Resumen

Los sistemas de recomendación actuales a menudo tienen en cuenta factores de fusión para lograr una recomendación personalizada de puntos de interés (POI). Los registros de comportamiento histórico y los factores de ubicación son dos tipos de características significativas en la mayoría de los escenarios de recomendación. Sin embargo, los enfoques existentes suelen utilizar la distancia euclidiana directamente sin considerar los factores de tráfico. Además, las características temporales de los comportamientos históricos de los usuarios no se utilizan completamente. En este artículo, tomamos la recomendación de restaurantes como ejemplo y propusimos un sistema de recomendación personalizado de POI que integra el perfil del usuario, las características del restaurante, las características del comportamiento histórico de los usuarios y las características de la red de metro. Específicamente, se extraen características de la red de metro como el número de estaciones de paso, el tiempo de espera y los tiempos de trasbordo, y se emplea un modelo de red neuronal recurrente para modelar los comportamientos de los usuarios. Se realizaron experimentos en un conjunto de datos del mundo real y los resultados muestran

• Materias:Internet de las cosas Dispositivos móviles Ransomware Ingeniería de Telecomunicación Servidores en la nube
• Subjects:Internet of things Mobile devices Ransomware Telecommunication engineering Cloud Servers
• Palabras claves:Sistemas de recomendación; Factores de fusión; Recomendación personalizada de puntos de interés; Registros históricos de comportamiento; Factores de localización; Características de la red de metro
• Keywords:Recommender systems; Fusion factors; Personalize point-of-interest recommendation; Historical behavior records; Location factors; Subway network features