POI和图片有强联系[16]
本文解决两个挑战：
- 如何从图片分离有用的视觉要素是个问题，因为我们不知道图片包含什么东西
- 如何在POI推荐中结合这些视觉要素。
为了解决这个问题，本文提出了VPOI。
2. 相关工作
2.1 POI推荐
很多人关注了地理影响、社交关系、时空模式、文本内容信息，但却没关注图片本身包含的信息，尽管这已经被证明是很有用的。
2.2 视觉信息数据挖掘
关于图片和地点的研究可以分为两类。
- 一种类型是将相关区域划分为网格并预测图像所在的网格
- 另一种是将图片与地表/POI关联起来
本文不同于以上两种做法，而是用图片来学习用户和POI的潜在特征，以便用于POI推荐。
3. VPOI
在问题中有三种元素：用户、地点、图片
训练方法
- 用VGG训练出每个图片的特征
-
用图片特征特征训练用户特征。方法是对于一个用户发布的所有图片，最大化如下公式
该公式可用来计算一张图片属于一个用户的概率
-
用图片特征训练地址特征。方法是最大化如下公式
该公式可用来计算一张图片属于一个地址的概率
总结
总之是根据图片标注的地址关系、用户发布图片的关系、以及用户在地址签到的关系来建立模型。
网友评论