17、地理推荐系统的空间用户相似度度量

地理推荐系统的空间用户相似度度量

1. 相关工作

在地理信息处理领域，不少研究人员基于地理元数据来提取地点信息。例如，Girardin等人试图通过在不同时间背景下可视化数据，来理解旅游动态。近年来，一些工作利用空间和时间聚类技术，提取不同区域的典型地点和语义信息，这些工作大多基于简单的特征检测技术，如图像中的SIFT点匹配，其共同目标是提升用户浏览大量地理参考图像集时的体验。

经典的推荐系统基于提出信息需求的用户来过滤信息。Resnick等人引入了首个基于用户对报纸文章评分的成功推荐系统Grouplens。此后，许多应用采用了这种方法，但它们都依赖于对对象的明确评分，并且遵循基于用户过滤的共同工作原理，即通过比较用户的评分向量来找到过去意见一致或不一致的用户，然后结合这些用户的评分给出预测评分。为了改进Resnick的结果，出现了许多基于评分的算法方法。

在推荐系统中，为用户推荐n个最有趣且多样性最高的项目是一个挑战。除了专注于地理元数据来解决这个问题外，文献中还存在其他基于语义驱动的方法。在现代电子商务应用中，基于物品的协同过滤也很常见，如亚马逊的应用。与基于用户的协同过滤不同，这种技术关注物品之间的关系，忽略了用户相似度的度量，它适用于处理大量非结构化数据，但无法捕捉用户之间的差异。

相似度一直是许多科学领域的重要话题，大多基于心理学家Tversky关于相似度的文章。基于地点本体的地理相似度主要用于支持信息检索，而非推荐系统。许多研究致力于寻找合适的方法来度量空间特征集的相似度，Rodriguez和Egenhofer以及Schwering对主要结果进行了很好的综述，Janowicz等人也有相关的最新研究。当认知充分性很重要时，通常会采用特征集方法来定义相似