基于循环神经网络融合社交关系的位置预测技术研究

发布时间：2020-10-10 23:34

　　 随着基于位置服务的快速发展,位置信息作为一种潜在资源被大量累积。伴随着互联网快速的更新换代,社交网络已成为用户发布与交流信息的平台。社交网络和基于位置的服务的组合被称为基于位置的社交网络(Location-based social network,LBSN)。在基于位置的社交网络中,用户以签到的形式在社交网络上发布位置信息。社交网络随时随地的签到形式,有效缩小了用户虚拟世界和真实世界的距离,倍受用户的青睐。用户长期的签到行为在社交网络上留下了丰富的历史位置信息,通过收集用户历史签到信息并进行数据挖掘,可以发现用户的行为模式及用户位置的偏爱,进而为用户提供更优质的基于位置的服务,如智能交通,快速交友等。同时,在基于位置的实时广告系统中,通过预测用户的位置,商家可以决定为用户投放哪种广告。本文应用社交网络用户签到的历史数据对用户位置预测问题进行研究。主要研究成果如下:1.分析了用户基于时间的签到规律,举例说明了划分子轨迹的必要性,提出了基于POI(Point-of-Information)嵌入的子轨迹用户相似性度量方法。将社交网络用户的一次签到看作一个单词,将用户子轨迹的签到序列看作句子,通过神经网络模型训练,将POI嵌入表示,表征为实数值向量。进一步通过POI表征子轨迹,然后度量用户子轨迹的相似性。2.针对RNN和LSTM建模用户签到序列存在的问题,采用GRU建模用户签到序列,同时融合时间、地点和用户,提出STU-GRU位置预测模型。在模型嵌入层,改进了时间编码方案。考虑到社交关系对位置预测的影响,重新定义了社交关系,提出在STU-GRU模型的基础上融合社交关系的位置预测方法。同时考虑到用户新颖性探索的可能性,将下一位置看作二分类问题,把神经网络位置预测和融合社交关系的位置预测整合到统一模型中。最后通过实验进行验证,本文方法提高了位置预测精度。
【学位单位】：重庆邮电大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP393.09;TP183
【部分图文】：

表 5.2 Gowalla 签到数据统计表统计项 统计结果用户总数 196591签到总数 6442890签到地点总数 1280969社交每个用户平均签到数 33每个地点的平均签到 5Gowalla 签到数据集包含了签到用户、签到时间、签到地点、以及具体的签到位置信息。其样例如图 5.1 所示。其中 user 代表签到用户，表征社交网站上的唯一性，check-in time 代表用户签到的时间戳，latiude 和 longitude 分别代表签到地点的坐标维度和经度，location ID 则代表签到地点的 ID 属性。

top_k相似用户

top_k相似用户及相似度
【参考文献】

相关期刊论文 前8条

1 王凯;余伟;杨莎;吴敏;胡亚慧;李石君;;一种大数据环境下的在线社交媒体位置推断方法[J];软件学报;2015年11期

2 任看看;钱雪忠;;协同过滤算法中的用户相似性度量方法研究[J];计算机工程;2015年08期

3 魏静;;基于社交网络服务位置的用户相似性计算方法[J];计算机与现代化;2015年07期

4 荣辉桂;火生旭;胡春华;莫进侠;;基于用户相似度的协同过滤推荐算法[J];通信学报;2014年02期

5 王兴;蒋新华;林劼;熊金波;;基于概率后缀树的移动对象轨迹预测[J];计算机应用;2013年11期

6 隋正伟;邬阳;刘瑜;;基于签到数据的用户空间出行相似性度量方法研究[J];地理信息世界;2013年03期

7 袁书寒;陈维斌;傅顺开;;位置服务社交网络用户行为相似性分析[J];计算机应用;2012年02期

8 张玉峰;王志芳;;基于内容相似性的论坛用户社会网络挖掘[J];情报杂志;2010年08期

相关博士学位论文 前2条

1 陈勐;轨迹预测与意图挖掘问题研究[D];山东大学;2016年

2 连德富;基于位置社交网络的数据挖掘[D];中国科学技术大学;2014年

相关硕士学位论文 前4条

1 李艾芮;基于Hadoop的移动互联网用户移动性预测模型研究[D];北京邮电大学;2017年

2 高旭瑞;基于位置社交网络的朋友关系预测研究[D];太原理工大学;2016年

3 徐娟;基于贝叶斯网的社交网络用户相似性发现[D];云南大学;2015年

4 张杰;人类移动行为的最大可预测率和位置预测研究[D];华东师范大学;2014年

本文编号：2835705