记得比较乱，自用。
POI推荐——2019.11.10
兴趣点预测是预测用户将要访问的兴趣点(其中包含已经访问过的兴趣点) ，兴趣点推荐是将用户没有访问过的兴趣点推荐给用户。
including next POI recommendation, timeaware POI recommendation and out-of-town POI recommendation.
Matrix Factorization (MF), Context Embedding (CE) and Pairwise Ranking (PR)
MF based methods such as GeoMF and RankGeoFM exhibit superior performance on POI recommendation.
根据check-in行为加入了社交因素（又可分为朋友、评论、图片）、地理因素（空间聚类现象而导致的地理影响、幂律分布、核密度估计）
朋友：社交关系中的朋友，位置上的朋友和邻居层面的朋友、用户信任关系
时序 位置变化的序列性
马尔科夫链(Markov chain)
个性化马尔科夫链(Factorizing Personalized Markov Chain, FPMC)
张量分解(Tensor Factorization, TF)
RNN(Recurrent Neural Networks
长短时记忆循环神经网络(Long-Short Memory recurrent neural networks, LSTM)
经典推荐算法：
概率矩阵分解模型（Probabilistic Matrix Factorization, PMF）
SoRec(Social Recommendation using probabilistic matrix factorization)
TrustMF(Social Collaborative Filtering by Trust)
TrustSVD(Social Collaborative Filtering by Trust with SVD)
PMF 利用用户对 POI 的历史评分数据；SoＲec 利用用户社交关系和兴趣点的历史评分数据；Trust MF、Trust SVD 利用用户信任关系和 POI 的历史评分数据。
POI-LSTM模型（[1] 王立, 张谧. 基于LSTM的POI个性化推荐框架[J]. 计算机系统应用, 2018,27(12):56-61.）
单纯的 LSTM 模型只能对用户的行为序列进行建模, 将用户访问过的地点信息输入
到网络中, 只能捕捉到用户的访问地点兴趣信息, 不加入用户的历史评论信息就不能精细描述用户的兴趣变化, 同时也不能接受用户好友关系对于用户选择的影
响.
狄利克雷分配(Latent
Dirichlet Allocation，LDA)主题模型
LBSN基于位置的社交网络——2019.07.21
签到(check-in)：用户上传自身位置到社交网站的行为。
每一个签到的位置称为一个兴趣点POI(Point of Interest)。
对签到信息聚类，对用户历史轨迹进行机器学习，可预测用户未来的轨迹路线。
传统研究模型采用k-means或k-medoids聚类方法将数据划分为k个簇集，通过计算对象之间的相似度进行聚类。
传统在线社交网络(OSN, Online Social Network)。
LBS(Location Based Service),基于位置的服务。
LBSN(Location-based Social Network)，基于位置的社会网络。
对于不同的LBSN网络，不同的推荐系统使用了不同的推荐算法，常见的推荐算法包括：协同过滤算法、基于内容的推荐算法、基于位置的推荐算法等。
协同过滤算法(collaborative filtering, CF)
基于Memory-based(基于记忆)/基于Content-based基于内容/基于邻域
又可分为Item-based推荐算法和User-based推荐算法，计算用户和用户之间的相似度(User-based)，商品和商品之间的相似度(Item-based)
Item-based推荐算法
- 输入item-user矩阵
- 求item-item相似度 （不同相似度度量：person系数、曼哈顿距离、余弦值、欧几里得距离）
- 根据相似度求评分
User-based推荐算法
- 输入item-user矩阵
- 求user-user相似度（不同相似度度量：person系数、曼哈顿距离、余弦值、欧几里得距离）
- 根据相似度求评分
基于Model-based(基于模型)
分解模型算法：如奇异值分解(Singular Value Decomposition)模型算法
基于矩阵分解的协同过滤算法（简称矩阵分解推荐方法）
矩阵分解(Matrix Factorization, MF)算法：它将用户–兴趣点矩阵分解成两个或者多个低维矩阵的乘积实现维数的规约, 用低维空间数据研究高维数据的性质,主要包括正则矩阵分解、非负矩阵分解和概率矩阵分解等方法。
该方法仅仅利用评分信息，将用户对物品的评分信息用矩阵的形式进行表示; 然后将评分矩阵分解为低维的用户特征矩阵和物品特征矩阵，利用用户与物品的向量内积来表示用户对物品的喜好程度，进而构建出基于矩阵分解的推荐方法。然而，由于评分矩阵的高稀疏和不均匀分布等特点，导致仅仅利用评分信息进行推荐带来的推荐性能低、冷启动等问题。
基于图模型的推荐算法：如贝叶斯网络(Bayesian Network)模型推荐算法
决策树(Decision Tree)模型推荐算法
图聚类(Graph Clustering)模型推荐算法
CF面临的问题：数据稀疏
基于关联规则的推荐算法
- Apriori算法
- FPGrowth算法
聚类
K-Means等
分类
- 贝叶斯分类器
- 逻辑回归
- KNN
回归
隐语义
SVD
SVD++
TrustSVD(加入社会化信任机制)
神经网络
基于混合的推荐算法
常用混合思路：加权、特征组合、层叠、变换等
基于位置的推荐算法
LBSN用户行为预测
基于用户个人的数据
只关注用户的历史移动轨迹来预测用户下一个位置。
基于所有用户产生的数据
采用概率分布模型的方法预测下一个位置。
基于前两种数据的结合
参考资料
罗维佳.基于LBSN的个性化推荐技术研究 2016
