基于嵌入学习的位置类别预测

发布时间：2022-01-14 16:39

　　随着带有GPS的智能移动设备的广泛普及和在线社交网络的快速发展,基于位置的社交媒体应运而生。在这些社交网络上,用户可以通过签到和朋友们共享自己的位置。这些应用持续不断地发掘用户感兴趣的位置（即兴趣点）,探索这些兴趣点的语义信息可以帮助运营商推测用户兴趣、预测用户活动,进而提高商品推荐服务的性能,此外,对于个性化路线推荐、用户轨迹聚类等众多城市计算应用也具有十分重要的意义。据统计,签到数据中约30%的兴趣点缺少相应的类别信息,而且已有的类别信息多是人工标注,需要耗费极大的时间和人力成本。针对位置类别预测问题,现有的方法主要将其视为分类问题,这些方法首先根据签到数据的多维属性人工地设计一组特征,比如访问频率、停留时长和签到时间分布,然后利用提取的特征推断兴趣点的类别,常借助支持向量机、逻辑回归等传统的分类器,或求助于神经网络模型,如多层感知机。然而,这些分类器的性能严重依赖于特征选取的方法,而人工地设计特征集合需要一定的专业知识,由于目前还没有成熟的方法可供参考,因而设计特征是一个极其困难又耗费时间的过程,而且在实际中很难确定一组完备的特征。在本文中,我们从一种全新的角度对基于位置的社交网... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：52 页

【学位级别】：硕士

【部分图文】：

图４－３上下文窗丨丨尺寸欠对模型性能的影响??

图４－２嵌入向量维度Ｊ对模型性能的影响??图４－２小出，入量由１０增加５０的程中，型的预测??

图４－１迭代次数／对模型性能的影响??从图４－１中能够看出，随着迭代次数的增加，模型的表现忭能逐步地提升，并??

【参考文献】：
期刊论文
[1]基于时序特征的移动模式挖掘[J]. 陈勐,刘洋,王月,禹晓辉.  中国科学:信息科学. 2016(09)
[2]基于深度表示模型的移动模式挖掘[J]. 陈勐,禹晓辉,刘洋.  计算机应用. 2016(01)

博士论文
[1]轨迹预测与意图挖掘问题研究[D]. 陈勐.山东大学 2016



本文编号：3588851