基于位置社交网络中用户特征提取与行为模式研究
发布时间：2021-11-19 22:30
移动互联网（Mobile Internet）和全球定位系统（Global Positioning System,GPS）技术的进步带动了基于位置的移动社交网络（Location-based social networks,LBSNs）的快速发展,因此积累了海量的签到数据。LBSNs数据中隐藏了大量的从用户的活动特征和行为模式,因此对LBSNs数据的特征提取工作成为了热门的研究问题。从中发现对用户出行和城市发展的价值,对进一步提升基于位置的服务质量有重要意义。本文从LBSNs中用户的签到行为出发,研究了用户签到的位置特征和语义特征,挖掘了城市中用户的行为模式,具体工作体现在以下三个方面:（1）基于用户签到行为的位置特征提取。签到数据中包含海量的位置信息,本文对LBSNs中的签到点进行聚类,发现作为访问热点的POI（Point of Interest）（用户签到频次较高的热点区域）,从而提取出用户的位置特征。针对LBSNs数据量大和密度分布不均匀等特点,本文提出了两种基于集成思想的聚类算法:1)基于Meanshift和K-means的集成聚类算法;2)基于DPC和KNN的集成聚类算法。在与...
【文章来源】：南京邮电大学江苏省
【文章页数】：64 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
专用术语注释表
第一章 绪论
1.1 课题背景
1.1.1 LBSNs的发展现状
1.1.2 LBSNs中位置信息的重要作用
1.1.3 用户特征和行为模式提取的必要性
1.2 本文工作内容和创新点
1.2.1 本文的工作内容
1.2.2 本文的创新点
1.3 本文的组织结构
1.4 本章小结
第二章 相关背景知识介绍
2.1 POI提取的相关工作
2.2 POI语义标注的相关工作
2.3 城市功能区识别的相关工作
2.4 数据集介绍
2.4.1 Flickr数据集简介
2.4.2 Flickr数据的预处理
2.5 本章小结
第三章 基于用户签到的位置特征提取
3.1 聚类算法概述
3.1.1 经典聚类算法
3.1.2 聚类算法在LBSNs数据分析中的应用
3.2 基于层次思想的集成聚类算法
3.2.1 基于Meanshift和K-means的集成聚类算法
3.2.2 基于DPC和KNN的集成聚类算法
3.3 实验与验证
3.3.1 实验中的评价指标
3.3.2 地理距离计算
3.3.3 基于基准数据集的聚类效果比较试验
3.3.4 基于Flickr数据集的聚类效果比较试验
3.4 本章小结
第四章 基于文本内容的语义特征挖掘
4.1 文本模式的提取
4.2 语义词典的构造
4.3 POI语义类别的关联
4.4 实验与验证
4.4.1 语义识别的结果
4.4.2 将POI与语义相关联的结果
4.4.3 方法对比及讨论
4.5 本章小结
第五章 基于用户行为模式的城市功能区识别
5.1 概率主题模型概述
5.2 基于LDA的功能区划分方法
5.3 实验与验证
5.3.1 数据准备及参数设置
5.3.2 识别结果
5.4 本章小结
第六章 总结与展望
6.1 本文工作总结
6.2 未来工作展望
参考文献
附录1 程序清单
附录2 攻读硕士学位期间撰写的论文
附录3 攻读硕士学位期间申请的专利
附录4 攻读硕士学位期间参加的科研项目
致谢
【参考文献】：
期刊论文
[1]LBSN中融合多维关系的社区发现方法[J]. 龚卫华,陈彦强,裴小兵,杨良怀. 软件学报. 2018(04)
[2]基于签到数据的城市热点功能区识别研究[J]. 宁鹏飞,万幼,沈怡然,任福. 测绘地理信息. 2018(02)
[3]基于居民出行特征的北京城市功能区识别与空间交互研究[J]. 陈泽东,谯博文,张晶. 地球信息科学学报. 2018(03)
[4]国外社交网络位置信息分享研究述评[J]. 邓胜利,林艳青,付少雄. 情报资料工作. 2018(02)
[5]面向LBSN的k-medoids聚类算法[J]. 罗维佳,乔少杰,韩楠,元昌安,闭应洲,舒红平. 中国科学技术大学学报. 2017(01)
[6]基于潜在语义信息的城市功能区识别——广州市浮动车GPS时空数据挖掘[J]. 陈世莉,陶海燕,李旭亮,卓莉. 地理学报. 2016(03)
[7]基于位置社交网络中地点聚类推荐方法[J]. 李朔,石宇良. 山东大学学报(工学版). 2016(03)
[8]基于签到数据的城市活动时空间动态变化及区划研究[J]. 王波,甄峰,张浩. 地理科学. 2015(02)
[9]基于语义知识的空间关系识别研究[J]. 袁烨城,刘海江,裴韬,高锡章. 地球信息科学学报. 2014(05)
[10]聚类分析中K-邻近算法的研究[J]. 宋园,陈永平. 电子制作. 2013(19)
硕士论文
[1]深度学习在城市功能区域划分中的应用研究[D]. 王胜利.电子科技大学 2018
[2]基于位置签到及POI数据的城市热点区域时空特征研究[D]. 胥啸宇.山东理工大学 2018
[3]基于LBSN的社区发现与位置推荐研究[D]. 贾小陶.重庆邮电大学 2017
[4]空间数据聚类分析算法研究及实现[D]. 刘生鑫.中国地质大学（北京） 2011
本文编号：3506004
【文章来源】：南京邮电大学江苏省
【文章页数】：64 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
专用术语注释表
第一章 绪论
1.1 课题背景
1.1.1 LBSNs的发展现状
1.1.2 LBSNs中位置信息的重要作用
1.1.3 用户特征和行为模式提取的必要性
1.2 本文工作内容和创新点
1.2.1 本文的工作内容
1.2.2 本文的创新点
1.3 本文的组织结构
1.4 本章小结
第二章 相关背景知识介绍
2.1 POI提取的相关工作
2.2 POI语义标注的相关工作
2.3 城市功能区识别的相关工作
2.4 数据集介绍
2.4.1 Flickr数据集简介
2.4.2 Flickr数据的预处理
2.5 本章小结
第三章 基于用户签到的位置特征提取
3.1 聚类算法概述
3.1.1 经典聚类算法
3.1.2 聚类算法在LBSNs数据分析中的应用
3.2 基于层次思想的集成聚类算法
3.2.1 基于Meanshift和K-means的集成聚类算法
3.2.2 基于DPC和KNN的集成聚类算法
3.3 实验与验证
3.3.1 实验中的评价指标
3.3.2 地理距离计算
3.3.3 基于基准数据集的聚类效果比较试验
3.3.4 基于Flickr数据集的聚类效果比较试验
3.4 本章小结
第四章 基于文本内容的语义特征挖掘
4.1 文本模式的提取
4.2 语义词典的构造
4.3 POI语义类别的关联
4.4 实验与验证
4.4.1 语义识别的结果
4.4.2 将POI与语义相关联的结果
4.4.3 方法对比及讨论
4.5 本章小结
第五章 基于用户行为模式的城市功能区识别
5.1 概率主题模型概述
5.2 基于LDA的功能区划分方法
5.3 实验与验证
5.3.1 数据准备及参数设置
5.3.2 识别结果
5.4 本章小结
第六章 总结与展望
6.1 本文工作总结
6.2 未来工作展望
参考文献
附录1 程序清单
附录2 攻读硕士学位期间撰写的论文
附录3 攻读硕士学位期间申请的专利
附录4 攻读硕士学位期间参加的科研项目
致谢
【参考文献】：
期刊论文
[1]LBSN中融合多维关系的社区发现方法[J]. 龚卫华,陈彦强,裴小兵,杨良怀. 软件学报. 2018(04)
[2]基于签到数据的城市热点功能区识别研究[J]. 宁鹏飞,万幼,沈怡然,任福. 测绘地理信息. 2018(02)
[3]基于居民出行特征的北京城市功能区识别与空间交互研究[J]. 陈泽东,谯博文,张晶. 地球信息科学学报. 2018(03)
[4]国外社交网络位置信息分享研究述评[J]. 邓胜利,林艳青,付少雄. 情报资料工作. 2018(02)
[5]面向LBSN的k-medoids聚类算法[J]. 罗维佳,乔少杰,韩楠,元昌安,闭应洲,舒红平. 中国科学技术大学学报. 2017(01)
[6]基于潜在语义信息的城市功能区识别——广州市浮动车GPS时空数据挖掘[J]. 陈世莉,陶海燕,李旭亮,卓莉. 地理学报. 2016(03)
[7]基于位置社交网络中地点聚类推荐方法[J]. 李朔,石宇良. 山东大学学报(工学版). 2016(03)
[8]基于签到数据的城市活动时空间动态变化及区划研究[J]. 王波,甄峰,张浩. 地理科学. 2015(02)
[9]基于语义知识的空间关系识别研究[J]. 袁烨城,刘海江,裴韬,高锡章. 地球信息科学学报. 2014(05)
[10]聚类分析中K-邻近算法的研究[J]. 宋园,陈永平. 电子制作. 2013(19)
硕士论文
[1]深度学习在城市功能区域划分中的应用研究[D]. 王胜利.电子科技大学 2018
[2]基于位置签到及POI数据的城市热点区域时空特征研究[D]. 胥啸宇.山东理工大学 2018
[3]基于LBSN的社区发现与位置推荐研究[D]. 贾小陶.重庆邮电大学 2017
[4]空间数据聚类分析算法研究及实现[D]. 刘生鑫.中国地质大学（北京） 2011
本文编号：3506004
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3506004.html
