Key points are not available for this paper at this time.
Le développement rapide des réseaux sociaux basés sur la localisation (LBSNs) offre aux personnes la possibilité de mieux comprendre leur comportement de mobilité, ce qui leur permet de décider de leur prochaine destination. Par exemple, cela peut aider les voyageurs à choisir où aller ensuite, ou recommander aux vendeurs les lieux les plus potentiels pour diffuser des publicités ou vendre des produits. Dans cet article, une méthode de recommandation de points d'intérêt (POI) est proposée basée sur une technique de factorisation tensorielle collaborative (CTF). Premièrement, une fonction objective généralisée est construite pour factoriser collaborativement un tenseur avec plusieurs matrices de caractéristiques. Deuxièmement, un tenseur à 3 modes est utilisé pour modéliser tous les comportements de check-in des utilisateurs, et trois matrices de caractéristiques sont extraites pour caractériser respectivement la distribution temporelle, la distribution par catégorie et la corrélation des POI. Troisièmement, la préférence de chaque utilisateur pour un POI à un moment spécifique peut être estimée en utilisant la CTF. Afin d'améliorer davantage la précision des recommandations, la PCTF (CTF basée sur des partitions) est proposée pour remplir les entrées manquantes d'un tenseur après avoir regroupé chaque mode. Des expériences sur une base de données de check-in réelle montrent que la méthode proposée peut fournir des recommandations de localisation plus précises.
Luan et al. (Sun,) ont étudié cette question.