李心茹，夏 陽，張碩碩

中國礦業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，江蘇 徐州 221000

1 引言

社會(huì)經(jīng)濟(jì)的快速發(fā)展，給人們的生活帶來更多的樂趣，人們興趣點(diǎn)（如旅游景點(diǎn)、博物館、賓館、餐廳等）的數(shù)量也飛速增長，且會(huì)根據(jù)個(gè)人愛好選擇與自己興趣相投的興趣點(diǎn)[1-2]。如何幫助用戶從大量的興趣點(diǎn)中發(fā)現(xiàn)自己感興趣的點(diǎn)是一個(gè)困難的問題，興趣點(diǎn)推薦就是幫助用戶篩選出與用戶興趣一致的位置并且縮短決策的時(shí)間。

目前，大多數(shù)興趣點(diǎn)推薦算法是基于興趣點(diǎn)的歷史簽到數(shù)據(jù)及上下文信息（如時(shí)間、地理位置、標(biāo)簽、評(píng)論等）來挖掘符合用戶偏好且尚未訪問的興趣點(diǎn)，并改善用戶簽到矩陣的稀疏性問題和冷啟動(dòng)問題。高榕等人[3]提出了使用LDA主題模型提取用戶特征向量融入矩陣分解，利用矩陣分解進(jìn)行填充缺失評(píng)分。Degemmis等人[4]研究了一種矩陣填充技術(shù)，將評(píng)分矩陣中的缺失值填充為一種缺省值，以此緩解數(shù)據(jù)稀疏性問題。Gao等人[5]在興趣點(diǎn)推薦時(shí)利用了POI相關(guān)的描述信息和用戶個(gè)人情緒信息。Yin等人[6]利用LDA主題模型，預(yù)測用戶的興趣度，每個(gè)主題通過學(xué)習(xí)用戶的歷史簽到數(shù)據(jù)和POI的分類信息得到。Ren等人[7]將興趣、地理、社會(huì)等六種上下文信息分別建模，融入到概率矩陣模型中。Zhao等人[8]借鑒了社會(huì)上的用戶評(píng)分為用戶進(jìn)行評(píng)分預(yù)測，并將用戶個(gè)人興趣、人際交往評(píng)分相似性等四種因素融合到矩陣分解中。

總體來說，上述的興趣點(diǎn)推薦算法都一定程度上提高了推薦質(zhì)量，緩解了數(shù)據(jù)稀疏性，但是也存在一些問題：（1）模型計(jì)算復(fù)雜度太高，模型訓(xùn)練時(shí)間過長。（2）部分算法在計(jì)算相似度時(shí)僅使用用戶的簽到評(píng)分，而由于POI簽到矩陣的高稀疏性，會(huì)導(dǎo)致推薦結(jié)果不準(zhǔn)確。（3）矩陣填充技術(shù)，由于缺省值設(shè)置不準(zhǔn)確，由此引來了新的誤差[9]。（4）算法中大都利用用戶簽到的歷史數(shù)據(jù)，而忽略了用戶的評(píng)論和標(biāo)簽等信息，不能很好地解決冷啟動(dòng)問題。

針對(duì)上述興趣點(diǎn)推薦面臨的問題及上述研究存在的不足，本文提出了一種基于相似度融合和動(dòng)態(tài)預(yù)測的興趣點(diǎn)推薦算法，該算法命名為SI-DP（point of interest recommendation algorithm based on Similarity Integration and Dynamic Prediction）。該算法的基本思想是：首先將用戶的評(píng)論信息、標(biāo)簽信息及POI相關(guān)的文本信息各自進(jìn)行主題建模進(jìn)行相似度計(jì)算，并且利用用戶簽到數(shù)據(jù)進(jìn)行相似度度量，兩者融合，很好地解決了推薦系統(tǒng)中的冷啟動(dòng)問題，并且提高了推薦的質(zhì)量，最后在推薦生成階段，利用動(dòng)態(tài)預(yù)測法填補(bǔ)缺失的訪問概率，緩解了數(shù)據(jù)稀疏性問題，降低了算法的復(fù)雜性。

概括起來，本文做出了兩點(diǎn)對(duì)興趣點(diǎn)的貢獻(xiàn)：

（1）由于興趣點(diǎn)推薦中的數(shù)據(jù)除了包含用戶的簽到評(píng)分之外，還有用戶評(píng)論、標(biāo)簽、地理位置等上下文信息，本文利用潛在的LDA主題模型挖掘興趣點(diǎn)和用戶相關(guān)的文本信息，學(xué)習(xí)用戶的興趣特征，利用用戶的興趣特征向量進(jìn)行相似性度量。并且使用傳統(tǒng)的興趣點(diǎn)推薦方法計(jì)算用戶相似度，然后和利用LDA模型提取用戶特征計(jì)算的用戶相似度進(jìn)行線性融合，很好地解決了推薦系統(tǒng)中的冷啟動(dòng)問題。

（2）在推薦生成階段，使用動(dòng)態(tài)預(yù)測的方法計(jì)算最近鄰居缺失的訪問概率，降低了算法的復(fù)雜性，提高了推薦質(zhì)量。本文在一個(gè)真實(shí)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明：相比其他主流算法，本文提出的算法在推薦的準(zhǔn)確率和召回率上提高了很多。

傳統(tǒng)基于內(nèi)存的協(xié)同過濾算法[10]分兩種：基于用戶的協(xié)同過濾算法和基于物品的協(xié)同過濾算法。本文使用的是基于用戶的協(xié)同過濾算法，其基本思想為：在推薦系統(tǒng)中，當(dāng)用戶A需要推薦時(shí)，先找到和用戶A有相似興趣的用戶，然后把那些符合用戶偏好的、而用戶A未知的興趣點(diǎn)推薦給A。

傳統(tǒng)的基于協(xié)同過濾的興趣點(diǎn)推薦算法主要分為以下幾個(gè)步驟：生成用戶興趣模型、發(fā)現(xiàn)最近鄰集[11]、計(jì)算訪問概率、生成推薦列表。

在預(yù)測用戶對(duì)某興趣點(diǎn)的訪問概率時(shí)，基于用戶的協(xié)同過濾算法為：首先根據(jù)用戶的興趣點(diǎn)訪問序列[12]計(jì)算出該用戶與其他用戶的相似性，然后選取若干個(gè)最相似的用戶[13]，并對(duì)這些相似用戶指定興趣點(diǎn)的訪問記錄值加權(quán)求和。

定義用戶集合為U，興趣點(diǎn)集合為P，用戶對(duì)興趣點(diǎn)的訪問矩陣為C，其中用戶cu,p=1表示用戶u∈U訪問過興趣點(diǎn) p∈P，cu,p=0表示u沒有訪問過興趣點(diǎn)p。給定用戶u，如果該用戶沒有訪問過興趣點(diǎn) p，那么u在未來訪問 p的概率為：

其中u與v的相似性為用戶v的權(quán)重wu,v。

在公式（1）中，用戶間的相似性權(quán)重可以由很多方法計(jì)算得來，本文主要應(yīng)用余弦相似性[14]來計(jì)算兩個(gè)用戶之間的相似性。對(duì)于用戶v與u，其余弦相似性的計(jì)算公式為：

LDA主題模型[15]是2003年由Blei等人提出?？梢杂脕碜R(shí)別大規(guī)模文檔集（document collection）或語料庫（corpus）中潛藏的主題信息。它將文檔中的主題以概率分布的形式給出，從而得到了文檔的主題分布，最后再根據(jù)主題進(jìn)行分類或者聚類。在文本信息分析中，LDA模型除了兼顧文本的多語義性之外，還有降維的作用。對(duì)于用戶或者POI來說，將用戶或者POI相關(guān)的文本信息輸入進(jìn)去，可以挖掘它們的潛在主題特征，從而用主題向量表示[16]。

LDA主題模型的生成過程為：首先，隨機(jī)選擇話題分布θ；然后，對(duì)文檔中的每個(gè)詞w，先從第一點(diǎn)中產(chǎn)生的分布中隨機(jī)選擇一個(gè)話題z，再按照主題z的單詞概率生成一個(gè)詞w。LDA模型如圖1所示。

圖1 LDA模型

其中α和β表示語料級(jí)別的參數(shù)，θ是一個(gè)K維主題向量。

用戶或POI的潛在特征挖掘過程可以看作生成過程的逆過程。

2 SI-DP推薦算法

為了緩解數(shù)據(jù)稀疏性和冷啟動(dòng)問題，本算法使用LDA主題模型構(gòu)建用戶特征向量，進(jìn)行相似性度量，同時(shí)結(jié)合簽到數(shù)據(jù)進(jìn)行相似性度量。一般情況下，擁有相似主題特征而且同時(shí)簽到過很多興趣點(diǎn)的用戶更相似，所以本文將兩種相似性度量線性融合，發(fā)現(xiàn)最近鄰居集，該相似度融合算法命名為SI（Similarity Integration）算法。在預(yù)測訪問概率階段，為了降低算法復(fù)雜性的同時(shí)提高推薦質(zhì)量，提出一種動(dòng)態(tài)預(yù)測法，動(dòng)態(tài)填充最近鄰對(duì)當(dāng)前興趣點(diǎn)訪問缺失的簽到數(shù)據(jù)，本文將該算法命名為DP（Dynamic Prediction）算法。

2.1 基于LDA模型的相似性度量

傳統(tǒng)的基于協(xié)同過濾的興趣點(diǎn)推薦算法在進(jìn)行用戶間相似性度量時(shí)僅考慮用戶簽到評(píng)分?jǐn)?shù)據(jù)，忽略了用戶的評(píng)論和標(biāo)簽等信息對(duì)相似度的影響。對(duì)此，本文提出使用LDA主題模型從用戶評(píng)論和標(biāo)簽等信息中提取用戶和興趣點(diǎn)的潛在特征，并進(jìn)行相似性度量。該算法首先匯集與同一個(gè)POI有關(guān)的所有評(píng)論和描述信息到一個(gè)文檔即 pi，然后把同一用戶簽到過的POIs的所有的評(píng)論和用戶標(biāo)簽等信息，匯集到一個(gè)文檔即uj，這樣獲得了一個(gè)包含大量的文檔集合，每一個(gè)文檔對(duì)應(yīng)著一個(gè)POI或者一個(gè)用戶。給定POI和用戶中隱含的主題數(shù)K，最終需要得到一個(gè)POI和用戶的主題分布θp和θu，θp和θu都為K維向量，每一維代表該P(yáng)OI或者用戶在相應(yīng)主題下的概率。

通過LDA主題模型得到每個(gè)POI或者用戶的主題特征，用戶i的主題向量用θui表示，興趣點(diǎn) j的主題向量用θpj表示，表示用戶i屬于主題m的概率，wm

(pj)表示興趣點(diǎn) j屬于主題m的概率，則基于主題求出用戶最近鄰如公式（3）所示：

基于主題求出的POI的最近鄰如公式（4）所示：

2.2 使用SI算法選擇最近鄰居集合

本文在傳統(tǒng)的基于簽到數(shù)據(jù)度量相似性的基礎(chǔ)上，融合了2.1中基于LDA主題模型的相似性計(jì)算，將兩種相似度進(jìn)行線性融合。假設(shè)使用LDA模型求解出的用戶的最近鄰集合為Ul={ul1,ul2,…,ulm}，基于簽到數(shù)據(jù)度量相似性的方法求解出的最近鄰集合為Ut={ut1,ut2,…,utn}，則用戶的最近鄰集合表示為Ub=Ul?Ut，對(duì)于最近鄰集的交集Uj=Ul?Ut，在預(yù)測訪問概率時(shí)將賦予更高的權(quán)重。用戶的相似度設(shè)置為：

其中，siml(ua,ub)為使用LDA主題模型建模后求解出了相似性，simt(ua,ub)為基于傳統(tǒng)利用簽到數(shù)據(jù)求出的相似性。μ為參數(shù)，本文設(shè)置為0.6。

2.3 基于DP算法的訪問概率預(yù)測及推薦列表的生成

在興趣點(diǎn)推薦中，由于數(shù)據(jù)的高稀疏性，所以在利用求得的最近鄰居集進(jìn)行訪問概率預(yù)測時(shí)，常常出現(xiàn)最近鄰對(duì)當(dāng)前興趣點(diǎn)的簽到缺失的情況，為了進(jìn)一步緩解數(shù)據(jù)稀疏性，本文引入動(dòng)態(tài)填充評(píng)分的思想，避免帶來新的誤差。動(dòng)態(tài)預(yù)測，即動(dòng)態(tài)填充用戶當(dāng)前缺失的簽到數(shù)據(jù)，當(dāng)出現(xiàn)最近鄰對(duì)當(dāng)前POI簽到缺失情況，即利用公式（4）求出當(dāng)前POI的近鄰集，然后基于近鄰集對(duì)近鄰預(yù)測當(dāng)前POI的訪問概率，最后利用基于用戶的預(yù)測方法進(jìn)行訪問概率預(yù)測。

假設(shè)目標(biāo)用戶為u，當(dāng)前POI為 p，用戶的最近鄰集為M，用戶h為最近鄰集的任意用戶，則用戶h對(duì)當(dāng)前POI的訪問預(yù)測為：

其中N為用戶h最近鄰POI集，sim(p ,l)為利用公式（4）求得的興趣點(diǎn) p和興趣點(diǎn)l的相似度。最終，用戶u對(duì)當(dāng)前POI的訪問概率為：

其中v表示用戶u的最近鄰集，wu,h表示用戶u和用戶h的相似度權(quán)重。根據(jù)公式（7）計(jì)算出用戶的預(yù)測訪問概率，再按訪問概率的大小進(jìn)行排序，選擇前N個(gè)最大的POI生成目標(biāo)用戶top-N的推薦列表。

3 實(shí)驗(yàn)及實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

本文在實(shí)驗(yàn)中采用了真實(shí)的數(shù)據(jù)集，F(xiàn)oursquare數(shù)據(jù)集，該數(shù)據(jù)集為公開數(shù)據(jù)集，F(xiàn)oursquare是一個(gè)基于位置的社交網(wǎng)絡(luò)，允許用戶簽到。考慮到算法的準(zhǔn)確性，本文將少于5次簽到的用戶和POI過濾掉。本文實(shí)驗(yàn)所使用的數(shù)據(jù)集包含5 234個(gè)用戶，6 839個(gè)POI和48 294條簽到或者評(píng)價(jià)。由于數(shù)據(jù)集中用戶-興趣點(diǎn)矩陣密度非常低而造成了很多主流的興趣點(diǎn)推薦算法的精度低，所以本文的數(shù)據(jù)集中，用戶-興趣點(diǎn)矩陣密度較低，最終得到的準(zhǔn)確率偏低也是合理的。

3.2 評(píng)價(jià)指標(biāo)

關(guān)于推薦性能，本文采用了兩個(gè)廣泛使用的指標(biāo)評(píng)估TopN的興趣點(diǎn)推薦性能，即召回率Recall和準(zhǔn)確率Precision，簡寫為Rr和Pr，對(duì)于目標(biāo)用戶uj，Pr表示前r個(gè)被推薦的興趣點(diǎn)命中測試集上的興趣點(diǎn)的比例,Rr表示前r個(gè)被推薦的興趣點(diǎn)被用戶實(shí)際訪問過的占多少比例。具體計(jì)算方法如下列公式所示，其中V()uj表示用戶uj簽到過的POI，R()uj表示前r個(gè)被推薦的POI。

其中T表示測試集中的用戶量。

3.3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文推薦算法的質(zhì)量，本文將數(shù)據(jù)集分為80%的測試集和20%的訓(xùn)練集。同時(shí)本文做了三組對(duì)比實(shí)驗(yàn)，分別對(duì)比了COS、SI、LDA-CF三種算法的有效性來驗(yàn)證本算法的有效性。對(duì)比算法詳細(xì)描述如下：

（1）COS，基于余弦相似性的協(xié)同過濾推薦算法，該方法只利用用戶的簽到數(shù)據(jù)計(jì)算相似性，沒有用戶相關(guān)的上下文信息。

（2）SI，基于LDA主題模型挖掘標(biāo)簽信息的主題特征向量和傳統(tǒng)基于簽到數(shù)據(jù)進(jìn)行相似度度量的融合，該方法在使用LDA主題模型進(jìn)行潛在特征向量挖掘時(shí)，僅使用了用戶和POI的標(biāo)簽信息。

（3）LDA-CF，基于矩陣分解和LDA主題模型相結(jié)合的興趣點(diǎn)推薦算法。

3.3.1 參數(shù)影響

關(guān)于鄰居集中最近鄰個(gè)數(shù)K，圖2和圖3展現(xiàn)出在不同近鄰個(gè)數(shù)下本文推薦算法和其他算法的比較。由圖2可知，在鄰居數(shù)大于60時(shí)，推薦的準(zhǔn)確率和召回率明顯提升，在120～140時(shí)最高，本文將最近鄰數(shù)K設(shè)置到160。經(jīng)過多次實(shí)驗(yàn)，進(jìn)行最近鄰實(shí)驗(yàn)時(shí)，本文將SI、SI-DP算法所需的話題數(shù)設(shè)置在70。

圖2 不同近鄰下三種算法準(zhǔn)確率對(duì)比圖

圖3 不同近鄰下三種算法召回率對(duì)比圖

從圖2和圖3中可以看出，與COS相比，SI算法的召回率和準(zhǔn)確率都有明顯的提升，表明采用LDA模型與利用簽到數(shù)據(jù)相似度融合的方法使得用戶偏好的興趣點(diǎn)出現(xiàn)的次數(shù)有所增加，并且有助于提高推薦算法的質(zhì)量。同時(shí)融合LDA模型的相似度計(jì)算方法一定程度上緩解傳統(tǒng)協(xié)同過濾算法的冷啟動(dòng)問題。不同近鄰數(shù)量下，SI-DP與COS相比，準(zhǔn)確率和召回率形成明顯對(duì)比，表明SI和動(dòng)態(tài)預(yù)測相結(jié)合的算法優(yōu)于COS推薦算法，同時(shí)準(zhǔn)確率和召回率的提高明顯高于SI算法，說明融合的動(dòng)態(tài)預(yù)測算法降低了預(yù)測誤差，提高了推薦算法的準(zhǔn)確率。

實(shí)驗(yàn)中，首先在數(shù)據(jù)集上針對(duì)LDA-CF、SI、SI-DP算法中用到的不同數(shù)量的話題進(jìn)行參數(shù)的調(diào)整，確定達(dá)到最優(yōu)結(jié)果的主題數(shù)量值，然后進(jìn)行不同算法的效果比較，由圖4和圖5可以看出，隨著主題數(shù)量的增加，準(zhǔn)確率和召回率都在不斷增加，在K=70時(shí)，達(dá)到最優(yōu)結(jié)果，參數(shù)調(diào)整時(shí)，本文設(shè)置top-N中N的數(shù)量為10，最近鄰數(shù)量設(shè)置在140。

圖4 準(zhǔn)確率

圖5 召回率

3.3.2 實(shí)驗(yàn)結(jié)果分析

經(jīng)過參數(shù)的調(diào)整實(shí)驗(yàn)，本文將最近鄰數(shù)量設(shè)置為140，話題數(shù)量設(shè)置為70，關(guān)于前K個(gè)推薦給用戶的POI，如圖6和圖7展現(xiàn)出了本文所提的SI-DP算法與其他主流興趣點(diǎn)推薦算法的推薦準(zhǔn)確度比較結(jié)果。從圖中可以明顯看出：隨著推薦列表中被推薦的POIs數(shù)量K的增加，準(zhǔn)確率降低、召回率上升。因?yàn)橛脩艉灥骄仃嚨拿芏鹊?，所以興趣點(diǎn)推薦算法的精度不是很高。

圖6 四種算法準(zhǔn)確率對(duì)比圖

圖7 四種算法召回率對(duì)比圖

分別對(duì)比了COS、SI、LDA-CF三種算法，從兩幅圖中可以直觀地看出，SI-DP算法的推薦精確度明顯優(yōu)于其他三種算法，所提出的SI和主流算法中的LDA-CF的推薦精度相差不大，較COS有明顯的改變。

綜合上述多個(gè)對(duì)比實(shí)驗(yàn)說明，基于主題模型和動(dòng)態(tài)預(yù)測的興趣點(diǎn)推薦算法可以減少預(yù)測誤差，緩解數(shù)據(jù)稀疏和冷啟動(dòng)問題并且提高了推薦算法質(zhì)量。

4 結(jié)束語

對(duì)于興趣點(diǎn)推薦中的數(shù)據(jù)稀疏問題和傳統(tǒng)協(xié)同過濾中的冷啟動(dòng)問題，本文提出了首先利用LDA模型挖掘用戶的潛在特征向量，然后進(jìn)行相似度計(jì)算。同時(shí)利用傳統(tǒng)的協(xié)同過濾算法中使用簽到數(shù)據(jù)計(jì)算相似度，最后將兩者融合，使用戶的相似性更貼近于真實(shí)。為了進(jìn)一步緩解興趣點(diǎn)簽到矩陣的高稀疏性，在訪問概率預(yù)測時(shí)加入了動(dòng)態(tài)預(yù)測方法，進(jìn)而提出一種基于相似度融合和動(dòng)態(tài)預(yù)測的興趣點(diǎn)推薦算法。真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本文提出的SI-DP推薦算法優(yōu)于其他幾種主流推薦算法。

：

[1]劉樹棟，孟祥武.基于位置的社會(huì)化網(wǎng)絡(luò)推薦系統(tǒng)[J].計(jì)算機(jī)學(xué)報(bào)，2015，38（2）：322-336.

[2]Ye Mao，Yin Peifeng，Lee W C，et al.Exploiting geographical influence for collaborative point-of-interest recommendation[C]//Proc of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval.New York：ACM Press，2011：325-334.

[3]高榕，李晶，杜博，等.一種融合情景和評(píng)論信息的位置社交網(wǎng)絡(luò)興趣點(diǎn)推薦模型[J].計(jì)算機(jī)研究與發(fā)展，2016，53（4）：752-763.

[4]Degemmis M，Lops P，Semeraro G.A content-collaborative recommender that exploits word net-based user profiles for neighborhood formation[J].User Modeling and User-adapted Interaction，2007，17（3）：217-255.

[5]Gao H J，Tang J L，Hu X，et al.Content-aware point of interest recommendation on location-based social networks[C]//Proceedingsofthe29thAAAIConference on Artificial Intelligence，Astin，USA，2015：1721-1727.

[6]Yin H，Cui B，Sun Y Z，et al.LCARS：A spatial item recommender system[J].ACM Transactions on Information Systems，2014，32（3）.

[7]Ren X，Song M，Haihong E，et al.Context-aware probabilistic matrix factorization modeling for point-of-interest recommendation[J].Neurocomputing，2017，241（7）：38-55.

[8]Zhao G S，Qian X M，Xie X.User-service rating prediction by exploring social users’rating behaviors[J].Journal of IEEE Transactions on Multimedia，2016，18（3）：496-506.

[9]Leng Yajun，Lu Qing，Liang changyong.Survey of recommendation based on collaborative filtering[J].Pattern Recognition and Artificial Intelligence，2014，27（8）：720-734.

[10]Jiang S H，Qian X M，Shen J L，et al.Author topic model-based collaborative filtering for personalized POI[J].Journal of IEEE Transactions on Multimedia，2015，17（6）：907-918.

[11]Bart P，Knijnenburg，Sivakumar S，et al.Recommender systems for self-actualization[C]//Proceedings of the 10th ACM Conference on Recommender Systems，Boston，MA，USA，2016：11-14.

[12]Cheng C，Yang H，Lyu M R，et al.Where you like to go next：Successive point-of-interest recommendation[C]//Proceedings of the 23th International Conference on Artificial Intelligence，Beijing，China，2013：2605-2611.

[13]Sun Guangfu，Wu Le，Liu Qi，et al.Recommendations based on collaborative filtering by exploiting sequential behaviors[J].Journal of Software，2013，24（11）：2721-2733.[14]Zhao Qinqin，Lu Kai，Wang Bin.SPCF：a memory based collaborative filtering algorithm via propagation[J].Chinese Journal of Computers，2013，36（3）：671-676.

[15]Silva E D S D.New probabilistic models for recommender systems with rich contextual and content information[C]//Proceedings of the Tenth ACM International Conference on Web Search and Data Mining，New York，2017.

[16]任星怡，宋美娜，宋俊德.基于用戶簽到行為的興趣點(diǎn)推薦[J].計(jì)算機(jī)學(xué)報(bào)，2017，39（1）：28-51.