Os interesses dos usuários em diferentes regiões são diferentes e os interesses dos usuários serão diferentes quando eles forem para lugares diferentes.
Pesquisadores da Universidade de Minnesota propuseram um sistema de recomendação chamado LARS (Location Aware Recommendender System, sistema de recomendação com reconhecimento de local) relacionado à localização do usuário. O sistema primeiro divide os itens em duas categorias, um tipo possui atributos espaciais, como restaurantes, lojas e atrações turísticas, e o outro tipo possui itens sem atributos espaciais, como livros e filmes. Ao mesmo tempo, também divide os usuários em duas categorias: uma categoria possui atributos espaciais, como o endereço atual do usuário (país, cidade, código postal etc.) e a outra categoria de usuários não possui informações relevantes sobre atributos espaciais.
Existem três formulários de dados
(Usuário, localização do usuário, item, classificação)
Para o primeiro conjunto de dados, a idéia básica do LARS é dividir o conjunto de dados em muitos subconjuntos de acordo com a localização do usuário. Como as informações de localização são uma estrutura em árvore, como a estrutura de países, províncias, cidades e condados. Portanto, o conjunto de dados também é dividido em uma estrutura em árvore. Em seguida, dada a localização de cada usuário, podemos atribuí-lo a um nó folha, e o nó folha contém o conjunto de dados de comportamento de todos os usuários no mesmo local que ele. Em seguida, o LARS usa os dados de comportamento do usuário neste nó folha para recomendar ao usuário por meio do ItemCF.
No entanto, a desvantagem disso é que o número de usuários em cada nó folha pode ser muito pequeno; portanto, seus dados de comportamento podem ser muito escassos para treinar um bom algoritmo de recomendação. Para esse fim, podemos começar pelo nó raiz, no processo de alcançar o nó folha, usar os dados em cada nó intermediário para treinar um modelo de recomendação e, em seguida, gerar uma lista de recomendações para o usuário. O resultado final da recomendação é o peso dessa série de listas de recomendações. O autor do artigo transformou esse algoritmo em um modelo de pirâmide, e a profundidade da pirâmide afetou o desempenho do sistema de recomendação; portanto, a profundidade é um indicador importante desse algoritmo.
(Usuário, item, localização do item, classificação)
(Usuário, localização do usuário, item, localização do item, classificação)
Duas características relacionadas ao interesse e localização do usuário
- Localização de interesses Existem grandes diferenças nos interesses dos usuários em diferentes locais.
- Localização da atividade Um usuário tende a ser ativo em uma área próxima.
