Réinitialiser mot de passe
E-mail
Password
RNTI

MODULAD
Intégration des Influences Géographique et Temporelle pour la Recommandation de Points d'Intérêt
In EGC 2016, vol. RNTI-E-30, pp.153-158
Résumé
La recommandation de points d'intérêts (ou POI), est devenue un problème
majeur avec l'émergence des réseaux sociaux (ou LBSN). À la différence
des approches de recommandation traditionnelles, les données des LBSN présentent
des caractéristiques géographique et temporelle importantes qui limitent
les performances des algorithmes traditionnels existant. L'intégration de ces caractéristiques
dans un unique modèle de factorisation pour augmenter la qualité
de la recommandation n'a pas été un problème très étudié jusqu'à présent. Dans
ce papier nous présentons GeoMF-TD, une extension d'un modèle de factorisation
géographique avec des dépendances temporelles. Nos expérimentations
sur un jeu de données réel montre jusqu'à 20% de gain sur la précision de la
recommandation.