陳 炯，張 虎

(1.山西職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)工程系，山西 太原030006；2.山西大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，山西 太原 030006；3.山西大學(xué) 計(jì)算智能與中文信息處理教育部重點(diǎn)實(shí)驗(yàn)室，山西 太原 030006)

0 引 言

興趣點(diǎn)(point-of-interest，POI)推薦通過(guò)分析用戶歷史數(shù)據(jù)，挖掘用戶偏好，為用戶推薦可能感興趣的新的地理位置。POI推薦不僅能夠滿足用戶個(gè)性化需求，而且能夠幫助商家提供智能化位置服務(wù)，實(shí)現(xiàn)精準(zhǔn)營(yíng)銷，因此，近年來(lái)受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注[1]。

現(xiàn)實(shí)生活中用戶安排某次行程、訪問(wèn)某個(gè)位置，往往會(huì)參考朋友介紹，并考慮個(gè)人喜好、路途遠(yuǎn)近、時(shí)間約束等因素，因此，用戶在興趣點(diǎn)的簽到?jīng)Q策是一個(gè)復(fù)雜的過(guò)程，會(huì)受到社交關(guān)系、地理位置、個(gè)人興趣、時(shí)間等多方面因素的影響。目前已有的興趣點(diǎn)推薦方法大多通過(guò)收集并分析用戶簽到記錄關(guān)聯(lián)的社交關(guān)系、地理位置、評(píng)論內(nèi)容、簽到時(shí)間等信息，挖掘用戶隱藏偏好，借助協(xié)同過(guò)濾等方法向用戶推薦感興趣的地理位置[2-7]，但是現(xiàn)有方法存在以下不足，一是推薦模型僅僅集成了部分因素，缺乏對(duì)用戶簽到?jīng)Q策影響因素的全面分析；二是很少將評(píng)論文本與時(shí)間因素同時(shí)融入推薦框架，特別是評(píng)論文本的情感傾向挖掘以及時(shí)間因素的深度分析尚不充分。

針對(duì)現(xiàn)有方法存在的不足，本文在分析基于位置的社交網(wǎng)絡(luò)(LBSN)中多源異構(gòu)復(fù)雜信息的基礎(chǔ)上，提出了內(nèi)容增強(qiáng)與時(shí)間匹配的興趣點(diǎn)推薦模型(GSRT)，綜合考慮了地理、社交、內(nèi)容、時(shí)間等因素，集成了POI類別與流行度信息，使用自然語(yǔ)言處理技術(shù)挖掘評(píng)論文本的情感傾向，深度分析用戶活動(dòng)規(guī)律與POI流行度的時(shí)間匹配，并將情感傾向與時(shí)間匹配同時(shí)融入推薦模型中，以提高興趣點(diǎn)推薦的性能。

1 相關(guān)研究

用戶在興趣點(diǎn)上的簽到模式隱式反映了用戶的個(gè)性化偏好，一些研究將POI看著傳統(tǒng)推薦系統(tǒng)中的項(xiàng)目，借用經(jīng)典協(xié)同推薦算法挖掘用戶的簽到歷史記錄進(jìn)行興趣點(diǎn)推薦。Ye等[2]使用基于用戶的協(xié)同過(guò)濾框架來(lái)計(jì)算社交影響，獲得用戶對(duì)候選POI的社交相關(guān)分?jǐn)?shù)進(jìn)行興趣點(diǎn)推薦。Zhang等[3]采用基于用戶的協(xié)同過(guò)濾方法，聚合用戶的社交關(guān)系，并對(duì)社交簽到頻率或評(píng)分進(jìn)行分布估計(jì)，從而計(jì)算社交相關(guān)分?jǐn)?shù)參與POI推薦。由于LBSN中POI推薦的特殊性，單純使用簽到數(shù)據(jù)進(jìn)行POI推薦很難取得理想效果。

大量的研究致力于融合簽到數(shù)據(jù)與各類多源信息改進(jìn)POI推薦的性能[8]。Ying等[4]提出了一種稱為UPOI-Walk的模型，綜合了用戶的社交動(dòng)機(jī)、個(gè)性化偏好和POI人氣吸引力用于推薦，取得了較好效果。Li等[5]提出了一種兩階段興趣點(diǎn)推薦模型，集成了社交朋友、位置朋友與鄰近朋友3種關(guān)系，進(jìn)一步提高了推薦質(zhì)量。雖然社交影響改善了興趣點(diǎn)推薦的效果，但其對(duì)POI推薦的貢獻(xiàn)非常有限[9]。Ye等[2]提出了一種統(tǒng)一的POI推薦框架，基于協(xié)同過(guò)濾思想，線性融合用戶偏好、社交影響和地理影響，由于引入地理因素，模型推薦效果有了較大提高，但是，影響用戶簽到?jīng)Q策的內(nèi)容與時(shí)間等信息尚未被模型使用，推薦準(zhǔn)確率有待進(jìn)一步提高。王嘯巖等[6]提出了一種稱為SoGeoCom的興趣點(diǎn)推薦模型，融合了社交網(wǎng)絡(luò)數(shù)據(jù)、地理位置及評(píng)論文本3個(gè)因素進(jìn)行興趣點(diǎn)推薦，并分別使用協(xié)同過(guò)濾、冪律分布與隱狄利克雷分布等方法和技術(shù)，建模用戶社交影響、地理影響與用戶評(píng)論，該方法雖然使用了用戶簽到POI留下的評(píng)論信息，但是僅僅使用隱狄利克雷分布生成評(píng)論的主題，沒(méi)有識(shí)別并利用評(píng)論文本的情感指向。一些研究嘗試引入時(shí)間因素進(jìn)一步改進(jìn)推薦效果。Zhang等[7]提出了一種稱為TICRec的概率框架，綜合考慮了社交、位置與時(shí)間影響，并利用工作日和周末的時(shí)間影響相關(guān)性(TIC)來(lái)提高模型的推薦質(zhì)量,取得了較好效果，但是該方法忽略了用戶活動(dòng)的時(shí)間規(guī)律性和POI隨時(shí)間變化的流行度，沒(méi)有將用戶和POI之間的時(shí)間匹配融入推薦框架中。

鑒于以上不足，本文做嘗試使用自然語(yǔ)言處理技術(shù)挖掘用戶評(píng)論情感傾向捕獲用戶簽到偏好，深度分析時(shí)間因素挖掘用戶活動(dòng)時(shí)間規(guī)律與POI時(shí)間流行度之間的匹配，并將社交、地理、內(nèi)容、時(shí)間等多種因素同時(shí)融入統(tǒng)一的推薦框架中，提出了內(nèi)容增強(qiáng)與時(shí)間匹配的興趣點(diǎn)推薦模型，實(shí)驗(yàn)結(jié)果表明所提出的模型推薦質(zhì)量有了明顯提升。

2 興趣點(diǎn)推薦模型

2.1 問(wèn)題描述

在LBSN中，包括用戶與位置兩類實(shí)體，以及用戶與位置、位置與位置、用戶與用戶3種關(guān)系。用戶對(duì)位置的簽到活動(dòng)，生成了用戶與位置之間的特殊關(guān)系，加強(qiáng)了位置之間的相互關(guān)聯(lián)，同時(shí)也促進(jìn)了用戶之間原有社交關(guān)系的演化。例如，用戶簽到了一個(gè)新的位置，會(huì)在用戶與位置之間建立簽到關(guān)系；同一用戶訪問(wèn)的兩個(gè)位置之間的相關(guān)關(guān)系會(huì)發(fā)生改變；兩個(gè)用戶之間的社交關(guān)系因其簽到了相同的位置而得到加強(qiáng)。兩類實(shí)體之間的這3種關(guān)系隨著簽到活動(dòng)的持續(xù)推進(jìn)而動(dòng)態(tài)變化，使得LBSN中集聚的信息更加豐富，如圖1所示。POI推薦就是通過(guò)挖掘這些海量數(shù)據(jù)背后隱藏的模式和關(guān)系，洞悉用戶對(duì)位置的偏好，為用戶推薦未曾訪問(wèn)過(guò)的感興趣的地理位置。

為便于說(shuō)明問(wèn)題，對(duì)文中所使用的主要符號(hào)作如下約定。U和ui分別表示LBSN中用戶的集合和集合中的一個(gè)用戶，F(xiàn)i代表用戶ui的朋友集合，L和li分別代表LBSN中所有位置組成的集合和集合中的一個(gè)位置，Li表示用戶ui簽到位置組成的集合，CH和chi分別表示LBSN上所有簽到記錄的集合和其中的一次簽到，C和ci分別表示LBSN上所有位置的類別組成的集合和類別集合中的一個(gè)元素，R與ri分別代表LBSN中所有評(píng)論的集合和其中的一個(gè)評(píng)論，Ω表示工作日與周末組成的集合。

圖1 多源異構(gòu)的LBSN信息網(wǎng)絡(luò)

2.2 地理因素建模

通常情況下，受物理約束與成本限制，用戶更喜歡訪問(wèn)距離較近的POI，用戶訪問(wèn)POI呈現(xiàn)地理聚集現(xiàn)象[10]。研究表明LBSN中用戶簽到位置的距離呈現(xiàn)冪律分布[11]。因此可以使用冪律分布建模用戶簽到的地理影響。冪率分布函數(shù)如式(1)所示

p(d)=c·d-α

(1)

其中，d表示用戶當(dāng)前POI與候選POI之間的距離，p(d)表示用戶簽到候選POI的概率，c為歸一化常數(shù)，α為冪指數(shù)。

數(shù)據(jù)擬合與參數(shù)估計(jì)的方法有多種，最大似然估計(jì)常用于冪律分布的參數(shù)估計(jì),可使用最大似然估計(jì)法計(jì)算冪指數(shù)α。位置lm與ln之間的距離dis(lm,ln)可以通過(guò)Ha-versine 式(2)計(jì)算獲得

(2)

其中，R是地球的平均半徑，latm與latn分別是lm與ln的緯度，lonm與lonn分別是lm與ln的經(jīng)度。

設(shè)用戶ui簽到過(guò)的POI集合為L(zhǎng)i,則ui在Li中所有POI處的簽到概率可按式(3)計(jì)算

(3)

根據(jù)貝葉斯規(guī)則，用戶在候選POIlj上的簽到概率p(lj|Li)可按式(4)計(jì)算

(4)

經(jīng)歸一化處理后，用戶ui簽到lj的地理相關(guān)分?jǐn)?shù)可按式(5)計(jì)算

(5)

2.3 社交關(guān)系建模

社交同質(zhì)理論表明,社交關(guān)系在很大程度上影響人類的移動(dòng)行為[9]。在LBSN中，用戶的社交關(guān)系不僅對(duì)用戶的簽到?jīng)Q策產(chǎn)生重要影響，而且可以緩解POI推薦面臨的數(shù)據(jù)稀疏與冷啟動(dòng)問(wèn)題[12]。通過(guò)分析簽到數(shù)據(jù)發(fā)現(xiàn)，朋友之間的距離不同，社交關(guān)系對(duì)簽到?jīng)Q策的影響也不相同，距離越近影響越大；用戶的社交朋友圈一定程度上反映了個(gè)人的文化背景和生活習(xí)俗，對(duì)用戶的簽到?jīng)Q策也會(huì)產(chǎn)生一定的影響，共同朋友越多，社交關(guān)系對(duì)簽到?jīng)Q策的影響越大；用戶簽到的興趣點(diǎn)一定程度上反映了用戶的個(gè)人品味與興趣偏好，朋友之間共同簽到的POI越多，興趣偏好越相似，其建議被對(duì)方采納的可能性也越大。綜合用戶距離、共同朋友、共同簽到3個(gè)方面來(lái)度量不同用戶之間的社交影響力具有一定的合理性。定義用戶ui與uj之間的社交影響力為社交影響因子soi,j，采用式(6)計(jì)算

(6)

(7)

其中，soi,k為用戶ui與uk之間的社交影響因子。

2.4 內(nèi)容因素建模

LBSN中，與興趣點(diǎn)關(guān)聯(lián)的內(nèi)容信息包括評(píng)論、照片、視頻及評(píng)分等。興趣點(diǎn)推薦算法通常假設(shè)，用戶總是喜歡其簽到過(guò)的POI。然而，這種假設(shè)忽略了兩個(gè)事實(shí)：一是用戶雖然到訪了某個(gè)POI，卻給出了差評(píng)；二是用戶十分期待尚未簽到過(guò)的POI。簡(jiǎn)單地根據(jù)用戶簽到過(guò)某POI便得出用戶喜歡該P(yáng)OI的結(jié)論，顯然是不符合實(shí)際的。評(píng)論文本所蘊(yùn)含的情感指向才是用戶對(duì)POI滿意度的真實(shí)表達(dá)。

評(píng)論的情感傾向性分析有多種方法,最基本的是基于詞典的無(wú)監(jiān)督情感分析方法。該方法使用自然語(yǔ)言處理工具與情感詞典，識(shí)別評(píng)論的情感傾向是積極、消極或中性的。首先需要對(duì)原始評(píng)論文本進(jìn)行預(yù)處理，包括噪聲過(guò)濾、標(biāo)簽消除、表情符過(guò)濾等，然后使用自然語(yǔ)言處理技術(shù)進(jìn)行分詞、詞性標(biāo)注，抽取形容詞或副詞作為評(píng)論的情感詞；最后，基于情感詞典計(jì)算文本中各情感詞的極性值總和，作為目標(biāo)評(píng)論的情感傾向性分值。

(8)

(9)

2.5 時(shí)間因素建模

2.5.1 用戶活動(dòng)時(shí)間規(guī)律建模

(10)

(11)

(12)

2.5.2 POI時(shí)間流行度建模

(13)

其中，cv(j)表示獲取lj類別的操作。

(14)

(15)

2.5.3 用戶與POI的時(shí)間匹配

(16)

2.6 聯(lián)合推薦模型

(17)

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)集

采用與文獻(xiàn)[19]相同的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。簽到數(shù)據(jù)包含有用戶編號(hào)、評(píng)論文本、位置編號(hào)、位置經(jīng)緯度、簽到時(shí)間等信息。通過(guò)用戶編號(hào)與位置編號(hào)，能夠關(guān)聯(lián)用戶的社交關(guān)系與位置的類別等信息。

為獲取評(píng)論文本的情感傾向，使用NLTK 3.4與SentiWordNet 3.0[20]，首先提取簽到數(shù)據(jù)中的評(píng)論文本，濾除非文本符號(hào)、非英文字符、URL、重復(fù)標(biāo)點(diǎn)符號(hào)等，然后進(jìn)行拼寫校正、詞干提取、停用詞過(guò)濾等，最后對(duì)評(píng)論進(jìn)行詞性標(biāo)注，并計(jì)算評(píng)論的情感傾向性分值。

3.2 評(píng)測(cè)指標(biāo)

推薦系統(tǒng)常用的評(píng)測(cè)指標(biāo)有準(zhǔn)確率(Precision)、召回率(Recall)、均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)等，其中準(zhǔn)確率與召回率是通用指標(biāo)。本文使用Top@N推薦的準(zhǔn)確率P@N與召回率R@N進(jìn)行性能測(cè)試。定義如式(18)與式(19)所示

(18)

(19)

其中，R(u)表示推薦給用戶u的POI的Top@N列表，T(u)表示測(cè)試集中用戶實(shí)際簽到的POI列表。

3.3 參數(shù)設(shè)置

(1)參數(shù)s的設(shè)置

參數(shù)s的大小反映了模型處理時(shí)間因素的粒度，s的取值不同，一方面會(huì)影響到用戶活動(dòng)時(shí)間規(guī)律建模質(zhì)量，也會(huì)影響POI時(shí)間流行度模型的精度。為分析s的取值對(duì)模型性能的影響并選取最優(yōu)值，本文在僅考慮時(shí)間因素情況下，對(duì)比了不同s取值時(shí)模型的P@N與R@N，其中，N=5，10，15，20，實(shí)驗(yàn)結(jié)果如圖2與圖3所示。當(dāng)s=24時(shí)，模型在不同N值下準(zhǔn)確率與召回率平均值分別為0.0314與0.0471，比s=48時(shí)模型的準(zhǔn)確率平均低0.0004，但召回率平均高出0.005，因此，綜合考慮準(zhǔn)確率與召回率，當(dāng)s=24時(shí)模型得了最佳性能。

圖2 不同s取值下的P@N

圖3 不同s取值下的R@N

(2)參數(shù)β的設(shè)置

為分析β的取值對(duì)模型性能的影響并選取合適的β值，本文在僅考慮時(shí)間因素情況下，對(duì)比了不同β取值時(shí)模型的P@N與R@N，其中，N=5,10,15,20，實(shí)驗(yàn)結(jié)果如圖4與圖5所示。

圖4 不同β取值下的P@N

圖5 不同β取值下的R@N

從圖中可以看出，當(dāng)β=5/7時(shí)，模型在不同N值下均取得最佳性能，準(zhǔn)確率和召回率平均值分別達(dá)到最大值0.0319和0.0468。

3.4 性能對(duì)比與分析

為了驗(yàn)證本文模型GSRT的有效性，選取US、USG、SoGeoCom、TICRec這4種典型的興趣點(diǎn)推薦模型作為基準(zhǔn)。

(1)US：一種稱為UPOI-Walk的興趣點(diǎn)推薦模型，通過(guò)用戶的個(gè)性化興趣、社交動(dòng)機(jī)和位置的人氣吸引力推斷用戶位置偏好[4]。

(2)USG：一種興趣點(diǎn)推薦方法的經(jīng)典代表，通過(guò)組合用戶個(gè)性化偏好、社交關(guān)系和地理位置綜合預(yù)測(cè)用戶興趣位置[2]。

(3)SoGeoCom：一種整合社交網(wǎng)絡(luò)數(shù)據(jù)、地理位置及評(píng)論文本3個(gè)因素的興趣點(diǎn)推薦方法[6]。

(4)TICRec：考慮了社交影響、地理位置與時(shí)間影響相關(guān)性因素，利用工作日和周末的時(shí)間影響相關(guān)性(TIC)來(lái)實(shí)現(xiàn)時(shí)間感知的興趣點(diǎn)推薦[7]。

(5)GSRT模型：本文提出的集成了社交因素、地理影響、時(shí)間匹配、評(píng)論情感、分類與流行度信息的推薦模型。

實(shí)驗(yàn)中，設(shè)置s=24，β=5/7,推薦列表長(zhǎng)度N=5,10,15,20，實(shí)驗(yàn)結(jié)果如圖6與圖7所示。

圖6 各模型精確率P@N對(duì)比

圖7 各模型召回率R@N對(duì)比

從圖6和圖7中可以看出，所有對(duì)比方法的準(zhǔn)確率與召回率都比較低，不同N值下，準(zhǔn)確率和召回率最高分別為0.176和0.074，這是由于LBSN中用戶簽到數(shù)據(jù)集非常稀疏，導(dǎo)致絕對(duì)準(zhǔn)確率與召回率較低，這與多數(shù)主流興趣點(diǎn)推薦算法的實(shí)驗(yàn)結(jié)果是一致的[2,7]。

從圖6和圖7中也可以看出，當(dāng)推薦列表長(zhǎng)度增加時(shí)，各種對(duì)比基線的準(zhǔn)確率和召回率變化趨勢(shì)與文獻(xiàn)[19]實(shí)驗(yàn)結(jié)果一致。

從圖6和圖7中還可以看出，US模型的推薦準(zhǔn)確率和召回率最低，不同N值下，準(zhǔn)確率與召回率最高分別為0.082與0.038，這是因?yàn)樵撃Ｐ蛢H僅考慮了用戶的社交關(guān)系、分類偏好與POI流行度因素，沒(méi)有考慮地理位置、評(píng)論文本與時(shí)間因素。USG比US預(yù)測(cè)效果要好，是由于模型引入了地理位置信息作為預(yù)測(cè)因素，但與GSRT模型相比，USG模型沒(méi)有考慮評(píng)論文本與時(shí)間因素，也沒(méi)有利用POI分類與流行度信息，模型的預(yù)測(cè)性能仍有較大提升空間。與USG相比，SoGeoCom增加了評(píng)論文本信息，并通過(guò)隱狄利克雷分布挖掘評(píng)論的話題用于捕捉用戶偏好，導(dǎo)致推薦質(zhì)量有所提升，但與GSRT相比，未考慮時(shí)間因素、分類與流行度信息，也未挖掘用戶評(píng)論的情感傾向，因此推薦效果比較差。TICRec模型融合了社交影響、地理影響與時(shí)間影響相關(guān)性3個(gè)因素，與SoGeoCom相比，雖未考慮評(píng)論文本，但是由于模型集成了時(shí)間影響因素，并利用工作日和周末的時(shí)間影響相關(guān)性改善推薦質(zhì)量,推薦效果較好，但與GSRT相比，缺乏對(duì)評(píng)論文本、分類與流行度信息的利用，推薦質(zhì)量相對(duì)較低。GSRT模型在建模地理位置、社交關(guān)系對(duì)推薦預(yù)測(cè)影響的基礎(chǔ)上，將用戶評(píng)論內(nèi)容的情感指向與用戶活動(dòng)的時(shí)間規(guī)律性匹配同時(shí)引入推薦框架中，并集成了位置的分類流行度信息，以增強(qiáng)推薦模型的預(yù)測(cè)能力，在不同的推薦列表長(zhǎng)度下，準(zhǔn)確率達(dá)到0.176的最高值，與對(duì)比方法TICRec相比，準(zhǔn)確率與召回率平均提高了17%與21%。驗(yàn)證了同時(shí)引入評(píng)論內(nèi)容的情感指向與用戶活動(dòng)時(shí)間規(guī)律性匹配能夠有效改善模型的預(yù)測(cè)性能。

3.5 模型消解

為解析內(nèi)容與時(shí)間因素對(duì)POI推薦的貢獻(xiàn)度，通過(guò)刪除GSRT模型相應(yīng)組件的方式構(gòu)建了2個(gè)對(duì)比模型，分別是GSRT模型刪除時(shí)間因素與評(píng)論文本后獲得的子模型GSR與GST模型。實(shí)驗(yàn)中，N=5,10,15,20，并設(shè)置GST與GSRT模型的s=24，β=5/7，實(shí)驗(yàn)結(jié)果如圖8與圖9所示。

圖8 各模型精確率P@N對(duì)比

圖9 各模型召回率R@N對(duì)比

從圖中可以看出，融合了地理、社交、內(nèi)容、時(shí)間等因素的GSRT模型明顯優(yōu)于GSR與GST模型，不同N值下，準(zhǔn)確率與召回率至少分別提升了0.013與0.0054，這是由于融合了更多因素的推薦模型能夠更加準(zhǔn)確地建模用戶的簽到偏好，獲得更好的推薦效果。

此外，從圖中還可以看出，融合了地理、社交、時(shí)間因素的GST模型明顯優(yōu)于融合了地理、社交、內(nèi)容的GSR模型，不同N值下，準(zhǔn)確率與召回率至少分別提升了0.006與0.003，說(shuō)明時(shí)間因素對(duì)興趣點(diǎn)推薦的影響大于內(nèi)容因素，這是因?yàn)槿藗兊娜粘；顒?dòng)更多的受到時(shí)間的制約，盡管人們非常喜歡某個(gè)位置，但是時(shí)間約束限制了個(gè)人偏好的發(fā)揮。

4 結(jié)束語(yǔ)

本文針對(duì)LBSN中現(xiàn)有的興趣點(diǎn)推薦方法存在的不足，提出了內(nèi)容增強(qiáng)與時(shí)間匹配的POI推薦模型GSRT，該模型在考慮地理位置、社交關(guān)系基礎(chǔ)上，融入評(píng)論情感與時(shí)間等因素，通過(guò)使用自然語(yǔ)言處理技術(shù)挖掘評(píng)論文本的情感傾向，來(lái)調(diào)節(jié)用戶偏好估計(jì)，通過(guò)建模用戶活動(dòng)時(shí)間規(guī)律與POI的時(shí)間流行度，匹配用戶簽到行為，進(jìn)一步增強(qiáng)推薦性能。大規(guī)模Foursquare真實(shí)數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明，GSRT模型明顯優(yōu)于當(dāng)前主流的興趣點(diǎn)推薦模型。

近年來(lái)，深度學(xué)習(xí)技術(shù)發(fā)展迅速[21]，并在一些領(lǐng)域取得重大進(jìn)展，為人工智能和機(jī)器學(xué)習(xí)帶來(lái)了革命性變革，已被用于各種自然語(yǔ)言處理、數(shù)據(jù)分析與個(gè)性化推薦任務(wù)中[22]。因此，未來(lái)的研究中，我們將考慮如何將深度學(xué)習(xí)技術(shù)應(yīng)用到興趣點(diǎn)推薦中，以進(jìn)一步提高模型的訓(xùn)練精度和推薦質(zhì)量。