位置社交网络中基于时空关系的推荐算法研究
发布时间：2021-01-07 17:35
由于智能手机和GPS技术的普及和发展,基于位置的社交网络（Location Based Social Network,LBSN）受到越来越多的关注,例如Foursquare和Yelp。然而随着LBSN中用户和项目数量的爆炸式增长,无论是对于用户、商家还是研究人员,都面临着信息的大量冗余、筛选上存在困难的问题。对于当前来说,推荐系统是用来解决这类问题的一种极其有效的方式。它的本质是一种信息过滤系统,它通过分析用户的历史行为记录来预测用户对项目的兴趣偏好,进而向用户推荐个性化信息。传统的推荐系统大多基于协同过滤技术,它利用用户对项目的评分来生成推荐,但是由于用户评分数据的稀疏性和冷启动问题,协同过滤技术无法产生准确的推荐结果。因此很多研究人员提出了利用辅助信息来优化推荐,不同于传统的社会媒体推荐场景,在基于位置的社交网络中,存在大量具有时空属性的对象,例如用户的文本信息、用户的签到或评论时间信息、项目的现实地理位置信息等。本文以卷积矩阵分解（Convolutional Matrix Factorization,ConvMF）为基本框架,融入时间和空间关系来生成更准确的评分预测。ConvMF...
【文章来源】：山东师范大学山东省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
本文内容的组织结构图
CNN结构[17]
山东师范大学硕士学位论文19荐模型中进行推荐；最后对结果进行优化。3.2.1ConvMF简介本文使用概率矩阵分解（ConvMF）作为本文的基本推荐框架，从概率角度将CNN集成到PMF中。具体来说，ConvMF采用CNN来学习项目描述文档的上下文信息，并进一步提高了评分预测的准确性。商品的描述文档（例如评论，介绍或摘要）通常暗含重要信息，尤其是在用户项目评分矩阵特别稀疏的情况下。例如，从用户对项目的评论中，可以获得项目的隐式信息，例如质量，类型和外观信息。在2.1章节中我们详细介绍了ConvMF的相关理论，ConvMF的图形模型如图3-1所示。图3-1ConvMF模型图假设有N个用户和M个项目，观察到的评分矩阵由ijNMRr表示。设UlN和lMV表示为用户潜在特征矩阵和项目潜在特征矩阵，其中，列向量iU和jV分别表示特定用户潜在特征向量和特定项目潜在特征向量。我们将观察到的评分矩阵R的条件概率分布定义如下：22,,,ijINMTijijijpRUVΝrUV(3-1)其中2Nx|,是满足均值为，方差为2的高斯正态分布的概率密度函数。是指示函数，如果用户i对项目j有过评分行为时其值为1，反之为0。对于用户的潜在特征矩阵U,设置均值为0的高斯先验:220,NUiUipUNUI(3-2)对于项目的潜在特征V，不同于传统的概率矩阵分解，ConvMF假设它由三个变量生成：1）CNN的内部权重1W，2）项目j的文档jX和3）用于优化项目潜在特征向量的高斯噪声（用表示）。因此，本文可以得到项目的潜在特征：
【参考文献】：
期刊论文
[1]基于位置的社交网络中基于时空关系的超网络链接预测方法[J]. 胡敏,陈元会,黄宏程. 计算机应用. 2018(06)
[2]融入上下文相互关系的概率矩阵分解推荐[J]. 姚云锋,陈莲娜. 中国计量大学学报. 2016(03)
[3]地理社交网络位置推荐[J]. 景宁,王跃华,钟志农,吴烨. 国防科技大学学报. 2015(05)
[4]基于位置的社交网络研究综述[J]. 朱立超,李治军,姜守旭. 智能计算机与应用. 2014(04)
[5]基于受限信任关系和概率分解矩阵的推荐[J]. 印桂生,张亚楠,董宇欣,韩启龙. 电子学报. 2014(05)
博士论文
[1]融合多源信息的推荐算法研究[D]. 余永红.南京大学 2017
[2]社交网络中个性化推荐模型及算法研究[D]. 张志军.山东师范大学 2015
[3]基于协同过滤的推荐算法研究[D]. 刘青文.中国科学技术大学 2013
[4]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005
硕士论文
[1]基于卷积神经网络的音乐推荐系统[D]. 何蓉.南京邮电大学 2019
[2]社会网络中基于特征学习的推荐算法研究[D]. 温宇菲.山东师范大学 2019
[3]基于Schatten p范数的协同过滤推荐算法研究[D]. 陈梦洁.华侨大学 2018
[4]融合文档上下文感知的社会化推荐研究[D]. 何李杰.重庆邮电大学 2018
[5]推荐系统中的用户动态兴趣模型研究[D]. 黄敦贤.华南理工大学 2018
[6]协同过滤推荐系统中的数据稀疏性及冷启动问题研究[D]. 李晓菊.华东师范大学 2018
[7]基于位置的社交网络兴趣点推荐策略研究[D]. 陈志朋.浙江工商大学 2018
[8]基于深度学习的智能化资源推荐方法研究[D]. 叶慧娟.福州大学 2018
[9]基于用户相似度和社交信任关系的推荐算法研究[D]. 王佳同.东北师范大学 2017
[10]融合社交因素和评论文本卷积网络模型的汽车推荐研究及应用[D]. 陈以刚.重庆大学 2017
本文编号：2962957
【文章来源】：山东师范大学山东省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
本文内容的组织结构图
CNN结构[17]
山东师范大学硕士学位论文19荐模型中进行推荐；最后对结果进行优化。3.2.1ConvMF简介本文使用概率矩阵分解（ConvMF）作为本文的基本推荐框架，从概率角度将CNN集成到PMF中。具体来说，ConvMF采用CNN来学习项目描述文档的上下文信息，并进一步提高了评分预测的准确性。商品的描述文档（例如评论，介绍或摘要）通常暗含重要信息，尤其是在用户项目评分矩阵特别稀疏的情况下。例如，从用户对项目的评论中，可以获得项目的隐式信息，例如质量，类型和外观信息。在2.1章节中我们详细介绍了ConvMF的相关理论，ConvMF的图形模型如图3-1所示。图3-1ConvMF模型图假设有N个用户和M个项目，观察到的评分矩阵由ijNMRr表示。设UlN和lMV表示为用户潜在特征矩阵和项目潜在特征矩阵，其中，列向量iU和jV分别表示特定用户潜在特征向量和特定项目潜在特征向量。我们将观察到的评分矩阵R的条件概率分布定义如下：22,,,ijINMTijijijpRUVΝrUV(3-1)其中2Nx|,是满足均值为，方差为2的高斯正态分布的概率密度函数。是指示函数，如果用户i对项目j有过评分行为时其值为1，反之为0。对于用户的潜在特征矩阵U,设置均值为0的高斯先验:220,NUiUipUNUI(3-2)对于项目的潜在特征V，不同于传统的概率矩阵分解，ConvMF假设它由三个变量生成：1）CNN的内部权重1W，2）项目j的文档jX和3）用于优化项目潜在特征向量的高斯噪声（用表示）。因此，本文可以得到项目的潜在特征：
【参考文献】：
期刊论文
[1]基于位置的社交网络中基于时空关系的超网络链接预测方法[J]. 胡敏,陈元会,黄宏程. 计算机应用. 2018(06)
[2]融入上下文相互关系的概率矩阵分解推荐[J]. 姚云锋,陈莲娜. 中国计量大学学报. 2016(03)
[3]地理社交网络位置推荐[J]. 景宁,王跃华,钟志农,吴烨. 国防科技大学学报. 2015(05)
[4]基于位置的社交网络研究综述[J]. 朱立超,李治军,姜守旭. 智能计算机与应用. 2014(04)
[5]基于受限信任关系和概率分解矩阵的推荐[J]. 印桂生,张亚楠,董宇欣,韩启龙. 电子学报. 2014(05)
博士论文
[1]融合多源信息的推荐算法研究[D]. 余永红.南京大学 2017
[2]社交网络中个性化推荐模型及算法研究[D]. 张志军.山东师范大学 2015
[3]基于协同过滤的推荐算法研究[D]. 刘青文.中国科学技术大学 2013
[4]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005
硕士论文
[1]基于卷积神经网络的音乐推荐系统[D]. 何蓉.南京邮电大学 2019
[2]社会网络中基于特征学习的推荐算法研究[D]. 温宇菲.山东师范大学 2019
[3]基于Schatten p范数的协同过滤推荐算法研究[D]. 陈梦洁.华侨大学 2018
[4]融合文档上下文感知的社会化推荐研究[D]. 何李杰.重庆邮电大学 2018
[5]推荐系统中的用户动态兴趣模型研究[D]. 黄敦贤.华南理工大学 2018
[6]协同过滤推荐系统中的数据稀疏性及冷启动问题研究[D]. 李晓菊.华东师范大学 2018
[7]基于位置的社交网络兴趣点推荐策略研究[D]. 陈志朋.浙江工商大学 2018
[8]基于深度学习的智能化资源推荐方法研究[D]. 叶慧娟.福州大学 2018
[9]基于用户相似度和社交信任关系的推荐算法研究[D]. 王佳同.东北师范大学 2017
[10]融合社交因素和评论文本卷积网络模型的汽车推荐研究及应用[D]. 陈以刚.重庆大学 2017
本文编号：2962957
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2962957.html
最近更新
教材专著
