FE-ELM：具有极限学习机的新朋友推荐模型

朋友推荐是基于位置的社交网络（LBSN）平台中最受欢迎的服务之一，该平台向用户推荐感兴趣或熟悉的人。 除了社交网络中原始的社会属性和文本属性外，LBSN特别拥有时空属性。 但是，现有方法都没有充分利用这三个属性（即仅一个或两个），这可能会导致推荐精度低。 而且，这些现有方法通常效率低下。 在本文中，我们提出了一种新的朋友推荐模型，以解决现有方法的上述缺点，称为特征提取极限学习机（FE-ELM），其中朋友推荐被视为二元分类问题。 分类是认知计算社区中的一项重要任务。 首先，我们在FE-ELM模型中使用新策略来提取时空特征，社会特征和文本特征。 这些功能充分利用了LBSN的所有上述特性，并确保了推荐的准确性。 其次，我们的FE-ELM模型还利用了极限学习机（ELM）分类器。 ELM学习速度快，可以确保推荐效率。 大量实验验证了FE-ELM模型的准确性和有效性。