基于位置社交网络的社区划分和地点推荐算法研究

发布时间：2020-03-26 07:08

【摘要】：随着基于位置社交网络的发展,数百万用户通过分享地点以及地点相关的内容,产生了新的社交方式。基于位置社交网络的发展产生了一种新的个性化推荐服务——地点推荐。传统的推荐系统中,协同过滤算法需要遍历社交网络中的所有用户来为目标用户产生最终的地点推荐。由于基于位置社交网络中的大多数用户与目标用户是不相关的,所以传统的推荐系统在精确度和扩展性方面表现很差。针对以上情况,本文对基于位置社交网络的地点推荐进行了研究,主要研究贡献及创新如下:(1)Foursquare数据挖掘分析。通过对Foursquare签到数据的处理及筛选,获得合适的地点推荐数据集。然后对Foursquare数据挖掘分析,发现用户之间社交联系对地点推荐的影响以及社交联系强度与共同签到地点数量的一致性。同时,发现地理因素对地点推荐的影响以及地点被签到概率与该地点和用户常住地的距离呈重尾分布并拟合函数关系式。这些Foursquare数据分析结果,为建立合理有效的地点推荐模型建立基础。(2)提出了离散粒子群和协同过滤的地点推荐方法,称为ELR-DC。针对协同过滤的推荐效果和扩展性较差的问题以及基于位置社交网络的特性,该方法首先将所有用户划分为紧密联系的社区,然后在每个社区内进行地点推荐。具体而言,首先基于签到数据构建用户相似度网络,并提出一种改进的离散粒子群算法根据相似度网络划分社区。然后,根据Foursquare挖掘分析的社交联系对地点推荐的显著影响,在每个社区内,针对社区内用户的签到数据和社交联系使用协同过滤算法,预测地点评分,在每个社区中为用户产生推荐地点列表。该方法经数据集实验证明在召回率、准确率以及运行效率上优于传统的协同过滤方法。(3)提出了Louvain算法和多源信息融合的地点推荐方法,称为ELR-LM。ELR-DC划分社区的效率及模块度较差,同时未利用地理因素对地点推荐的影响。为了克服这些缺陷并进一步提高推荐效果,ELR-LM首先利用Louvain算法划分社区,实验结果表明ELR-LM在社区划分的模块度和效率上比ELR-DC更好。然后,在划分的社区内,地理因素(以地点被签到概率与该地点和用户常住地的距离呈幂律分布关系预测地点评分)、流行指标(以地点在社区内被签到的数量预测地点评分)以及签到数据(以用户历史签到数据通过协同过滤算法预测地点评分)三者加权组合预测地点评分并产生推荐列表。实验结果表明该方法的运行效率、召回率和准确度比ELR-DC方法和基于Louvain算法和单一信息源的地点推荐方法更好。
【图文】：

6图 2.1 推荐系统的架构多样，传统的推荐系统中主要包括用户听息，所有的有关用户的数据都可以被搜集，先进行数据预处理，，然后建立用户模型，以各种各样的形式，应用到不同的推荐统推荐系统中推荐层建立用户模型过程中过滤推荐系统。统核心思想是基于用户的历史数据，给用户推用于电子商务和信息检索领域。例如，在

.2 基于内容推荐系统的构建步骤为了把物品内容信息用空间步，物品可以表示为 重。在关键词抽取算法中应用词向量 。的总和。。其中计算相似度的方法有12 1 )Kci iK Kci i iw ww c ssc sw www w 之间的相似度，取值范围在[-
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP393.09;TP391.3

【参考文献】

相关期刊论文 前3条

1 朱立超;李治军;姜守旭;;基于位置的社交网络研究综述[J];智能计算机与应用;2014年04期

2 王鹏;王晶晶;俞能海;;基于核方法的User-Based协同过滤推荐算法[J];计算机研究与发展;2013年07期

3 王国霞;刘贺平;;个性化推荐系统综述[J];计算机工程与应用;2012年07期

本文编号：2601135