基于活动轨迹嵌入的用户行为分析
发布时间：2021-11-16 11:00
由于智能设备和无线通信技术的普及,产生了大量描述物体运动历史的时空轨迹。其中,活动轨迹通过关联活动信息与时空轨迹来丰富传统的轨迹数据。这些轨迹数据包含有大量的用户活动信息,能够加深我们对人类行为的理解。然而现有的时空轨迹研究,忽略了丰富的用户活动信息,缺少对用户行为的个性化分析。因此,在本文中,我们利用活动轨迹的时间和活动属性来建模用户活动,分析用户行为相似性以及预测用户行为状态。总体来讲,本文的主要贡献如下:（1）在用户行为相似度任务中,以往工作主要采用活动地点的时间和空间信息,忽略了和用户行为关联最紧密的活动信息。因此,本文提出了基于活动轨迹嵌入的用户行为相似度算法,该算法首先利用高斯混合模型拟合活动时间分布并将时间进行分段,然后根据滑动窗口扫描用户活动轨迹获取用户和轨迹特征,最终基于散列的相似度计算方法来比较用户之间的行为相似度。大量的实验验证了我们提出方法的性能和效率。（2）在用户行为预测任务中,已有工作主要通过用户历史活动记录以及社交关系来进行预测,缺乏对用户行为偏好的挖掘。因此,本文提出了基于活动轨迹嵌入的用户行为预测算法,该算法首先通过段向量模型提取用户行为偏好特征,然后...
【文章来源】：苏州大学江苏省 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图１－１用户行为研究整体框架??
基于活动轨迹嵌入的用户行为分析?第二章相关概念及方法??高斯混合模型由多个高斯分布组合而成，理论上它可以模拟任意类型的分布。高斯??分布也被叫做正态分布，是一种最常见的分布形式。通常一个班级学生的身高，考??试成绩大多符合高斯分布。高斯混合模型是对高斯分布进行简单的拓展，通过多个??高斯分布的线性组合来表达更复杂的数据分布特征。??高斯混合模型的概率分布形式可以表示为如下公式，??Ｋ??Ｐ（ｙ＼ｅ）?＝?Ｙｊ?ａＭ〇ｋ）?（２．Ｄ??ｋ＝＼??其中，叫是混合系数，并且需要满足叫＞〇和的＝丨。０（Ｊ防）是混合模型的第々??个分模型，代表一个正态分布。它是高斯分布密度函数，民＝（凡，ｄ），公式如下表??示。??參士於聲＞?（２．２）??举一个简单的例子，如图２－１所示，蓝色线段表示女生身高分布，绿色线段表示男生??身高分布，由于男生和女生之间身高分布存在一定差异，所以当表示整个班级学生??身高分布时无法使用－个单一的高斯分布来拟合，因此可以使用男生和女生身高分??布的线性组合表示。??１．３?１．４?１．５?１．６?１．７?１．８?１．９?２．０??图２－１学生身高分布??高斯混合模型常被用于聚类应用，ＧＭＭ中的Ｋ个分模型相当于Ｋ个类别，因此??可以使用数据来估算概率密度。当在ＧＭＭ中随机选取一个点，这个点属于每个子模??１１??
络结构，包括输入层、隐藏层和输出层。它根据单词词频使用Ｈｕｆｆｍａｎ来编码，??使得所有词频相似的词语隐藏层激活的内容相似，出现频率越高的词语，它们激??活的隐藏层数目越少，这样可以有效降低模型复杂度。Ｗｏｒｄ２ＶｅＣ模型的高效性深??受大众喜爱。Ｗｏｒｄ２ｖｅｃ模型使用了两种建模方法，ＣｏｎｔｉｎｏｕｓＢａｇｏｆＷｏｒｄｓ?（ＣＢＯＷ）??和Ｓｋｉｐ－ｇｒａｍ。ＣＢＯＷ的目标是根据上下文来预测当前词语的概率，而Ｓｋｉｐ－ｇｒａｍ则刚??好相反，它根据当前词语来预测上下文的概率（模型如图２－２所示）。两种方法的预??测任务通常使用一个多分类器，例如Ｓｏｆｔｍａｘ函数。Ｗｏｒｄ２ｖｅｃ模型训练出的单词表征??可以一定程度上发现词之间的语义关系（比如，“国王”“男人”?＋?“女人”王??后”）。Ｗ〇ｒｄ２ｖｅｃ模型对词向量进行了平均化处理，它忽略了单词间排序的影响，也??就是说它只是基于词的维度进行语义分析，而不具有上下文的语义分析能力。??Ｉｎｐｕｔ?Ｐｒｏｊｅｃｔｉｏｎ?Ｏｕｔｐｕｔ?Ｉｎｐｕｔ?Ｐｒｏｊｅｃｔｉｏｎ?Ｏｕｔｐｕｔ??Ｗ（ｔ－２）?Ｗ（ｔ－２）??ｗ（ｔ－ｉ）?＿１｝???？?Ｗ（ｔ）?Ｗ（ｔ）??？??Ｗ（ｔ＋１）?，?ｙ／?ＳＵＭ?Ｗ（ｔ＋１）??Ｗ（ｔ＋２）?＜?＂?Ｗ（ｔ＋２）??ＣＢＯＷ?Ｓｋｉｐ－ｇｒａｍ??图２－２词向量模型结构框架??１３??
【参考文献】：
期刊论文
[1]基于位置轨迹数据的用户相似性分析[J]. 贾若然,刘曙光,孙启龙. 计算机与数字工程. 2016(08)
[2]基于LCS的用户时空行为兴趣相似性计算方法[J]. 李晓静,张晓滨. 计算机工程与应用. 2013(20)
[3]基于位置的社交网络用户轨迹相似性算法[J]. 张莹,李智,张省. 四川大学学报(工程科学版). 2013(S2)
[4]基于路网的LBSN用户移动轨迹聚类挖掘方法[J]. 邹永贵,万建斌,夏英. 计算机应用研究. 2013(08)
本文编号：3498755
【文章来源】：苏州大学江苏省 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图１－１用户行为研究整体框架??
基于活动轨迹嵌入的用户行为分析?第二章相关概念及方法??高斯混合模型由多个高斯分布组合而成，理论上它可以模拟任意类型的分布。高斯??分布也被叫做正态分布，是一种最常见的分布形式。通常一个班级学生的身高，考??试成绩大多符合高斯分布。高斯混合模型是对高斯分布进行简单的拓展，通过多个??高斯分布的线性组合来表达更复杂的数据分布特征。??高斯混合模型的概率分布形式可以表示为如下公式，??Ｋ??Ｐ（ｙ＼ｅ）?＝?Ｙｊ?ａＭ〇ｋ）?（２．Ｄ??ｋ＝＼??其中，叫是混合系数，并且需要满足叫＞〇和的＝丨。０（Ｊ防）是混合模型的第々??个分模型，代表一个正态分布。它是高斯分布密度函数，民＝（凡，ｄ），公式如下表??示。??參士於聲＞?（２．２）??举一个简单的例子，如图２－１所示，蓝色线段表示女生身高分布，绿色线段表示男生??身高分布，由于男生和女生之间身高分布存在一定差异，所以当表示整个班级学生??身高分布时无法使用－个单一的高斯分布来拟合，因此可以使用男生和女生身高分??布的线性组合表示。??１．３?１．４?１．５?１．６?１．７?１．８?１．９?２．０??图２－１学生身高分布??高斯混合模型常被用于聚类应用，ＧＭＭ中的Ｋ个分模型相当于Ｋ个类别，因此??可以使用数据来估算概率密度。当在ＧＭＭ中随机选取一个点，这个点属于每个子模??１１??
络结构，包括输入层、隐藏层和输出层。它根据单词词频使用Ｈｕｆｆｍａｎ来编码，??使得所有词频相似的词语隐藏层激活的内容相似，出现频率越高的词语，它们激??活的隐藏层数目越少，这样可以有效降低模型复杂度。Ｗｏｒｄ２ＶｅＣ模型的高效性深??受大众喜爱。Ｗｏｒｄ２ｖｅｃ模型使用了两种建模方法，ＣｏｎｔｉｎｏｕｓＢａｇｏｆＷｏｒｄｓ?（ＣＢＯＷ）??和Ｓｋｉｐ－ｇｒａｍ。ＣＢＯＷ的目标是根据上下文来预测当前词语的概率，而Ｓｋｉｐ－ｇｒａｍ则刚??好相反，它根据当前词语来预测上下文的概率（模型如图２－２所示）。两种方法的预??测任务通常使用一个多分类器，例如Ｓｏｆｔｍａｘ函数。Ｗｏｒｄ２ｖｅｃ模型训练出的单词表征??可以一定程度上发现词之间的语义关系（比如，“国王”“男人”?＋?“女人”王??后”）。Ｗ〇ｒｄ２ｖｅｃ模型对词向量进行了平均化处理，它忽略了单词间排序的影响，也??就是说它只是基于词的维度进行语义分析，而不具有上下文的语义分析能力。??Ｉｎｐｕｔ?Ｐｒｏｊｅｃｔｉｏｎ?Ｏｕｔｐｕｔ?Ｉｎｐｕｔ?Ｐｒｏｊｅｃｔｉｏｎ?Ｏｕｔｐｕｔ??Ｗ（ｔ－２）?Ｗ（ｔ－２）??ｗ（ｔ－ｉ）?＿１｝???？?Ｗ（ｔ）?Ｗ（ｔ）??？??Ｗ（ｔ＋１）?，?ｙ／?ＳＵＭ?Ｗ（ｔ＋１）??Ｗ（ｔ＋２）?＜?＂?Ｗ（ｔ＋２）??ＣＢＯＷ?Ｓｋｉｐ－ｇｒａｍ??图２－２词向量模型结构框架??１３??
【参考文献】：
期刊论文
[1]基于位置轨迹数据的用户相似性分析[J]. 贾若然,刘曙光,孙启龙. 计算机与数字工程. 2016(08)
[2]基于LCS的用户时空行为兴趣相似性计算方法[J]. 李晓静,张晓滨. 计算机工程与应用. 2013(20)
[3]基于位置的社交网络用户轨迹相似性算法[J]. 张莹,李智,张省. 四川大学学报(工程科学版). 2013(S2)
[4]基于路网的LBSN用户移动轨迹聚类挖掘方法[J]. 邹永贵,万建斌,夏英. 计算机应用研究. 2013(08)
本文编号：3498755
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3498755.html
