مدل توصيه مكان‌هاي مورد علاقه با توجه به الگوي رفتاري افراد بر اساس ليست دوستان بر پايه يادگيري عميق

A POI Recommendation Model According to the Behavior Pattern of Users Based on Friends List Using Deep Learning

رشد سريع شبكه‌هاي اجتماعي مبتني بر مكان، فرصتي عالي براي ارائه خدمات توصيه مكان‌هاي مورد علاقه به صورت هدفمند مي‌باشد. يك وظيفه مهم براي توصيه دقيق نقاط جذاب و مورد علاقه كاربران در شبكه‌هاي اجتماعي مبتني بر مكان، با توجه به چالش‌هاي متون غني و پراكندگي داده‌ها، بررسي ويژگي‌هاي معنادار كاربران و نقاط مورد علاقه است. در اين مقاله، يك روش جديد براي توصيه ترتيب دقيق بهترين نقاط مورد علاقه كاربران ارائه شده كه تركيبي از رويكردهاي شبكه عصبي كانولوشن، خوشه‌بندي و دوستي مي‌باشد. براي يافتن شباهت در رفتار دوستان صميمي، از روش خوشه‌بندي انتقال ميانگين استفاده مي‌كنيم و فقط تأثير الگوي رفتاري شبيه‌ترين دوست را به نسبت همه دوستان كاربر در نظر مي‌گيريم. چارچوب جديد شبكه عصبي كانولوشن پيشنهادي با 10 لايه مي‌تواند طول و عرض جغرافيايي و شناسه مكان‌هاي مناسب بعدي را پيش‌بيني كرده و سپس بر اساس كوتاه‌ترين فاصله از الگوي رفتاري دوست مشابه، مكان‌هاي پيشنهادي را انتخاب كند. اين رويكرد تركيبي، در دو مجموعه داده شبكه‌هاي اجتماعي مبتني بر مكان ارزيابي شده و نتايج تجربي نشان مي‌دهد كه استراتژي ما از روش‌هاي پيشرفته توصيه نقاط مورد علاقه دقيق‌تر عمل مي‌كند.

The rapid growth of Location-based Social Networks (LBSNs) is a great opportunity to provide personalized recommendation services. An important task to recommend an accurate Point-of-Interests (POIs) to users, given the challenges of rich contexts and data sparsity, is to investigate numerous significant traits of users and POIs. In this work, a novel method is presented for POI recommendation to develop the accurate sequence of top-k POIs to users, which is a combination of convolutional neural network, clustering and friendship. To discover the likeness, we use the mean-shift clustering method and only consider the influence of the most similarities in pattern’s friendship, which has the greatest psychological and behavioral impact rather than all user’s friendship. The new framework of a convolutional neural network with 10 layers can predict the next suitable venues and then select the accurate places based on the shortest distance from the similar friend behavior pattern. This approach is appraised on two LBSN datasets, and the experimental results represent that our strategy has significant improvements over the state-of-the-art techniques for POI recommendation.