Los intereses de los usuarios en diferentes regiones son diferentes, y los intereses de los usuarios serán diferentes cuando vayan a diferentes lugares.
Investigadores de la Universidad de Minnesota han propuesto un sistema de recomendación llamado LARS (Sistema de recomendación consciente de la ubicación, sistema de recomendación consciente de la ubicación) relacionado con la ubicación del usuario. El sistema primero divide los elementos en dos categorías, un tipo tiene atributos espaciales, como restaurantes, tiendas y atracciones turísticas, y el otro tipo tiene elementos sin atributos espaciales, como libros y películas. Al mismo tiempo, también divide a los usuarios en dos categorías: una categoría tiene atributos espaciales, como la dirección actual del usuario (país, ciudad, código postal, etc.), y la otra categoría de usuarios no tiene información relevante de atributos espaciales.
Hay tres formularios de datos.
(Usuario, ubicación del usuario, elemento, calificación)
Para el primer conjunto de datos, la idea básica de LARS es dividir el conjunto de datos en muchos subconjuntos según la ubicación del usuario. Porque la información de ubicación es una estructura de árbol, como la estructura de países, provincias, ciudades y condados. Por lo tanto, el conjunto de datos también se divide en una estructura de árbol. Luego, dada la ubicación de cada usuario, podemos asignarlo a un nodo hoja, y el nodo hoja contiene el conjunto de datos de comportamiento de todos los usuarios en la misma ubicación que él. Luego, LARS utiliza los datos de comportamiento del usuario en este nodo hoja para recomendar al usuario a través de ItemCF.
Sin embargo, la desventaja de esto es que el número de usuarios en cada nodo hoja puede ser muy pequeño, por lo que sus datos de comportamiento pueden ser demasiado escasos para entrenar un buen algoritmo de recomendación. Para este fin, podemos comenzar desde el nodo raíz, en el proceso de llegar al nodo hoja, usar los datos en cada nodo intermedio para entrenar un modelo de recomendación y luego generar una lista de recomendaciones para el usuario. El resultado final de la recomendación es la ponderación de esta serie de listas de recomendaciones. El autor del artículo convirtió este algoritmo en un modelo piramidal, y la profundidad de la pirámide afectó el rendimiento del sistema de recomendación, por lo que la profundidad es un indicador importante de este algoritmo.
(Usuario, artículo, ubicación del artículo, calificación)
(Usuario, ubicación del usuario, artículo, ubicación del artículo, calificación)
Dos características relacionadas con el interés y la ubicación del usuario.
- Localización de intereses Existen grandes diferencias en los intereses de los usuarios en diferentes lugares.
- Localización de actividad Un usuario tiende a estar activo en un área cercana.
