基于位置的社交网络中地点推荐方法研究

发布时间：2017-08-12 12:12

  本文关键词：基于位置的社交网络中地点推荐方法研究

  更多相关文章： 基于位置的社交网络 协同过滤 聚类 位置推荐

【摘要】：随着基于位置的服务与社交网络的发展,两者对于我们生活的影响越来越大,将他们结合起来应用已经成为一个非常热门的互联网趋势。基于位置的社交网络为线上虚拟世界的社交网络与线下物理世界的位置信息提供了一个新平台,使两者能够充分融合,发挥各自优势。在这个新平台上收集了大量的用户信息、好友信息、位置信息后,可以基于这些数据做个性化的推荐,比如活动推荐、路径推荐等,在这其中一个重要的应用就是位置推荐。然而位置推荐算法还不多,一些问题如数据稀疏性、冷启动、签到地点离常居地远问题依然没有很好的解决方案。为了解决上述问题,对基于位置社交网络中的地点推荐进行研究,提出一个改进的推荐方法,此推荐方法考虑到了用户的兴趣偏好、朋友关系、位置语义与距离等因素。其中为解决冷启动以及签到地点离常居地远问题,此方法在基于用户的协同过滤算法的基础上融合了朋友关系因素,提出了基于用户和朋友关系的协同过滤算法。为解决数据稀疏问题,在上述的协同过滤算法的基础上,集成了聚类算法,采用了K-medoids划分法对地点根据语义与距离进行聚类,取两个算法在推荐时的优点进行互补。为了对所提出的方法进行验证,在Foursquare数据集上以准确率、召回率、mAP作为度量依据进行实验,从而证明改进的方法有效解决了常见问题,提高了推荐效果。此项研究的重点是相似度的计算。对于用户间相似度采用兴趣地点相似度、好友亲密度进行度量,找到与目标推荐用户相似的其他用户,将他们喜欢的地点推荐给目标用户,从而解决冷启动等问题。对于地点间相似度采用词频-逆文档频率、余弦相似性对地点语义相似度进行度量,采用球面距离对距离相似度进行度量,从而对地点进行聚类,解决数据稀疏问题。
【关键词】：基于位置的社交网络 协同过滤 聚类 位置推荐
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-16
• 1.1 研究背景及意义9-10
• 1.2 国内外研究现状10-13
• 1.2.1 传统的推荐10-12
• 1.2.2 基于位置服务的地点推荐12
• 1.2.3 基于位置社交网络的地点推荐12-13
• 1.3 研究内容及目标13-14
• 1.4 论文组织结构14-16
• 第2章 相关技术与理论16-27
• 2.1 基于协同过滤的推荐方法16-21
• 2.1.1 推荐步骤16-19
• 2.1.2 基于用户的协同过滤推荐19-20
• 2.1.3 基于物品的协同过滤推荐20-21
• 2.1.4 基于模型的协同过滤推荐21
• 2.2 相似性度量方法21-22
• 2.2.1 Jaccard相似系数21
• 2.2.2 余弦相似度21-22
• 2.2.3 Pearson相关系数22
• 2.2.4 欧氏距离相似度22
• 2.3 常用的聚类算法22-24
• 2.3.1 K-均值23-24
• 2.3.2 K-中心点24
• 2.4 地点推荐面临问题的现有解决方法24-26
• 2.4.1 数据稀疏性24-25
• 2.4.2 冷启动25
• 2.4.3 签到地点离常居地远25-26
• 2.5 本章小结26-27
• 第3章 基于用户和朋友关系的协同过滤算法27-35
• 3.1 算法研究思路27
• 3.2 基于用户的协同过滤算法27-30
• 3.2.1 用户间的兴趣地点相似度27-28
• 3.2.2 用户对备选地点兴趣度28-29
• 3.2.3 排序推荐29-30
• 3.3 基于朋友关系的协同过滤算法30-32
• 3.3.1 朋友关系因素30-31
• 3.3.2 用户对备选地点兴趣度31
• 3.3.3 排序推荐31-32
• 3.4 基于用户和朋友关系的协同过滤算法32-34
• 3.4.1 混合相似度32-33
• 3.4.2 用户对备选地点兴趣度33
• 3.4.3 排序推荐33-34
• 3.5 本章小结34-35
• 第4章 地点推荐算法改进35-53
• 4.1 地点的聚类35-37
• 4.2 地点的语义相似度37-41
• 4.2.1 词频-逆文档频率与余弦相似性37-39
• 4.2.2 应用TF-IDF计算地点的语义相似度39-41
• 4.3 地点的距离相似度41-42
• 4.4 改进的地点推荐算法42-51
• 4.5 集成算法解决的问题51-52
• 4.6 本章小结52-53
• 第5章 实验验证与结果分析53-71
• 5.1 实验环境53-54
• 5.2 实验数据54-56
• 5.2.1 数据来源54
• 5.2.2 数据抓取54-55
• 5.2.3 数据处理55-56
• 5.3 推荐效果评测方法56-59
• 5.3.1 准确率与召回率56-57
• 5.3.2 mAP57-58
• 5.3.3 评测指标在地点推荐中应用58-59
• 5.4 算法实验59-65
• 5.4.1 实验需要验证的算法59
• 5.4.2 参数的确定59-61
• 5.4.3 UF与基于用户协同过滤算法61-62
• 5.4.4 C与传统协同过滤算法62-64
• 5.4.5 UFC与C算法64-65
• 5.5 各算法解决问题的效果65-68
• 5.5.1 数据稀疏65-66
• 5.5.2 冷启动66-67
• 5.5.3 签到地点离常居地远近67-68
• 5.6 本章小结68-71
• 结论71-73
• 参考文献73-77
• 攻读硕士学位期间取得的研究成果77-79
• 致谢79

，

本文编号：661520