基于用户签到行为的兴趣点推荐

发布时间：2019-11-11 11:10

【摘要】：随着大数据技术的快速发展,推荐系统成为大数据领域里的一个重要的研究方向.随着基于位置社交网络(Location-Based Social Networks,LBSN)的快速发展,兴趣点(Point-Of-Interest,POI)推荐成为一个重要的研究热点,帮助人们发现有趣的并吸引人的位置,特别是当用户在异地旅行的时候.由于用户的签到行为具有高稀疏性,为兴趣点推荐带来很大的挑战.为处理用户签到数据的稀疏性问题,越来越多的研究结合地理影响、时间效应、社会相关性、内容信息和流行度影响这些方面的因素为提高兴趣点推荐的性能.然而,目前的研究缺乏一种综合分析上述所有因素共同作用的方法来处理兴趣点的数据稀疏问题,特别是异地推荐场景被目前大多数研究工作所忽略.针对以上所述的挑战,文中提出一种联合概率生成模型,称为GTSCP,模拟用户签到行为的决策过程,该模型有效地融合上述因素来处理数据稀疏性,特别是异地推荐场景.文章所提的兴趣点推荐方法包含离线模型和在线推荐两个部分.文中所提的GTSCP联合模型支持本地和异地两种推荐场景.文章在多个真实LBSNs的大规模签到数据集上进行实验,结果表明该算法相比其它先进的兴趣点推荐算法具有更好的推荐效果.
【图文】：

（Ｓ＋Ｋ＋Ｒ）Σｕ｜Ｆｕ｜Σｕ｜Ｄｕ｜）．３．４空间平滑优化为处理用户兴趣漂移问题，，我们构建当地偏好模型．为进一步处理数据稀疏问题，我们利用树型结构，称为空间金字塔，划分空间项目位置到不用层次不同大小的空间网络中．更具体地说，空间金字塔分解空间成Ｈ个水平层．第０层只有一个空间网格．对于一个给定的第ｈ层，空间被划分成４ｈ个面积相等的网格．因此，空间可以递归地划分成很多不同层次不同粒度的单元格．空间金字塔的图解如图３所示．图３空间金字塔在空间数据挖掘中的一个基本假设是一切事物都与其他事物相关联，附近的事物比遥远的事物更加具有相关性，此理论为地理学第一定律［３６］．这个定律被称为“空间自相关”．空间金子塔可以有效地执行这个定律．换言之，对于每个位置ｌ，其可以表示为一条从根节点到其相对应的叶节点的路径．我们使用一个向量（ｌ１，ｌ２，…，ｌｈ，…，ｌＨ）来描述路径．基于位置向量的表示，我们可以很容易地计算出两个位置之间的邻近度．如果两个位置在空间金子塔共享越多的祖先，那么这两个位置就越邻近．当在位置ｌ的用户活动数据非常稀疏时，则当地偏好θ′ｌ就不能被准确地评估．为了处理这个问题，我们利用地理相关性来增强模型参数θ′ｌ的先验知识．在地理空间中，如果两个位置ｌ和ｌ′是邻近的，则当地偏好θ′ｌ和θ′ｌ′更加相似．为了融合地理相关性信息到我们的１３７期任星怡等：基于用户签到行为的兴趣点推荐

推荐场景中利用空间模式更有利；（４）另一个观察是图６中的ＧＴＳＣＰ模型和其它对比的推荐方法之间的性能差距小于图５中所示，显示了当数据稀疏问题不严重的时候，推荐方法之间的性能差异就变得不那么明显．图５和图６之间的比较显示这两个推荐场景本质上是不同的，应该被分开单独评估．图６Ｆｏｕｒｓｑｕａｒｅ数据集上的本地推荐ｔｏｐ－ｋ性能Ｔｗｉｔｔｅｒ数据集上的异地与本地推荐场景．图７和图８显示了在Ｔｗｉｔｔｅｒ数据集上的对比推荐模型的性能．从图７和图８中，观察的结果与图５和图６的趋势相似．主要的区别为在本文实验的Ｔｗｉｔｔｅｒ数据集上的所有推荐方法的精确度比在Ｆｏｕｒｓｑｕａｒｅ数据集上的所有推荐方法的精确度低．这可能是由于用户在Ｆｏｕｒｓｑｕａｒｅ数据集上的平均签到记录超过用户在Ｔｗｉｔｔｅｒ数据集上的平均签到记录，能够使模型更加准确地捕捉用户的兴趣．豆瓣数据集上的异地与本地推荐场景．图９和图１０显示了在豆瓣数据集上的对比推荐模型的性能．从图９和图１０中，观察的结果与图５和图６的趋势相似．主要的区别为在本文实验的豆瓣数据集上的所有推荐方法的精确度比在Ｆｏｕｒｓｑｕａｒｅ数据集上的所有推荐方法的精确度高．这可能是由于用户在豆瓣数据集上的平均签到记录超过用户在图７Ｔｗｉｔｔｅｒ数据集上的异地推荐ｔｏｐ－ｋ性能图８Ｔｗｉｔｔｅｒ数据集上的本地推荐ｔｏｐ－ｋ性能１４３期任星怡等：基于用户签到行为的兴趣点推荐

【相似文献】

相关期刊论文 前10条

1 吴红娉;虞明雷;章圣洁;;图像兴趣点的可信度增强方法研究[J];计算机应用与软件;2008年12期

2 吴长春;刘阳;白云;;兴趣点在城市管理信息系统中的具体应用[J];城市管理与科技;2008年02期

3 文白;杨金婵;;美行2011冬季版详解之兴趣点[J];音响改装技术;2011年12期

4 文白;杨金婵;;美行2011冬季版详解之导航路网[J];音响改装技术;2012年01期

5 唐灿;唐亮贵;刘波;;一个面向新兴趣点发现的模糊兴趣挖掘算法[J];计算机科学;2007年06期

6 彭敏;;兴趣点:导航的回归[J];软件世界;2007年09期

7 杜吉祥;郭一兰;翟传敏;;基于局部时空兴趣点特征包的事件识别[J];南京大学学报(自然科学版);2012年01期

8 孙达;唐降龙;刘家锋;黄剑华;;基于概率密度的兴趣点检测算法[J];自动化学报;2008年08期

9 王扬扬;李一波;姬晓飞;;人体动作的超兴趣点特征表述及识别[J];中国图象图形学报;2013年07期

10 吴长春;刘阳;白云;;谈兴趣点在城市管理信息系统中的具体应用[J];测绘与空间地理信息;2008年02期

相关会议论文 前5条

1 王晗;滕鹏;梁玮;;使用稠密兴趣点包的非对称风景图像检索[A];第七届和谐人机环境联合学术会议（HHME2011)论文集【poster】[C];2011年

2 叶以生;;如何激发学生学习说明文的兴趣[A];中华教育理论与实践科研论文成果选编（第3卷）[C];2010年

3 凌贺飞;陈勇;邹复好;许治华;李平;;基于Harris兴趣点区域的图像拷贝检测算法[A];第八届全国信息隐藏与多媒体安全学术大会湖南省计算机学会第十一届学术年会论文集[C];2009年

4 王慧;;提高学生的绘画想象力[A];中华教育理论与实践科研论文成果选编（第1卷）[C];2009年

5 毛霞;;给孩子们一个支点——谈兴趣[A];全国教育科研“十五”成果论文集（第五卷）[C];2005年

相关重要报纸文章 前10条

1 王震;兴趣点炮制口号甜蜜素[N];医药经济报;2012年

2 济南市平阴县玫瑰中学 李晓旭;谈在初中历史教学中对学生兴趣的培养[N];学知报;2010年

3 胡雪晶 上海厂长经理人才有限公司高级人力资源顾问;猎头要建立良好人际关系[N];组织人事报;2012年

4 张学军;多数人对工作都有“隐性兴趣”[N];北京人才市场报;2008年

5 本报记者 李望宁;微博PC端V6推发现功能 连接用户兴趣点重拾人气[N];通信信息报;2014年

6 江苏滨海县正红中学 朱泾沣;激发学习兴趣,提高学习效率[N];学知报;2010年

7 陶艳;爱动不一定就是多动症[N];大众卫生报;2007年

8 张耀芳 照金中心小学教师;让孩子幸福地成长[N];铜川日报;2010年

9 轮台县中学 柏艳丽;浅谈学生学习兴趣的培养[N];巴音郭楞日报;2009年

10 本报记者 李婧璇;中国社会科学出版社：找准兴趣点故事才生动[N];中国新闻出版报;2013年

相关博士学位论文 前3条

1 张云菲;多源道路网与兴趣点的一致性整合方法[D];武汉大学;2015年

2 徐浩;移动情景感知的实时推荐技术研究[D];国防科学技术大学;2015年

3 韩军伟;基于内容的图象检索技术研究[D];西北工业大学;2003年

相关硕士学位论文 前10条

1 刘袁柳;面向LBSN的兴趣点和用户推荐方法研究[D];苏州大学;2015年

2 张淼;基于位置社交网络的兴趣点推荐方法研究[D];西南大学;2015年

3 林辰;SAP用户兴趣点分析系统后台的设计与实现[D];南京大学;2014年

4 程呈;基于差分隐私的兴趣点推荐系统的设计与分析[D];电子科技大学;2015年

5 蒋晓玲;基于用户偏好的个性化路径挖掘研究[D];东北大学;2013年

6 胡宇成;基于多特征融合的微博用户兴趣建模研究[D];哈尔滨工业大学;2014年

7 吴丽梅;基于时空兴趣点的化工厂视频监控系统设计与实现[D];电子科技大学;2014年

8 崔立伟;移动用户行为趋势分析与研究[D];西安工程大学;2015年

9 郑亚男;微表情检测与定位关键技术研究[D];北京交通大学;2016年

10 吴云;轨迹挖掘场景化精准广告投放研究[D];山东财经大学;2016年

本文编号：2559231