基于图模型的时空社会关系网络建模及推荐技术研究

发布时间：2024-03-22 22:02

　　随着移动互联网和定位技术的快速发展,用户通过移动设备可以很轻松的获取到自己的位置信息,这也催生了许多基于位置的社交网络(LBSN)平台,用户通过平台上签到就可以分享他们日常生活中访问过的兴趣点,平台也推出了推荐服务提高用户的生活体验,特别是兴趣点推荐极大的方便了用户对周边兴趣点的探索。一个优秀的推荐服务可以在任何时候通过建模分析用户的历史行为,就能给用户推荐出此时此刻他最可能感兴趣的新兴趣点。本文为了融合LBSN推荐服务中影响兴趣点推荐的三大主要因素:用户社会好友关系、兴趣点地理空间位置、时间信息去提高兴趣点推荐的效果,我们提出了一种基于图模型的兴趣点推荐算法,并且这种兴趣点推荐是时间感知的推荐。为了降低推荐算法的整体复杂度,我们首先利用聚类算法在用户图上进行了用户聚类,其中聚类算法中确定初始聚类中心是利用了寻找图的最稀疏子图算法,然后通过聚类中心的迭代更新、合并聚类,得到最终的用户聚类结果。之后在聚类结果的每个群组中分别建立包含有六个二分图(用户-用户、用户-兴趣点、用户-时间、兴趣点-兴趣点、兴趣点-用户、兴趣点-时间)的大型异构网络图,这个异构网络图是在融合了以上三种影响兴趣点推...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 研究主要内容
    1.4 论文的结构安排
第二章 推荐系统的相关内容介绍
    2.1 推荐系统介绍
    2.2 传统推荐算法概述
        2.2.1 基于邻域的推荐算法
        2.2.2 基于内容的推荐算法
        2.2.3 基于关联规则的推荐算法
        2.2.4 基于图模型的推荐算法
    2.3 基于位置的社交网络概述
        2.3.1 LBSN的结构层次
        2.3.2 基于位置的社交网络推荐
        2.3.3 基于社交网络个性化推荐中存在的问题
    2.4 推荐系统的性能评估
        2.4.1 用户调查
        2.4.2 离线实验
        2.4.3 在线实验
    2.5 本章总结
第三章 基于用户图的用户聚类
    3.1 前言
    3.2 用户聚类
        3.2.1 聚类介绍
        3.2.2 用户图
        3.2.3 寻找图的最稀疏子图
        3.2.4 用户聚类
    3.3 聚类算法复杂度分析
    3.4 本章总结
第四章 图模型推荐算法
    4.1 前言
    4.2 加权二分图
    4.3 顶点嵌入向量的训练学习
        4.3.1 LINE模型算法
        4.3.2 模型算法的优化
    4.4 在异构图上的联合训练学习
    4.5 兴趣点推荐
    4.6 本章总结
第五章 实验仿真与结果分析
    5.1 实验数据集及数据预处理
        5.1.1 数据集介绍
        5.1.2 数据预处理
    5.2 实验对比和评估
        5.2.1 实验对比方法
        5.2.2 实验评估指标
    5.3 仿真实验
        5.3.1 实验环境和设置
        5.3.2 实验结果对比
    5.4 推荐算法的性能讨论
    5.5 本章总结
第六章 总结与展望
    6.1 本文研究总结
    6.2 对研究工作的展望
参考文献
发表论文和参加科研情况说明
致谢



本文编号：3935013