基于用户签到行为的自适应兴趣点推荐方法研究
发布时间：2021-10-15 17:50
基于位置社交网络中的兴趣点推荐能够根据用户的签到偏好有效地帮助用户探索未访问过的地点,通过提供个性化的兴趣点推荐服务来解决地点信息过载的问题,具有重要的研究意义和应用价值。但是,现有兴趣点推荐方法在如何深入进行用户自身签到行为多样性的研究、如何实现融合时间特征和空间特征的自适应兴趣点推荐算法、如何利用循环神经网络实现自适应连续兴趣点推荐算法、以及如何提高兴趣点推荐算法的性能等方面还存在不足之处。针对这些问题,本文围绕用户签到行为和自适应兴趣点推荐算法展开研究,主要工作如下。首先,针对现有兴趣点推荐对用户的签到行为考虑不足,缺乏对用户分类的问题,提出用户签到行为的特征提取方法及用户聚类算法。采用概率统计分析方法,从LBSNs历史签到数据集中提取和分析用户签到次数、签到兴趣点数量和签到时间槽分布数量三维特征。在此基础上,提出基于模糊C均值的用户聚类算法,采用三种指标综合分析聚类的性能,确定最佳聚类数目并给出用户聚类的结果及现实涵义。实现对用户自身签到行为特征和用户聚类的深入全面研究,为下一步设计自适应兴趣点推荐算法奠定坚实基础。其次,针对基于用户协同过滤的方法无法准确获取用户签到偏好的时间...
【文章来源】：燕山大学河北省
【文章页数】：141 页
【学位级别】：博士
【部分图文】：
基于LBSNs的兴趣点推荐示意图
第2章用户签到行为特征提取及用户聚类算法-31-其中，c是用户聚类的数目，Wi表示Ci类中的所有用户样本到其聚类中心的平均距离，Wj表示Ci类中的所有用户样本到Cj类的聚类中心的平均距离，Cij表示Ci类和Cj类的中心之间的距离。DB的值越小，表示类与类之间的相似度越低，因此最小的DB值代表最佳的聚类结果。(3)SilhouetteCoefficient(SC)指标：也称轮廓系数，用于衡量用户与其自己所在集群(内聚)相比与其他集群(分离)之间的相似性，定义为所有用户样本的轮廓系数平均值，如公式(2-15)所示。在c个用户集群中，对于每一个用户i，a(i)是用户i与自己所在集群中的其他用户的平均距离，b(i)是用户i与任何其他集群中的所有用户的最短平均距离。轮廓系数的取值范围是[-1,1]，同一类别用户样本距离越相近(即与自身集群匹配良好)，并且不同类别用户样本距离越远(即与相邻集群匹配不良)，轮廓系数的值越高，因此最大的SC值代表最佳聚类结果。11()()()()max{(),()}nibiaiSCcnaibi(2-15)2.5.2用户聚类评估图2-6Foursquare数据集的聚类评价结果Fig.2-6ResultsofclusteringevaluationonFoursquare
燕山大学工学博士学位论文-32-为了确定最佳聚类数目，对LBSNs用户进行聚类和性能评估。给定聚类数目c[1,10]，在Foursquare和Gowalla两个数据集上使用不同的聚类数目c分别运行UCB-FCM算法，对得出的每个用户聚类结果分别计算CH指标、DB指标和SC系数值。然后，对同一类的有效性指标值进行比较，对应最佳指标值的聚类数目即为最佳的用户聚类数。通过实验，对Foursquare数据集上的2,321个用户进行1到10类划分后的聚类效果评估结果如图2-6所示，对Gowalla数据集上的10,162个用户进行1到10类划分后的聚类效果评估结果如图2-7所示。图2-7Gowalla数据集的聚类评价结果Fig.2-7ResultsofclusteringevaluationonGowalla与此同时，表2-2给出Foursquare和Gowalla两个数据集上不同聚类数目对应的CH、DB和SC指标结果。从表2-2可以看出，当聚类数目为1时，即把所有LBSN用户划分为一个集群类别，Foursquare和Gowalla数据集对应的各个指标值都是NaN，这个结果说明不适用于聚类数为1的情况。在聚类数目是从2类到10类的变化过程中，根据DB和SC指标的实验结果显示，聚类数目c=2时，两个数据集上的DB指标值都是最小值，SC指标值都是最大值，说明在Foursquare和Gowalla数据集中的最佳聚类数都是2类。对于Foursquare的CH指数结果显示，最佳聚类数目是c=4，
【参考文献】：
期刊论文
[1]基于深度学习的混合兴趣点推荐算法[J]. 冯浩,黄坤,李晶,高榕,刘东华,宋成芳. 电子与信息学报. 2019(04)
[2]LBSN中融合信任与不信任关系的兴趣点推荐[J]. 朱敬华,明骞. 通信学报. 2018(07)
[3]Exploiting Geo-Social Correlations to Improve Pairwise Ranking for Point-of-Interest Recommendation[J]. Rong Gao,Jing Li,Bo Du,Xuefei Li,Jun Chang,Chengfang Song,Donghua Liu. 中国通信. 2018(07)
[4]融合时空上下文信息的兴趣点推荐[J]. 徐前方,王嘉春,肖波. 北京邮电大学学报. 2018(01)
[5]基于位置社会网络的双重细粒度兴趣点推荐[J]. 廖国琼,姜珊,周志恒,万常选. 计算机研究与发展. 2017(11)
[6]LBSN上基于兴趣圈中社会关系挖掘的推荐算法[J]. 李鑫,刘贵全,李琳,吴宗大,丁君美. 计算机研究与发展. 2017(02)
[7]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)
[8]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)
[9]基于Ranking的泊松矩阵分解兴趣点推荐算法[J]. 余永红,高阳,王皓. 计算机研究与发展. 2016(08)
[10]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)
本文编号：3438373
【文章来源】：燕山大学河北省
【文章页数】：141 页
【学位级别】：博士
【部分图文】：
基于LBSNs的兴趣点推荐示意图
第2章用户签到行为特征提取及用户聚类算法-31-其中，c是用户聚类的数目，Wi表示Ci类中的所有用户样本到其聚类中心的平均距离，Wj表示Ci类中的所有用户样本到Cj类的聚类中心的平均距离，Cij表示Ci类和Cj类的中心之间的距离。DB的值越小，表示类与类之间的相似度越低，因此最小的DB值代表最佳的聚类结果。(3)SilhouetteCoefficient(SC)指标：也称轮廓系数，用于衡量用户与其自己所在集群(内聚)相比与其他集群(分离)之间的相似性，定义为所有用户样本的轮廓系数平均值，如公式(2-15)所示。在c个用户集群中，对于每一个用户i，a(i)是用户i与自己所在集群中的其他用户的平均距离，b(i)是用户i与任何其他集群中的所有用户的最短平均距离。轮廓系数的取值范围是[-1,1]，同一类别用户样本距离越相近(即与自身集群匹配良好)，并且不同类别用户样本距离越远(即与相邻集群匹配不良)，轮廓系数的值越高，因此最大的SC值代表最佳聚类结果。11()()()()max{(),()}nibiaiSCcnaibi(2-15)2.5.2用户聚类评估图2-6Foursquare数据集的聚类评价结果Fig.2-6ResultsofclusteringevaluationonFoursquare
燕山大学工学博士学位论文-32-为了确定最佳聚类数目，对LBSNs用户进行聚类和性能评估。给定聚类数目c[1,10]，在Foursquare和Gowalla两个数据集上使用不同的聚类数目c分别运行UCB-FCM算法，对得出的每个用户聚类结果分别计算CH指标、DB指标和SC系数值。然后，对同一类的有效性指标值进行比较，对应最佳指标值的聚类数目即为最佳的用户聚类数。通过实验，对Foursquare数据集上的2,321个用户进行1到10类划分后的聚类效果评估结果如图2-6所示，对Gowalla数据集上的10,162个用户进行1到10类划分后的聚类效果评估结果如图2-7所示。图2-7Gowalla数据集的聚类评价结果Fig.2-7ResultsofclusteringevaluationonGowalla与此同时，表2-2给出Foursquare和Gowalla两个数据集上不同聚类数目对应的CH、DB和SC指标结果。从表2-2可以看出，当聚类数目为1时，即把所有LBSN用户划分为一个集群类别，Foursquare和Gowalla数据集对应的各个指标值都是NaN，这个结果说明不适用于聚类数为1的情况。在聚类数目是从2类到10类的变化过程中，根据DB和SC指标的实验结果显示，聚类数目c=2时，两个数据集上的DB指标值都是最小值，SC指标值都是最大值，说明在Foursquare和Gowalla数据集中的最佳聚类数都是2类。对于Foursquare的CH指数结果显示，最佳聚类数目是c=4，
【参考文献】：
期刊论文
[1]基于深度学习的混合兴趣点推荐算法[J]. 冯浩,黄坤,李晶,高榕,刘东华,宋成芳. 电子与信息学报. 2019(04)
[2]LBSN中融合信任与不信任关系的兴趣点推荐[J]. 朱敬华,明骞. 通信学报. 2018(07)
[3]Exploiting Geo-Social Correlations to Improve Pairwise Ranking for Point-of-Interest Recommendation[J]. Rong Gao,Jing Li,Bo Du,Xuefei Li,Jun Chang,Chengfang Song,Donghua Liu. 中国通信. 2018(07)
[4]融合时空上下文信息的兴趣点推荐[J]. 徐前方,王嘉春,肖波. 北京邮电大学学报. 2018(01)
[5]基于位置社会网络的双重细粒度兴趣点推荐[J]. 廖国琼,姜珊,周志恒,万常选. 计算机研究与发展. 2017(11)
[6]LBSN上基于兴趣圈中社会关系挖掘的推荐算法[J]. 李鑫,刘贵全,李琳,吴宗大,丁君美. 计算机研究与发展. 2017(02)
[7]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)
[8]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)
[9]基于Ranking的泊松矩阵分解兴趣点推荐算法[J]. 余永红,高阳,王皓. 计算机研究与发展. 2016(08)
[10]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)
本文编号：3438373
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3438373.html
