社交网络和图像内容融合的兴趣点推荐研究

发布时间：2021-11-19 13:41

　　兴趣点（Point-of-Interest,POI）推荐是推荐系统领域的一部分,并深深根植于人们的日常生活中。随着LBSNs技术的不断发展,兴趣点推荐应用也积累了大量的用户,产生了海量的兴趣点数据。本文主要针对兴趣点推荐领域中,兴趣点数据稀疏导致的推荐不准确、推荐精度低的问题,提出了模型融合的不同方法。首先,本文提出了一种商品推荐领域算法向兴趣点推荐领域转换的方法DTPOI,其不同于传统推荐模型直接利用评分的得分,而是对用户评分信息进行了重新定义;本文根据地理位置信息和标签信息分别构建了距离因子和标签因子,并结合用户评分得分,从而计算出兴趣点评分信息矩阵来参与矩阵分解。通过Yelp真实数据集上的实验,DTPOI算法在MAE和RMSE评估上相比PMF、SoRec、TrustMF、TrustSVD算法分别平均提高了47.765%和22.77%,分析实验结果说明DTPOI算法提高了兴趣点推荐的准确率。其次,本文提出了一种融合图像内容的POI推荐算法VPOI。本文改造深度卷积网络模型VGG16模型,使其能够对兴趣点图像进行特征抽取;同时,构造出能够进行概率矩阵融合的兴趣点图像特征向量,构成参与... 

【文章来源】：广东工业大学广东省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

推荐系统架构

广东工业大学硕士学位论文算法（Item-based Collaborative Filtering）[17]和基于矩阵分解的rix Factorization based Collaborative Filtering）[6]。2 所示，基于用户的协同过滤方法的主要思想是与用户 u 找到类，用户 u 根据用户 v 的偏好进行个性化推荐。为了找到类似的户相似度计算方法，例如，皮尔逊相关系数（Pearson C PCC）[18]，余弦相似度（Cosine Similarity, CS）等寻找相似用户1）、公式（2.2）可知，对于用户相似度计算，如果推荐系统的数量少得多的情况下，计算结果具有不错的区分度；当推荐化频繁时，也具有不错的计算结果。但是，一旦物品的数量远似度计算结果的区分度就会大大下降。

第二章 兴趣点推荐相关概念 (,)2,(,)2,(,),,Sim(,)icomuvviicomuvuiicomuvuivirrrruv（ 2-3 所示，基于物品的协同过滤方法的主要思想是找到物品 j，其和物品 i 相似，并根据物品 j 的最终评分对用户 u 进行个性化推荐。目，同样可以 PCC 和 CS 相似度计算公式。由公式（2.3）、公式（于物品相似度计算，如果推荐系统中用户的数量比物品的数量少得算结果具有不错的区分度。但是，一旦用户的数量远远大于物品数结果的区分度就会大大下降。

【参考文献】：
期刊论文
[1]融合社交信息的矩阵分解推荐方法研究综述[J]. 刘华锋,景丽萍,于剑.  软件学报. 2018(02)
[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)



本文编号：3505161