Recommender system is a popular tool that aims to provide personalized suggestions to user about items, products, services, and so on. Recommender system has effectively been used in online social networks, especially the location-based social networks for providing suggestions for interesting places known as POIs (points-of-interest). Popular recommender systems explore historical data to learn users’ preferences and, subsequently, they recommend locations to an active user. This strategy faces a major problem when a new POI or business evolves in a city. New business has no historical user experience data. Thus, a recommender system fails to gather enough knowledge about the new businesses, resulting in ignoring them during recommendations. This scenario is popularly known as a cold-start POI problem. Users never get recommendations of the new businesses in a city even though they can be relevant to a user. Also, from a business owner’s perspective, such a recommendation strategy does not help its reachability among users. Therefore, it is important for a recommender system to remain updated with new businesses in a city and ensure that all relevant POIs are recommended to a user irrespective of their lifetime. A POI recommendation approach is proposed in this work that can effectively handle the new businesses, or the cold-start POI problem, in a city. We crowdsource descriptions of cold-start POIs from various online social networks. The reviews of users are exploited here to learn the inherent features at the existing POIs and the new crowdsourced POIs. Finally, the proposed approach recommends top- K POIs consisting of the existing and new POIs. We perform experiments on the real-world Yelp dataset, which is one of the largest available data resources containing details on a wide range of businesses, users, and reviews. The proposed approach is compared with four existing POI recommendation approaches. The obtained results show that our approach outperforms others in handling cold-start POIs.

中文翻译：

---

通过众包的冷启动兴趣点推荐

推荐系统是一种流行的工具，旨在为用户提供关于项目、产品、服务等的个性化建议。推荐系统已有效地用于在线社交网络，尤其是基于位置的社交网络，用于为称为 POI（兴趣点）的有趣地点提供建议。流行的推荐系统探索历史数据以了解用户的偏好，然后向活跃用户推荐位置。当新的 POI 或业务在城市中发展时，这种策略面临一个主要问题。新业务没有历史用户体验数据。因此，推荐系统无法收集有关新业务的足够知识，导致在推荐过程中忽略它们。这种情况通常被称为冷启动 POI 问题。用户永远不会得到城市中新业务的推荐，即使它们可能与用户相关。此外，从企业主的角度来看，这样的推荐策略无助于其在用户中的可达性。因此，对于推荐系统而言，重要的是要与城市中的新业务保持同步，并确保将所有相关的 POI 推荐给用户，而不管其生命周期如何。本文提出了一种 POI 推荐方法，可以有效处理城市中的新业务或冷启动 POI 问题。我们从各种在线社交网络众包对冷启动 POI 的描述。这里利用用户的评论来了解现有 POI 和新的众包 POI 的固有特征。最后，建议的方法建议顶部- 从企业主的角度来看，这样的推荐策略无助于其在用户中的可达性。因此，对于推荐系统而言，重要的是要与城市中的新业务保持同步，并确保将所有相关的 POI 推荐给用户，而不管其生命周期如何。本文提出了一种 POI 推荐方法，可以有效处理城市中的新业务或冷启动 POI 问题。我们从各种在线社交网络众包对冷启动 POI 的描述。这里利用用户的评论来了解现有 POI 和新的众包 POI 的固有特征。最后，建议的方法建议顶部- 从企业主的角度来看，这样的推荐策略无助于其在用户中的可达性。因此，对于推荐系统而言，重要的是要与城市中的新业务保持同步，并确保将所有相关的 POI 推荐给用户，而不管其生命周期如何。本文提出了一种 POI 推荐方法，可以有效处理城市中的新业务或冷启动 POI 问题。我们从各种在线社交网络众包对冷启动 POI 的描述。这里利用用户的评论来了解现有 POI 和新的众包 POI 的固有特征。最后，建议的方法建议顶部- 对于推荐系统而言，重要的是要与城市中的新业务保持同步，并确保将所有相关 POI 推荐给用户，无论其生命周期如何。本文提出了一种 POI 推荐方法，可以有效处理城市中的新业务或冷启动 POI 问题。我们从各种在线社交网络众包对冷启动 POI 的描述。这里利用用户的评论来了解现有 POI 和新的众包 POI 的固有特征。最后，建议的方法建议顶部- 对于推荐系统而言，重要的是要与城市中的新业务保持同步，并确保将所有相关 POI 推荐给用户，无论其生命周期如何。本文提出了一种 POI 推荐方法，可以有效处理城市中的新业务或冷启动 POI 问题。我们从各种在线社交网络众包对冷启动 POI 的描述。这里利用用户的评论来了解现有 POI 和新的众包 POI 的固有特征。最后，建议的方法建议顶部- 我们从各种在线社交网络众包对冷启动 POI 的描述。这里利用用户的评论来了解现有 POI 和新的众包 POI 的固有特征。最后，建议的方法建议顶部- 我们从各种在线社交网络众包对冷启动 POI 的描述。这里利用用户的评论来了解现有 POI 和新的众包 POI 的固有特征。最后，建议的方法建议顶部-ķPOI 由现有的和新的 POI 组成。我们在真实世界的 Yelp 数据集上进行实验，该数据集是最大的可用数据资源之一，包含有关广泛的企业、用户和评论的详细信息。将所提出的方法与四种现有的 POI 推荐方法进行了比较。获得的结果表明，我们的方法在处理冷启动 POI 方面优于其他方法。