Locus recommendation using probabilistic matrix factorization techniques

• Kashyap, Indu ^[1] ; Behl, Rachna ^[2]
  1. [1] Department of Computer Science and Engineering
  2. [2] Manav Rachna International Institute of Research and Studies
• Localización: Ingeniería Solidaria, ISSN-e 2357-6014, Vol. 17, Nº. 1, 2021
• Idioma: inglés
• Títulos paralelos:
  • Recomendación de locus para técnicas de factorización matricialprobabilístico
• Enlaces
  • Texto completo
• Resumen
  • español

    Introducción: El presente artículo es el resultado de la investigación “Recomendación de locus utilizando técnicas de factorización de matrices probabilísticas” llevada a cabo en el Instituto Internacional de Investigación y Estudios Manav Rachna, India, en el año 2019-20.

      Metodología: La factorización matricial es una técnica colaborativa basada en modelos para recomendar nuevos elementos a los usuarios.

      Resultados: Los resultados experimentales en dos LBSN del mundo real mostraron que PFM supera consistentemente a PMF. Esto se debe a que la técnica se basa en la distribución gamma para modelar la matriz de usuario y artículo. El uso de la distribución gamma es razonable para las frecuencias de registro que son todas positivas en conjuntos de datos reales. Sin embargo, PMF se basa en una distribución gaussiana que también puede permitir valores de frecuencia negativos.

      Conclusión: El motivo del trabajo es identificar la mejor técnica para recomendar ubicaciones con la mayor precisión y permitir a los usuarios elegir entre una gran cantidad de ubicaciones disponibles; la mejor e interesante ubicación según el perfil de la persona.

      Originalidad: se ha realizado un análisis riguroso de las técnicas de factorización de matrices probabilísticas en LBSN populares y se ha identificado la mejor técnica para la recomendación de ubicación comparando la precisión, a saber, RMSE, Precision @ N, Recall @ N, F1 @ N de diferentes modelos.

      Limitaciones: la información contextual del usuario, como las preferencias demográficas, sociales y geográficas, no se ha tenido en cuenta al evaluar la eficacia de las técnicas de factorización matricial probabilística para las recomendaciones de puntos de interés.

  • English

    Introduction: The present paper is the outcome of the research “Locus Recommendation using Probabilistic Matrix Factorization Techniques” carried out in Manav Rachna International Institute of Research and Studies, India in the year 2019-20.

      Methodology: Matrix factorization is a model-based collaborative technique for recommending new items to the users.    Results: Experimental results on two real-world LBSNs showed that PFM consistently outperforms PMF.

    This is because the technique is based on gamma distribution to the model user and item matrix. Using gamma distribution is reasonable for check-in frequencies which are all positive in real datasets. However, PMF is based on Gaussian distribution that can allow negative frequency values as well.

      Conclusion: The motive of the work is to identify the best technique for recommending locations with the highest accuracy and allow users to choose from a plethora of available locations; the best and interesting location based on the individual’s profile.

      Originality: A rigorous analysis of Probabilistic Matrix Factorization techniques has been performed on popular LBSNs and the best technique for location recommendation has been identified by comparing the accuracy viz RMSE, Precision@N, Recall@N, F1@N of different models.

      Limitations: User’s contextual information like demographics, social and geographical preferences have not been considered while evaluating the efficiency of probabilistic matrix factorization techniques for POI Recommendations.