基于增量更新的兴趣点推荐算法研究

发布时间：2022-12-17 10:10

　　近年来,随着基于位置的社交网络（Location-Based Social Network,LBSN）的迅速崛起,兴趣点（Point-of-Interest,POI）推荐已经成为其中的一项重要应用方式。它旨在根据用户的历史签到记录和其他辅助信息来为用户推荐感兴趣但未曾访问过的位置。然而,由于当前LBSN平台中海量新用户、新兴趣点的不断涌入,日益严重的信息过载问题开始暴露在用户面前。为了结合兴趣点推荐相关技术有效应对此问题,本文主要从以下两个方面进行改进研究:1.由于用户签到数据中包含有多源情景因素信息,例如地理位置,时间,社交关系,情感倾向,文本信息等。不同的情景因素信息能反映用户行为习惯的不同方面,合理综合利用这些信息可以有效提高推荐质量。针对现有的LBSN研究工作对兴趣点相关的用户语义位置信息挖掘不够充分,且大多POI推荐算法忽略了兴趣点所处区域对推荐结果的影响,提出一种基于语义位置和区域划分的兴趣点推荐算法（USTTGD）。该算法通过综合考虑多种不同的情景因素信息并将其融合为一个统一的推荐框架,在Foursquare和Gowalla数据集上取得了较好的效果,尤其是在推荐精度上获得... 

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
注释表
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文主要研究目标与内容
    1.4 论文组织结构
    1.5 本章小结
第2章 相关理论知识介绍
    2.1 传统推荐系统
    2.2 LBSN中的推荐技术
        2.2.1 协同过滤推荐技术
        2.2.2 基于内容的推荐技术
        2.2.3 基于链接分析的推荐技术
        2.2.4 混合推荐技术
    2.3 个性化兴趣点推荐
    2.4 本章小结
第3章 基于语义位置和区域划分的兴趣点推荐算法
    3.1 引言
    3.2 问题定义
    3.3 基于语义位置信息的建模
        3.3.1 STLDA算法
        3.3.2 TVTM算法
        3.3.3 用户时间偏好预测
    3.4 基于兴趣点区域划分的建模
        3.4.1 区域偏好预测
        3.4.2 连续过渡偏好预测
        3.4.3 规范化统一模型
    3.5 实验设计及结果分析
        3.5.1 实验数据集
        3.5.2 实验评价指标
        3.5.3 实验参数的推导与设置
        3.5.4 实验结果与分析
    3.6 本章小结
第4章 基于POI相似性增量更新的兴趣点推荐算法
    4.1 引言
    4.2 基于POI相似性的增量更新
        4.2.1 用户偏好更新机制
        4.2.2 增量更新计算
    4.3 相似性更新过程的改进
        4.3.1 传统的POI相似性更新流程
        4.3.2 POI相似性的增量更新流程
    4.4 系统中算法执行过程描述
    4.5 实验设计及结果分析
        4.5.1 实验数据集
        4.5.2 实验评价指标
        4.5.3 实验所对比的算法
        4.5.4 实验结果与分析
    4.6 本章小结
第5章 总结与展望
    5.1 论文总结
    5.2 工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3719740