Algoritmy kolaborativního filtrování pro doporučení míst zájmů

Abstract

S dostupností obrovského množství uživatelů a geolokačních sociálních sítí získal v posledních letech problém doporučení míst zájmu značnou pozornost výzkumu. Zatímco předchozí práce zabývající se doporučením míst zájmu se většinou zaměřovaly na zkoumání prostorového, časového a sociálního vlivu, použití dodatečných obsahových informací nebylo cíleně studováno. Tyto dodatečné informace mohou nejen zlepšit kvalitu doporučení, ale také překonat i problém tzv. studeného startu. V této práci navrhuji algoritmus pro doporučení míst zájmu založený na faktorizaci matice s přidanou obsahovou informací -- atributy a kategorie míst zájmu. Navrhuji dvě varianty algoritmu, které mohou pracovat s explicitní a implicitní zpětnou vazbou. Informace o atributech a kategoriích jsou získány z existujících datových sad a použity k měření podobnosti mezi dvěma místy. Experimentální výsledky ukazují, že navrhovaná metoda zlepšuje kvalitu doporučení, překonává většinu populárních algoritmů kolaborativního filtrováni a dokáže efektivně zvládnout problém studeného startu.

With the availability of the vast amount of users and Location-based social networks, the problem of POI recommendations has been widely studied and received significant research attention in the last seven years, and many approaches have been suggested. While previous works of POI recommendation mostly focused on investigating the spatial, temporal, and social influence, the use of additional content information has not been directionally studied. Such additional information can not only improve the performance of the recommendation system but also help to overcome the so-called cold start problem. In this paper, we propose the content-aware matrix factorization method based on incorporating POI attribute and categories information. We propose two variants of the algorithm that can work with explicit and implicit feedback. The attribute and categories information of a POI is collected from existing datasets and used to measure the similarity between two POIs. These similarity values are subsequently used as a regularization term added to the objective function of matrix factorization. Experimental results show that the proposed method improves the quality of recommendation, outperforms most state-of-the-art collaborative filtering algorithms and can effectively cope with the so-called cold start problem.