##POI Recommendation: A Temporal Matching between POI Popularity and User Regularity
作者
Zijun Yao†, Yanjie Fu‡, Bin Liu§, Yanchi Liu†, Hui Xiong†
将用户与POI之间的时间匹配程度结合到个性化POI推荐中
- 分析了POIs的时间流行度:通过挖掘时空人类移动和POI类别数据来显示什么时候POI最受欢迎
- 潜在的用户规律性
相关研究，时间：
[1]对每个时间片应用用户项矩阵分解
[2]通过过去的签到数据，计算用户相似性，并采用基于用户的推荐方法。
[3]将时间维度添加到用户矩阵中，并将张量行为化应用于推荐。
本文考虑：用户的时间规律性&&POI流行度（将用户规律性与POI流行度之间的时间匹配）
##Bridging Collaborative Filtering and Semi-Supervised Learning:A Neural Approach for POI Recommendation
Carl Yang, Lanxiao Bai, Chao Zhang, an Yuan and Jiawei Han
挑战：
- 数据稀缺
- 多变的上下文(不同的语境)
现有方案：协同过滤(CF)
本文：PACE(偏好和上下文嵌入)
SSL(半监督学习)与上下文图
SSL：利用未标记的数据来改进受监督任务的性能。
签入历史记录：有标记数据
上下文：未标记的数据
————转为 上下文图
Q：如何有效地桥接CF和基于图的SSL?
方法:
同时学习了用户嵌入和POI嵌入，联合训练
而不是大多数现有的只能预测分布上下文的嵌入工作[11,31,391]。两种类型的目标函数，既可以预测用户偏好而不是POIs，又可以根据不同的上下文在用户和POIs之间增强平滑性。本研究的主要贡献总结如下:
(1)PACE (Preference And Context embedded)
11
31
word embedding:
word2vec:https://zhuanlan.zhihu.com/p/26306795