一些基础知识。


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。

经典推荐算法

协同过滤算法(collaborative filtering, CF)

基于Memory-based(基于内存)

又可分为Item-based推荐算法和User-based推荐算法

基于Model-based(基于模型)

又分为
分解模型算法:如奇异值分解(Singular Value Decomposition)模型算法
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

基于内容的推荐算法

基于关联规则的推荐算法

比如Apriori算法

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

聚类

相似性计算

聚类算法

k-means算法,又称为k均值算法
k-medoids算法,又称为k中心算法

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