典型文献
深度学习方法在兴趣点推荐中的应用研究综述
文献摘要：
在基于位置的社交网络(LBSN)中,用户可以在兴趣点(POI)进行签到以记录行程,也可以与其他用户分享自身的感受并形成社交好友关系.POI推荐是LBSN提供的一项重要服务,其可以帮助用户快速发现感兴趣的POI,也有利于POI提供商更全面地了解用户偏好,并有针对性地提高服务质量.POI推荐主要基于对用户历史签到数据以及用户生成内容、社交关系等信息的分析来实现.系统归纳POI推荐中所面临的时空序列特征提取、内容社交特征提取、多特征整合、数据稀疏性问题处理这4个方面的挑战,分析在POI推荐中使用深度学习方法解决上述问题时存在的优势以及不足.在此基础上,展望未来通过深度学习提高POI推荐效果的研究方向,即通过增量学习加速推荐模型更新、使用迁移学习缓解冷启动问题以及利用强化学习建模用户动态偏好,从而为实现效率更高、用户体验质量更好的推荐系统提供新的思路.
文献关键词：
兴趣点推荐;深度学习;特征提取;特征整合;数据稀疏性
中图分类号：
作者姓名：
汤佳欣;陈阳;周孟莹;王新
作者机构：
复旦大学 计算机科学技术学院,上海 201203;复旦大学 上海市智能信息处理重点实验室,上海 201203
文献出处：
引用格式：
[1]汤佳欣;陈阳;周孟莹;王新-.深度学习方法在兴趣点推荐中的应用研究综述)[J].计算机工程,2022(01):12-23,42
A类：
B类：
深度学习方法,兴趣点推荐,基于位置的社交网络,LBSN,POI,其他用户,交好,好友,感兴趣,提供商,用户偏好,签到数据,用户生成内容,社交关系,时空序列,序列特征,社交特征,多特征,特征整合,数据稀疏性,问题处理,使用深度,展望未来,推荐效果,增量学习,推荐模型,模型更新,迁移学习,冷启动问题,强化学习,动态偏好,实现效率,用户体验质量,推荐系统
AB值：
0.412839
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
