LBSN中基于地理与视觉内容的个性化兴趣点推荐
发布时间：2021-11-27 19:11
随着智能手机的普及以及全球定位系统的广泛应用,基于位置的社交网络（LBSNs,Location-Based Social Networks）已经成为人们分享兴趣点签到的主要渠道之一。同时,信息技术的飞速发展使人们遭遇了信息过载的困扰,对于LBSN来说,用户发现其感兴趣的地点十分困难。兴趣点推荐算法应运而生,旨在为用户推荐高质量的地点。LBSN中的用户签到数据存在地理聚集现象以及稀疏性问题,如何根据数据特点设计高效的推荐模型,是LBSN中的关键问题。已有工作分别从社交关系、时间因素、地理影响因素与内容因素四个方面展开研究,相关结果表明,社交关系与时间因素有一定的局限性,地理影响因素与内容因素能够提高算法的推荐性能。然而,目前对于地理影响因素与内容因素的研究都是独立进行的,单因素模型的推荐性能还不够理想,达不到令人满意的效果。仅考虑地理影响因素,算法会受到数据稀疏的影响;而仅考虑内容信息,算法会产生因地理位置限制用户不可能访问的地点。内容因素中的图片相对于文本来说,蕴含着更多的信息,能够同时反映用户的偏好与地点的特点。如何结合地理影响因素与图片视觉内容进一步提高推荐算法性能是LBSN推荐领...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
图片反映用户的POI偏好目前对于地理影响因素与图片因素的研究都是独立进行的
用于计算机视觉、自然语言处理等领域的研究与实践，并取得了巨大的成功。 卷积神经网络通常用于处理具有网格结构（grid-like topology）的数据，如一维的时间序列数据、文本数据，二维的图像数据等, 广泛的用以完成分类、回归等任务。与早期使用人工设计的特征不同，卷积神经网络是一个强有力的表征学习工具，能够对低阶特征进行一定组合，从数据中自动学习高阶特征，同时在下游的分类或回归任务中表现出优异的性能。Le Cun 在文献[45]提出了卷积神经网络这一概念，他构建了浅层的卷积神经网络 Le Net-5 来进行手写数字识别。Le Net-5 是一个七层的卷积神经网络，它的网络 结 构 如 图 2.1 所 示 ， 它 由 三 个 卷 积 层 （ Convolutional Layer ）， 两 个 池 化 层（Pooling/Subsampling Layer），两个全连接层（Fullly Connected Layer）构成。
东南大学硕士学位论文16卷积层（ConvolutionalLayer）如图2.2所示，具有稀疏连接、参数共享的性质，它可以充分利用数据的空间相关性（相邻区域高度相关[50]），能够提取图像的语义特征，同时降低模型的参数以减轻过拟合。这里的过拟合指的是神经网络对于其见过的数据产生记忆性，而对于未知数据的泛化能力较弱。网络浅层的卷积层可以提取图像的轮廓特征、颜色特征等底层语义特征，而随着网络的加深，深层的卷积层能够提取越来越抽象的特征，即图像的高层语义特征[46]。这些具有高层语义的特征能够大幅度提高网络下游分类器或回归器的性能。图2.2卷积层示意图[50]池化层（PoolingLayer）如图2.3所示，往往使用于卷积层之后，它对卷积层提取的特征进行降采样，降低模型的参数。常用池化层有最大池化层（Maxpooling）与平均池化层（Averagepooling）两种。最大池化层取一定区域内的最大值为该区域的表征，而平均池化层取均值。池化层最主要的作用有两点：一是提取具有抗干扰性质的特征（invariantfeatures），能够在图像轻微的旋转、平移等操作后保持特征不变或是轻微变化；二是降低模型的参数，提升模型的计算速度，减轻模型可能发生的过拟合。图2.3池化层层示意图
【参考文献】：
期刊论文
[1]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)
本文编号：3522885
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
图片反映用户的POI偏好目前对于地理影响因素与图片因素的研究都是独立进行的
用于计算机视觉、自然语言处理等领域的研究与实践，并取得了巨大的成功。 卷积神经网络通常用于处理具有网格结构（grid-like topology）的数据，如一维的时间序列数据、文本数据，二维的图像数据等, 广泛的用以完成分类、回归等任务。与早期使用人工设计的特征不同，卷积神经网络是一个强有力的表征学习工具，能够对低阶特征进行一定组合，从数据中自动学习高阶特征，同时在下游的分类或回归任务中表现出优异的性能。Le Cun 在文献[45]提出了卷积神经网络这一概念，他构建了浅层的卷积神经网络 Le Net-5 来进行手写数字识别。Le Net-5 是一个七层的卷积神经网络，它的网络 结 构 如 图 2.1 所 示 ， 它 由 三 个 卷 积 层 （ Convolutional Layer ）， 两 个 池 化 层（Pooling/Subsampling Layer），两个全连接层（Fullly Connected Layer）构成。
东南大学硕士学位论文16卷积层（ConvolutionalLayer）如图2.2所示，具有稀疏连接、参数共享的性质，它可以充分利用数据的空间相关性（相邻区域高度相关[50]），能够提取图像的语义特征，同时降低模型的参数以减轻过拟合。这里的过拟合指的是神经网络对于其见过的数据产生记忆性，而对于未知数据的泛化能力较弱。网络浅层的卷积层可以提取图像的轮廓特征、颜色特征等底层语义特征，而随着网络的加深，深层的卷积层能够提取越来越抽象的特征，即图像的高层语义特征[46]。这些具有高层语义的特征能够大幅度提高网络下游分类器或回归器的性能。图2.2卷积层示意图[50]池化层（PoolingLayer）如图2.3所示，往往使用于卷积层之后，它对卷积层提取的特征进行降采样，降低模型的参数。常用池化层有最大池化层（Maxpooling）与平均池化层（Averagepooling）两种。最大池化层取一定区域内的最大值为该区域的表征，而平均池化层取均值。池化层最主要的作用有两点：一是提取具有抗干扰性质的特征（invariantfeatures），能够在图像轻微的旋转、平移等操作后保持特征不变或是轻微变化；二是降低模型的参数，提升模型的计算速度，减轻模型可能发生的过拟合。图2.3池化层层示意图
【参考文献】：
期刊论文
[1]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)
本文编号：3522885
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3522885.html
