基于GRU 神经网络的可移动性兴趣点的推荐系统
摘 要：目前，兴趣点推荐算法的研究主要聚焦在静态兴趣点的推荐上，对可移动性兴趣点的推荐研究比较少．本文提出了一种包括3 个网络模块的复合神经网络结构，可以实现可移动性兴趣点的推荐．整体算法框架包含门控循环(gate recurrent unit，GRU)神经网络专家模块和门网决策模块，门控循环神经网络专家模块由模式GRU 和点GRU 两个子模块组成．模式GRU 网络模块融入了迁移学习策略，负责学习其他数据集中的动态时空模式，用于模式预测．点GRU 网络模块融入了对比学习策略，以达到扩展目标训练集的样本数量、提高网络泛化能力的目的，用于点预测；门网决策模块负责根据输入样本的形式选择相应的GRU 模块的输出作为预测结果，实现神经网络专家决策系统．本文还提出了一种结合TrAdaBoost＋最大期望(expectation maximization，EM)算法的样本过滤算法，该算法能够从两种学习策略产生的扩容样本中筛选出可信的、可用的样本，用于训练模式GRU 以及点GRU 网络模块．实验结果表明，与马尔可夫(Markov)模型和高斯混合模型(Gaussian mixture model，GMM)方法相比，本文方法泛化能力强，可用小训练样本集驱动神经网络，产生的预测误差以及预测误差分位数更小．
论文下载：