融合地理信息的兴趣点推荐

智能移动终端在大学校园内的迅速普及，使得校园无线局域网被广泛部署于图书馆、食堂、教学楼、宿舍等区域，推进了信息化校园的建设，为师生的校园生活提供了极大的便利，与此同时大学校园积累了大量基于位置的社交网络(LBSNs, Location-Based Social Networks)数据，如何利用LBSNs进行学生兴趣点(POI, Point-of-Interest)推荐已经成为一个研究热点。校园地理信息的高可用性为提高个性化兴趣点推荐的性能提供了机会，提高POI推荐性能，应解决两个主要挑战：首先，如何利用地理信息来获取用户个人信息、地理坐标和位置流行度等信息；然后如何将地理信息纳入推荐算法中。本文使用一种基于校园地理信息的Logistic矩阵分解(CGLMF, Campus Geographic Information based Logistic Matrix Factorization) POI推荐算法，该算法利用学生个人信息和校园地理信息，通过考虑学生的主要活动区域和该区域每个POI的相关性，提出一种有效的地理信息模型，然后将地理信息模型融合到Logistic矩阵分解中以此提高POI推荐性能，在校园真实学生Wi-Fi签到数据集上进行实验，结果表明该方法优于其他POI推荐方法。

随着智能移动设备的迅速普及，基于位置的社交网络(LBSNs, Location-Based Social Networks)数据大量累计，如何利用这些数据成为学术界和工业界共同关注的热点问题。在LBSNs 中， 用户可以通过在兴趣点(POI, Point-of-Interest)签到来分享他们访问过的地点，例如餐馆、网红景点和商店等。一般的POI推荐任务是向用户推荐新颖有趣且用户感兴趣的POI [1]，但是在校园环境下学生用户的行为具有明显的规律性，所以我们给用户推荐POI 时不能只推荐学生未访问的新颖有趣的POI，而是从数据集整体中挑选学生可能感兴趣的POI。更应该从数据集整体中挑选学生可能感兴趣的POI 进行推荐。其主要目标是通过挖掘学生群体的签到记录和其他可用信息来获得学生在特定时间可能访问的top-N POI。

与传统的无上下文推荐系统不同， POI 与用户之间的交互要求用户访问现实世界中真实存在的地点。

因此， 时空信息(包括地点的经纬度坐标和时间因素等)是影响用户实际签到行为的关键因素。

例如， 学生通常是在下午或晚上时段去操场散步和体育锻炼，周末通常是在宿舍、图书馆和自习室区域。总之，时空信息对于分析用户行为以获得POI 推荐有至关重要的作用。POI 推荐在城市规划、商业广告和服务行业中有着重要价值， 提出了很多方法来提高POI 推荐质量[2] [3]， 然而如何根据复杂时空信息准确预测用户在给定时间的POI 仍是一个具有挑战性的问题[4]。