于相似度融合和动态预测的兴趣点推荐算法有效解决了数