移动社交网络中的位置轨迹挖掘及应用研究
发布时间：2023-03-04 17:39
当前,基于位置的服务正在获得越来越广泛的应用,然而传统的仅依赖定位设备的位置服务所能提供的信息是相对有限的。随着移动互联网、智能手机技术的发展,移动社交网络中不仅包括了丰富的用户数据,如好友、兴趣、社交数据等,而且沉淀了大量的用户位置轨迹数据。在移动社交网络中的进行位置轨迹挖掘,有着重要的意义,它可以应用于基于位置服务、挖掘人类活动规律与行为特征,还可以应用于智能交通、智慧旅游、环境监测、能源消耗等城市计算项目。如何充分挖掘用户的位置轨迹,并结合社交网络的多元信息为用户提供更加便捷、准确、安全的位置服务,是当前移动社交网络研究的重要问题之一面向移动社交网络中位置轨迹的挖掘及应用,我们希望建立基于位置服务中高效且精确的用户兴趣信息推荐、聚类机制,最大限度地将用户的兴趣上下文场景反映到模型之中,从而提高基于用户特性的推荐、聚类算法的效果;;同时,建立用户的位置隐私保护机制,以达到用户放心使用移动社交网络的目的。具体而言,我们在基于移动社交网络用户位置轨迹数据的挖掘方面,开展了一系列研究工作,主要包括基于位置服务中的位置推荐、社群聚类和隐私保护。在基于位置服务的位置推荐工作中,下一跳兴趣点推...
【文章页数】：107 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.1.1 移动社交网络简介
1.1.2 移动社交网络关系表达
1.1.3 位置轨迹挖掘模型
1.2 移动社交网络中位置轨迹挖掘及应用研究
1.2.1 问题的产生、描述与意义
1.2.2 研究内容与挑战
1.3 本文的工作
1.3.1 论文的主要贡献
1.3.2 论文的组织安排
第二章 相关工作
2.1 位置推荐
2.1.1 位置推荐的特性
2.1.2 位置推荐模型
2.1.3 位置推荐系统
2.2 地理位置社群聚类
2.2.1 关于社交网络社群聚类的一些定义
2.2.2 社群检测算法
2.2.3 社群聚类效果评价
2.3 位置隐私保护
2.3.1 隐私保护架构
2.3.2 隐私保护模型
2.4 小结
第三章 基于长短期记忆循环神经网络的下一跳兴趣点推荐
3.1 引言
3.2 问题建模
3.3 下一跳兴趣点推荐
3.3.1 模型架构
3.3.2 数据清洗
3.3.3 位置兴趣挖掘
3.3.4 特征抽取
3.3.5 基于LSTM的POI预测模型
3.4 性能评估
3.4.1 实验设定
3.4.2 对比基准算法
3.4.3 实验结果
3.4.4 参数敏感性分析
3.5 小结
第四章 基于自编码器的地理位置社群聚类
4.1 引言
4.2 地理位置社群聚类
4.2.1 形式化描述
4.2.2 地理位置社群聚类算法
4.2.3 数据清理
4.2.4 抽取用户兴趣表示
4.2.5 抽取位置分布表示
4.2.6 抽取用户关系表示
4.2.7 用户表示
4.2.8 神经网络自编码表示
4.2.9 地理位置社群聚类与可视化
4.3 性能评估
4.3.1 实验设定
4.3.2 对比基准算法
4.3.3 评价指标
4.3.4 实验结果
4.3.5 参数敏感性分析
4.4 小结
第五章 基于分布式缓存推送的K-匿名位置隐私保护
5.1 引言
5.2 LPPS位置隐私保护机制
5.2.1 部署缓存代理
5.2.2 组织和维护代理中的缓存内容
5.2.3 如何保证k匿名位置隐私保护
5.3 性能评估
5.3.1 实验设置
5.3.2 服务覆盖率
5.3.3 缓存命中率
5.3.4 通信开销的比较
5.4 小结
第五章 总结和展望
6.1 本文的工作及贡献
6.2 讨论与展望
6.2.1 工作局限性
6.2.2 未来工作
致谢
参考文献
简历与科研成果
本文编号：3754707
【文章页数】：107 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.1.1 移动社交网络简介
1.1.2 移动社交网络关系表达
1.1.3 位置轨迹挖掘模型
1.2 移动社交网络中位置轨迹挖掘及应用研究
1.2.1 问题的产生、描述与意义
1.2.2 研究内容与挑战
1.3 本文的工作
1.3.1 论文的主要贡献
1.3.2 论文的组织安排
第二章 相关工作
2.1 位置推荐
2.1.1 位置推荐的特性
2.1.2 位置推荐模型
2.1.3 位置推荐系统
2.2 地理位置社群聚类
2.2.1 关于社交网络社群聚类的一些定义
2.2.2 社群检测算法
2.2.3 社群聚类效果评价
2.3 位置隐私保护
2.3.1 隐私保护架构
2.3.2 隐私保护模型
2.4 小结
第三章 基于长短期记忆循环神经网络的下一跳兴趣点推荐
3.1 引言
3.2 问题建模
3.3 下一跳兴趣点推荐
3.3.1 模型架构
3.3.2 数据清洗
3.3.3 位置兴趣挖掘
3.3.4 特征抽取
3.3.5 基于LSTM的POI预测模型
3.4 性能评估
3.4.1 实验设定
3.4.2 对比基准算法
3.4.3 实验结果
3.4.4 参数敏感性分析
3.5 小结
第四章 基于自编码器的地理位置社群聚类
4.1 引言
4.2 地理位置社群聚类
4.2.1 形式化描述
4.2.2 地理位置社群聚类算法
4.2.3 数据清理
4.2.4 抽取用户兴趣表示
4.2.5 抽取位置分布表示
4.2.6 抽取用户关系表示
4.2.7 用户表示
4.2.8 神经网络自编码表示
4.2.9 地理位置社群聚类与可视化
4.3 性能评估
4.3.1 实验设定
4.3.2 对比基准算法
4.3.3 评价指标
4.3.4 实验结果
4.3.5 参数敏感性分析
4.4 小结
第五章 基于分布式缓存推送的K-匿名位置隐私保护
5.1 引言
5.2 LPPS位置隐私保护机制
5.2.1 部署缓存代理
5.2.2 组织和维护代理中的缓存内容
5.2.3 如何保证k匿名位置隐私保护
5.3 性能评估
5.3.1 实验设置
5.3.2 服务覆盖率
5.3.3 缓存命中率
5.3.4 通信开销的比较
5.4 小结
第五章 总结和展望
6.1 本文的工作及贡献
6.2 讨论与展望
6.2.1 工作局限性
6.2.2 未来工作
致谢
参考文献
简历与科研成果
本文编号：3754707
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3754707.html
