融合用户偏好和地理因素的地点推荐算法研究
发布时间：2021-08-19 13:31
移动网络的普及和GPS技术的成熟使得基于位置的社交网络飞速发展,相较于传统社交网络,基于位置的社交网络中的用户在进行网络社交时能够标注自己的位置,以签到的方式向网络上的其他用户分享自己的动态。用户签到记录的大量累积为分析用户行为习惯、挖掘用户地点偏好提供了数据支持,地点推荐也成为基于位置的社交网络上的重要任务之一。地点推荐不仅可以向用户推荐他们可能感兴趣的地方,丰富用户的生活,也能为商家进行推广,带来更多消费者,然而由于地点推荐的环境比较复杂,用户行为受多种因素的影响、用户-地点签到矩阵稀疏、用户偏好挖掘不够充分等问题,因此研究地点推荐有着重要的理论和现实意义。本文的主要工作包括:（1）详细分析了地点推荐研究的国内外现状,对地点推荐的分类和相关理论技术进行了剖析,针对现有地点推荐算法中存在的不足,提出了本文的研究思路和研究内容。（2）在基于用户的协同过滤算法基础上,提出了用标准化的签到次数来表征用户对地点的偏好程度,根据用户签到活动的区域性特征,提出融合地理因素模型,将地理距离和区域性特征结合建模地理因素,提出一种融合模型UGR,并在Gowalla数据集上进行了实验,结果表明UGR算法...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
Foursquare上一个用户签到示例
重庆大学硕士学位论文2相关理论分析11图2.2LBSNs上的影响因素Fig.2.2InfluentialfactorsinLBSNs2.3.1基于地理因素的地点推荐由于用户的签到活动受地点地理特征的影响，所以地理因素时地点推荐区别于传统推荐的一个重要的因素。通过分析用户的签到数据显示，用户经常在几个区域活动而且他们更喜欢在经常签到的地点周围活动。目前，许多研究都使用地理因素来提高地点推荐系统的准确率。这些研究中，最常用的建模地理因素对地点推荐的影响的模型有三种：幂律分布模型[6,13]、高斯分布模型[8]和核密度估计模型[10]。Ye[6]等人最先使用幂律分布模型来建模地理影响。幂律分布最开始是在人们的移动性中观察到的，如在ATMs上的撤资活动和在不同城市的旅游活动等[28]。Ye等在用户在LBSNs上的签到活动中也发现了相似的分布，用户从一个地点去另外一个地点签到的概率与两个地点之间距离的关系分布近似幂律分布，因此Ye等用幂律分布建模了地理因素对用户签到活动的影响。用户从地点到地点签到的概率y定义如如公式2.8所示。=×(2.8)其中x表示地点和地点之间的地理距离，a和b是幂律分布的两个参数，可以从用户的历史签到数据中学习得到。根据幂律分布得到地理因素的模型后，可根据下面的公式得到新的地点的签到概率。给定用户i已签到过的地点集，则用户i去新的地点签到的概率如公式2.9所示。=∪()=∏(,)∈(2.9)
重庆大学硕士学位论文2相关理论分析14Cheng等[8]则在地点推荐中将概率矩阵分解和社交正则化（PMFSR）联系起来，将社交影响整合进概率矩阵分解中。给定U和L分别代表用户集和地点集合。PMFSR通过最小化公式2.14中的目标函数来学习用户和地点的隐式特征。,∑∑(()||||)+‖‖+‖‖+ ∑∑(,),∈(2.14)其中，和分别为用户、和地点的隐式特征，是指示函数，代表用户在地点签到过。是用户的朋友集合，(,)表示用户、之间的社交权值，()是sigmoid函数，将用户的签到次数映射到[0,1]之间。这种模型的社交影响确保了朋友的隐式特征在隐式空间中保持很近的距离。鉴于此方法的有效性，Yang等[14]在其情感感知的地点推荐中也应用了此框架。图2.3地点推荐中社交关系的影响Fig.2.3ThesignificanceofsocialinfluenceonPOIrecommendation虽然社交关系可以有效的提升传统推荐系统的推荐性能，但是在地点推荐中效果一般，Gao等[40]探究了社交关系对地点推荐结果的影响，结果图2.3所示是社交关系在地点推荐中的效果展示，HM是没有加入社交影响的模型，SHM是该模型中加入社交关系的影响，从图中可以看出加入社交关系对预测结果的准确率的提升效果很校社交关系在地点推荐中表现效果不佳的原因可能是由于LBSNs上面的用户都是网络上的，交友并没有限制，但是签到活动却往往受用户和地点之间物理交互的制约。因此，LBSNs上的好友可能会有共同的地点爱好，但是却可能并不会去访问共同的地点。比如两个不同城市的好友都喜欢吃火锅，但他们却不会在同一家火锅店签到。准确率训练集占比
【参考文献】：
期刊论文
[1]基于位置社交网络的上下文感知的兴趣点推荐[J]. 任星怡,宋美娜,宋俊德. 计算机学报. 2017(04)
[2]基于用户签到行为的兴趣点推荐[J]. 任星怡,宋美娜,宋俊德. 计算机学报. 2017(01)
[3]一种融合情景和评论信息的位置社交网络兴趣点推荐模型[J]. 高榕,李晶,杜博,余永红,宋成芳,丁永刚. 计算机研究与发展. 2016(04)
[4]LBSN中基于元路径的兴趣点推荐[J]. 曹玖新,董羿,杨鹏伟,周涛,刘波. 计算机学报. 2016(04)
[5]一种基于移动用户位置的网络服务推荐方法[J]. 刘树栋,孟祥武. 软件学报. 2014(11)
[6]基于LBSN的个性化旅游包推荐系统[J]. 胥皇,於志文,封云,周兴社. 计算机与现代化. 2014(01)
本文编号：3351503
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
Foursquare上一个用户签到示例
重庆大学硕士学位论文2相关理论分析11图2.2LBSNs上的影响因素Fig.2.2InfluentialfactorsinLBSNs2.3.1基于地理因素的地点推荐由于用户的签到活动受地点地理特征的影响，所以地理因素时地点推荐区别于传统推荐的一个重要的因素。通过分析用户的签到数据显示，用户经常在几个区域活动而且他们更喜欢在经常签到的地点周围活动。目前，许多研究都使用地理因素来提高地点推荐系统的准确率。这些研究中，最常用的建模地理因素对地点推荐的影响的模型有三种：幂律分布模型[6,13]、高斯分布模型[8]和核密度估计模型[10]。Ye[6]等人最先使用幂律分布模型来建模地理影响。幂律分布最开始是在人们的移动性中观察到的，如在ATMs上的撤资活动和在不同城市的旅游活动等[28]。Ye等在用户在LBSNs上的签到活动中也发现了相似的分布，用户从一个地点去另外一个地点签到的概率与两个地点之间距离的关系分布近似幂律分布，因此Ye等用幂律分布建模了地理因素对用户签到活动的影响。用户从地点到地点签到的概率y定义如如公式2.8所示。=×(2.8)其中x表示地点和地点之间的地理距离，a和b是幂律分布的两个参数，可以从用户的历史签到数据中学习得到。根据幂律分布得到地理因素的模型后，可根据下面的公式得到新的地点的签到概率。给定用户i已签到过的地点集，则用户i去新的地点签到的概率如公式2.9所示。=∪()=∏(,)∈(2.9)
重庆大学硕士学位论文2相关理论分析14Cheng等[8]则在地点推荐中将概率矩阵分解和社交正则化（PMFSR）联系起来，将社交影响整合进概率矩阵分解中。给定U和L分别代表用户集和地点集合。PMFSR通过最小化公式2.14中的目标函数来学习用户和地点的隐式特征。,∑∑(()||||)+‖‖+‖‖+ ∑∑(,),∈(2.14)其中，和分别为用户、和地点的隐式特征，是指示函数，代表用户在地点签到过。是用户的朋友集合，(,)表示用户、之间的社交权值，()是sigmoid函数，将用户的签到次数映射到[0,1]之间。这种模型的社交影响确保了朋友的隐式特征在隐式空间中保持很近的距离。鉴于此方法的有效性，Yang等[14]在其情感感知的地点推荐中也应用了此框架。图2.3地点推荐中社交关系的影响Fig.2.3ThesignificanceofsocialinfluenceonPOIrecommendation虽然社交关系可以有效的提升传统推荐系统的推荐性能，但是在地点推荐中效果一般，Gao等[40]探究了社交关系对地点推荐结果的影响，结果图2.3所示是社交关系在地点推荐中的效果展示，HM是没有加入社交影响的模型，SHM是该模型中加入社交关系的影响，从图中可以看出加入社交关系对预测结果的准确率的提升效果很校社交关系在地点推荐中表现效果不佳的原因可能是由于LBSNs上面的用户都是网络上的，交友并没有限制，但是签到活动却往往受用户和地点之间物理交互的制约。因此，LBSNs上的好友可能会有共同的地点爱好，但是却可能并不会去访问共同的地点。比如两个不同城市的好友都喜欢吃火锅，但他们却不会在同一家火锅店签到。准确率训练集占比
【参考文献】：
期刊论文
[1]基于位置社交网络的上下文感知的兴趣点推荐[J]. 任星怡,宋美娜,宋俊德. 计算机学报. 2017(04)
[2]基于用户签到行为的兴趣点推荐[J]. 任星怡,宋美娜,宋俊德. 计算机学报. 2017(01)
[3]一种融合情景和评论信息的位置社交网络兴趣点推荐模型[J]. 高榕,李晶,杜博,余永红,宋成芳,丁永刚. 计算机研究与发展. 2016(04)
[4]LBSN中基于元路径的兴趣点推荐[J]. 曹玖新,董羿,杨鹏伟,周涛,刘波. 计算机学报. 2016(04)
[5]一种基于移动用户位置的网络服务推荐方法[J]. 刘树栋,孟祥武. 软件学报. 2014(11)
[6]基于LBSN的个性化旅游包推荐系统[J]. 胥皇,於志文,封云,周兴社. 计算机与现代化. 2014(01)
本文编号：3351503
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3351503.html
