当我们来到一个陌生的城市，总是希望能够尽快找到喜欢的地方。而当我们在一个城市居住一段时间以后，也希望能够在重复的生活娱乐场所之外，探索到一些新奇而又符合自己兴趣的地方。在进行地点推荐的时候，常见的协同过滤技术主要是推荐偏好相似的用户常去的地点，却没有考虑这些地点和目标用户之间距离可能很远，并不方便前往。

而重要而又被所有以前的研究工作所忽略的一个特征是，当人们经常光顾一个地点而很少光顾这个地点周围的其他地点的时候，那么他们就有可能对周围的地点没有任何兴趣，而且这个不感兴趣的程度和人们的光顾那个地点的次数是正相关的。也就是说，当你注意到两家紧邻的餐馆A和B，目标用户经常去A而从不去B，那么即便很多去过A的其他用户都常常光顾B，也不要轻易给目标用户推荐B，因为如果他喜欢B，不用你推荐，早就去了。

电子科技大学，大数据研究中心，教育大数据研究所的连德富博士敏锐注意到了这些地理和兴趣交织的复杂心理，提出了一个混合模型来无缝地结合协同过滤技术和地理建模技术。协同过滤可以帮助人们找到符合人们兴趣的地点，而地理建模技术可以过滤那些距离人们活动区域过远的地点，并通过将位于常去地点附近又从未被光顾之处看作负例，来进一步提高地点推荐被接纳的可能性。这个混合方法不仅能够大幅提高地点推荐的精确性，还能克服了人们访问地点过少而导致数据过于稀疏的问题——数据稀疏是推荐技术面对的最为严峻的问题之一！

D Lian (连德富), C Zhao, X Xie, G Sun, E Chen and  Y Rui.GeoMF: Joint geographical modeling and matrix factorization forpoint-of-interest recommendation. ACM SIGKDD, pp. 831-840, 2014.

文章地址：http://dl.acm.org/citation.cfm?id=2623638