基于位置应用的用戸行为预测与服务推荐
发布时间：2021-01-15 06:18
随着基于位置的社交网络（LBSNs）的广泛应用,用户可以通过签到分享他们访问的兴趣点（POIs）。通过分析用户的历史签到记录,兴趣点推荐可以向用户推荐他们可能感兴趣的地点来帮助用户获得更好的访问体验。在LBSNs中,由于地理位置的临近对用户的签到行为有显著的影响,社交朋友之间往往有共同的兴趣,因此在位置推荐中大量使用了地理影响和好友影响。除此之外,人们也更喜欢去流行度较高的兴趣点,并且人类移动显示有一定的序列模式,但现有的大多数有关兴趣点推荐的研究没有把这些因素进行综合考虑。因此,本文旨在利用序列融合地理信息、社会信息和流行度对用户签到行为的影响来提高LBSNs中的兴趣点推荐的质量。我们提出了一种新的位置推荐方法,即GFP-LORE。在GFP-LORE中,我们首先从所有用户的签到时空序列中挖掘序列模式,并将其建模为动态的位置转移图（L2TG）,其中的时空序列包含按签到时间排序的同一用户的签到兴趣点。因为新的兴趣点不仅取决于最近访问的兴趣点,还取决于序列中较早访问的兴趣点。所以我们不是利用基于一阶马尔可夫链为用户推荐兴趣点的方法,而是使用一个高效的n阶加权马尔可夫链预测用户访问一个新兴趣...
【文章来源】：天津工业大学天津市
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２－２?—个基于位置的社交网络??
，研究历史访问记录来向用户进行位置、朋友或活动推荐。（２）主体为用户的ＧＰＳ??轨迹的ＬＢＳＮｓｗ］：比较典型的是ＧｅｏＬｉｆｅ项目，是由微软发起的，用户在ＧｅｏＬｉｆｅ??上可以上传ＧＰＳ位置信息和相对应的图片。通过挖掘用户的ＧＰＳ轨迹，预测用??户使用的交通方式以及该区域的常用路线和热门区域建议。??
图３－丨显示了Ｌ２ＴＧ的一个例子，其中顶点＆用圆圈表示，兴趣点之间的转移：??边用箭头表示，顶点中的数字和边上的数字分别是该顶点的出度ＯＣｏｕｎｔＣ／ｉ）和该??边的转移次数７Ｔ〇ｕｎｔ（＾，ｙ。特别提示，顶点出度是该顶点所代表的兴趣点在签??到序列中作为转移前驱被访问的频率。例如，匕的出度为５，因为＼曾是／２的转移??前驱３次和丨４的转移前驱２次＾即使／３曾是转移后继９次，但是它不曾是任何兴??趣点的转移前驱，因此〖３的出度为０。??按照与Ｌ２ＴＧ相关的出度和转移频率，可以确定转移概率。??定义９转移概率：如果＾的出度非零，即ＯＣｏｕｎｔ（／ｉ）＞０，?的转移概率??ＴＰ（〖ｉ?〇通过公式３－１计算??ＴＣｏｕｎｔ＾ｌｊ）??ｏｃａｕｎｍ?’?（３￣１｝??否则，即ＯＣｏｉｍｔ（〇）?＝?〇，则通过公式３－２计算??
【参考文献】：
期刊论文
[1]基于高斯分析的马尔可夫位置预测方法[J]. 乔岩磊,杜永萍,赵东玥. 计算机技术与发展. 2018(01)
[2]Partition-based Collaborative Tensor Factorization for POI Recommendation[J]. Wenjing Luan,Guanjun Liu,Changjun Jiang,Liang Qi. IEEE/CAA Journal of Automatica Sinica. 2017(03)
[3]一种基于位置社交网络融合多种情景信息的兴趣点推荐模型[J]. 陈志雄,曾诚,高榕. 计算机应用研究. 2017(10)
[4]基于位置社交网络的上下文感知的兴趣点推荐[J]. 任星怡,宋美娜,宋俊德. 计算机学报. 2017(04)
[5]LBSN中融合相似性和好友信任的地点推荐算法[J]. 丁勇,刘菁. 计算机工程与设计. 2016(08)
[6]基于位置的社会化网络的并行化推荐算法[J]. 曾雪琳,吴斌. 计算机应用. 2016(02)
[7]内容推荐中用户偏好计算方法及影响因素[J]. 张泽鑫. 科技传播. 2014(13)
[8]基于运动趋势的移动对象位置预测[J]. 李雯,夏士雄,刘峰,张磊,袁冠. 通信学报. 2014(02)
[9]协同过滤推荐研究综述[J]. 奉国和,梁晓婷. 图书情报工作. 2011(16)
[10]幂律分布研究简史[J]. 胡海波,王林. 物理. 2005(12)
硕士论文
[1]LBSN中基于并行图的协同过滤位置推荐算法研究[D]. 孟桓羽.北京交通大学 2017
[2]基于位置社交网络的用户行为建模与研究[D]. 郭昊.中国科学技术大学 2017
[3]基于位置社交网络的个性化推荐方法的研究[D]. 任若愚.吉林大学 2017
[4]融合多维签到信息的LBSN链接预测研究[D]. 江洁.北京交通大学 2017
[5]基于时空数据挖掘的位置预测与服务推荐研究[D]. 胡毅通.东南大学 2016
[6]LBSN中基于行为分析的用户位置预测[D]. 吕仁俊.东南大学 2015
[7]面向微博用户的内容与好友推荐算法研究与实现[D]. 石丽丽.北京邮电大学 2014
[8]改进的聚类算法在不同数据集中的研究及应用[D]. 高灵渲.广东工业大学 2012
本文编号：2978397
【文章来源】：天津工业大学天津市
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２－２?—个基于位置的社交网络??
，研究历史访问记录来向用户进行位置、朋友或活动推荐。（２）主体为用户的ＧＰＳ??轨迹的ＬＢＳＮｓｗ］：比较典型的是ＧｅｏＬｉｆｅ项目，是由微软发起的，用户在ＧｅｏＬｉｆｅ??上可以上传ＧＰＳ位置信息和相对应的图片。通过挖掘用户的ＧＰＳ轨迹，预测用??户使用的交通方式以及该区域的常用路线和热门区域建议。??
图３－丨显示了Ｌ２ＴＧ的一个例子，其中顶点＆用圆圈表示，兴趣点之间的转移：??边用箭头表示，顶点中的数字和边上的数字分别是该顶点的出度ＯＣｏｕｎｔＣ／ｉ）和该??边的转移次数７Ｔ〇ｕｎｔ（＾，ｙ。特别提示，顶点出度是该顶点所代表的兴趣点在签??到序列中作为转移前驱被访问的频率。例如，匕的出度为５，因为＼曾是／２的转移??前驱３次和丨４的转移前驱２次＾即使／３曾是转移后继９次，但是它不曾是任何兴??趣点的转移前驱，因此〖３的出度为０。??按照与Ｌ２ＴＧ相关的出度和转移频率，可以确定转移概率。??定义９转移概率：如果＾的出度非零，即ＯＣｏｕｎｔ（／ｉ）＞０，?的转移概率??ＴＰ（〖ｉ?〇通过公式３－１计算??ＴＣｏｕｎｔ＾ｌｊ）??ｏｃａｕｎｍ?’?（３￣１｝??否则，即ＯＣｏｉｍｔ（〇）?＝?〇，则通过公式３－２计算??
【参考文献】：
期刊论文
[1]基于高斯分析的马尔可夫位置预测方法[J]. 乔岩磊,杜永萍,赵东玥. 计算机技术与发展. 2018(01)
[2]Partition-based Collaborative Tensor Factorization for POI Recommendation[J]. Wenjing Luan,Guanjun Liu,Changjun Jiang,Liang Qi. IEEE/CAA Journal of Automatica Sinica. 2017(03)
[3]一种基于位置社交网络融合多种情景信息的兴趣点推荐模型[J]. 陈志雄,曾诚,高榕. 计算机应用研究. 2017(10)
[4]基于位置社交网络的上下文感知的兴趣点推荐[J]. 任星怡,宋美娜,宋俊德. 计算机学报. 2017(04)
[5]LBSN中融合相似性和好友信任的地点推荐算法[J]. 丁勇,刘菁. 计算机工程与设计. 2016(08)
[6]基于位置的社会化网络的并行化推荐算法[J]. 曾雪琳,吴斌. 计算机应用. 2016(02)
[7]内容推荐中用户偏好计算方法及影响因素[J]. 张泽鑫. 科技传播. 2014(13)
[8]基于运动趋势的移动对象位置预测[J]. 李雯,夏士雄,刘峰,张磊,袁冠. 通信学报. 2014(02)
[9]协同过滤推荐研究综述[J]. 奉国和,梁晓婷. 图书情报工作. 2011(16)
[10]幂律分布研究简史[J]. 胡海波,王林. 物理. 2005(12)
硕士论文
[1]LBSN中基于并行图的协同过滤位置推荐算法研究[D]. 孟桓羽.北京交通大学 2017
[2]基于位置社交网络的用户行为建模与研究[D]. 郭昊.中国科学技术大学 2017
[3]基于位置社交网络的个性化推荐方法的研究[D]. 任若愚.吉林大学 2017
[4]融合多维签到信息的LBSN链接预测研究[D]. 江洁.北京交通大学 2017
[5]基于时空数据挖掘的位置预测与服务推荐研究[D]. 胡毅通.东南大学 2016
[6]LBSN中基于行为分析的用户位置预测[D]. 吕仁俊.东南大学 2015
[7]面向微博用户的内容与好友推荐算法研究与实现[D]. 石丽丽.北京邮电大学 2014
[8]改进的聚类算法在不同数据集中的研究及应用[D]. 高灵渲.广东工业大学 2012
本文编号：2978397
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2978397.html
最近更新
教材专著
