·234· 智能系统学报 第16卷 用户交互过的其他兴趣点作为训练项。随机生成 例如HR比local UPC-POIR、global UPC-POIR分 了39个兴趣点（不在用户交互过的兴趣点集合 别提高了18.17%和13.36%，NDCG分别提高了 中)组成测试集，让每个模型为每个用户对这 13.88%和9.48%。UPC-POIR与NeuMF相比也有 40个兴趣点进行排序，然后评估推荐算法性能。 明显的提高，原因是UPC-POIR不仅使用神经网 该实验采用top-k命中率(HR@K)和归一化 络模型改善矩阵分解来学习交互函数，并且考虑 折现累积收益NDCG@作为评价指标。 了用户和兴趣点属性之间的关联关系，而NeuMF HR:基于recall的测试方法，HR@kK-is@水 没有考虑用户和兴趣点属性之间的关联关系。BPR IGTI 由于使用内积这种线性函数作为交互函数，因此 表示测试兴趣点是否在top-k推荐列表中。 推荐效果不如UPC-POIR,从而也体现了使用非 NDCG:是一种基于排名的测试标准， 线性函数建模交互函数能够显著提高推荐准确性。 NDCG@K-Z> 0g,G+)排名靠前的兴趣点得 2e4-1 表3Top-10推荐中HR和NDCG的情况 Table 3 HR@10 and NDCG@10 for Top-10 point-of-in- 分更高。 terest recommendation 4.5实验结果分析 方法 HR@10 NDCG@10 本文提出的UPC-POIR需要先确定基于 UPC-POIR 0.8254 0.4335 K-means算法的兴趣点聚类中的k。图3和图4 local UPC-POIR 0.6437 0.2947 分别给出了当推荐列表中兴趣点的个数为10时 global UPC-POIR 0.6918 0.3387 UPC-POIR、local UPC-POIR、global UPC-POIR的 NeuMF 0.7227 0.4241 HR以及NDCG的变化情况。通过图3和图4可 BPR 0.2858 0.1495 以看出，当=50时，3个模型中UPC-POIR的HR 和NDCG取得了最大值，所以本实验中固定=50。 图5和图6描述了推荐列表中兴趣点的个数 10 分别为2、4、6、8、10时的HR和NDCG的情况。 实验结果表明，local UPC-POIR、global UPC- 0.8 POIR都有助于提高推荐性能，但是综合来讲 06 UPC-POIR取得了最佳推荐性能。 0.4 1.0 ◆UPC-POIR ◆UPC-POIR Local UPC-POIR 02 ◆Local UPC-POIR 0.8 ◆Global UPC-POIR .Global UPC-POIR ●BPR 0.6 ■NeuMF 102030405060708090100 0.4 图3兴趣点推荐中HR@K的情况 0.2 Fig.3 HR@K results of POI recommendation 1.0 6 10 ◆UPC-POIR 0.8 ·Local UPC-POIR 。Global UPC-POR 图5Top-k兴趣点推荐中HR的情况 Fig.5 HR@K results of Top-k POI recommendation 1.0 ◆UPC-POIR 02 0.8 ◆Local UPC-POIR o Global UPC-POIR 春BPR 0 0.6 102030405060708090100 ■NeuMF 0.4 图4兴趣点推荐中NDCG@K的情况 0.2 Fig.4 NDCG@K results of POI recommendation 表3描述了当推荐列表中兴趣点个数为 6 10 10时，UPC-POIR、local UPC-POIR、global UPC POIR、BPR和NeuMF的HR和NDCG的情况。 图6Top-k兴趣点推荐中NDCG的情况 实验结果表明，UPC-POIR显著提高了推荐性能， Fig.6 NDCG@K results of top-k POI recommendation用户交互过的其他兴趣点作为训练项。随机生成 了 39 个兴趣点 (不在用户交互过的兴趣点集合 中) 组成测试集，让每个模型为每个用户对这 40 个兴趣点进行排序，然后评估推荐算法性能。 该实验采用 top-k 命中率 (HR@K) 和归一化 折现累积收益 (NDCG@K) [4] 作为评价指标。 #hits@k |GT| HR：基于 recall 的测试方法，HR@K= ， 表示测试兴趣点是否在 top-k 推荐列表中。 NDCG@K = Zk ∑k i=1 2 reli −1 log2 (i+1) NDCG ：是一种基于排名的测试标准， ，排名靠前的兴趣点得 分更高。 4.5 实验结果分析 本文提出 的 UPC-POIR 需要先确定基于 K-means 算法的兴趣点聚类中的 k。图 3 和图 4 分别给出了当推荐列表中兴趣点的个数为 10 时 UPC-POIR、local UPC-POIR、global UPC-POIR 的 HR 以及 NDCG 的变化情况。通过图 3 和图 4 可 以看出，当 k=50 时，3 个模型中 UPC-POIR 的 HR 和 NDCG 取得了最大值，所以本实验中固定 k=50。 1.0 UPC-POIR Local UPC-POIR Global UPC-POIR 0.8 0.6 0.4 0.2 0 10 20 30 40 50 HR k 60 70 80 90 100 图 3 兴趣点推荐中 HR@K 的情况 Fig. 3 HR@K results of POI recommendation UPC-POIR Local UPC-POIR Global UPC-POIR 1.0 0.8 0.6 0.4 0.2 0 10 20 30 40 50 NDCG@10 k 60 70 80 90 100 图 4 兴趣点推荐中 NDCG@K 的情况 Fig. 4 NDCG@K results of POI recommendation 表 3 描述了当推荐列表中兴趣点个数 为 10 时，UPC-POIR、local UPC-POIR、global UPC￾POIR、BPR 和 NeuMF 的 HR 和 NDCG 的情况。 实验结果表明，UPC-POIR 显著提高了推荐性能， 例如 HR 比 local UPC-POIR、global UPC-POIR 分 别提高了 18.17% 和 13.36%，NDCG 分别提高了 13.88% 和 9.48%。UPC-POIR 与 NeuMF 相比也有 明显的提高，原因是 UPC-POIR 不仅使用神经网 络模型改善矩阵分解来学习交互函数，并且考虑 了用户和兴趣点属性之间的关联关系，而 NeuMF 没有考虑用户和兴趣点属性之间的关联关系。BPR 由于使用内积这种线性函数作为交互函数，因此 推荐效果不如 UPC-POIR，从而也体现了使用非 线性函数建模交互函数能够显著提高推荐准确性。 表 3 Top-10 推荐中 HR 和 NDCG 的情况 Table 3 HR@10 and NDCG@10 for Top-10 point-of-in￾terest recommendation 方法 HR@10 NDCG@10 UPC-POIR 0.8254 0.433 5 local UPC-POIR 0.6437 0.294 7 global UPC-POIR 0.6918 0.338 7 NeuMF 0.7227 0.424 1 BPR 0.2858 0.149 5 图 5 和图 6 描述了推荐列表中兴趣点的个数 分别为 2、4、6、8、10 时的 HR 和 NDCG 的情况。 实验结果表明，local UPC-POIR、global UPC￾POIR 都有助于提高推荐性能，但是综合来讲 UPC-POIR 取得了最佳推荐性能。 UPC-POIR Local UPC-POIR Global UPC-POIR BPR NeuMF 1.0 0.8 0.6 0.4 0.2 0 2 4 HR k 6 8 10 图 5 Top-k 兴趣点推荐中 HR 的情况 Fig. 5 HR@K results of Top-k POI recommendation 1.0 0.8 0.6 0.4 0.2 0 2 4 HR k 6 8 10 UPC-POIR Local UPC-POIR Global UPC-POIR BPR NeuMF 图 6 Top-k 兴趣点推荐中 NDCG 的情况 Fig. 6 NDCG@K results of top-k POI recommendation ·234· 智 能 系 统 学 报 第 16 卷