位置社交网络中基于类别预测的位置推荐算法研究

发布时间：2021-02-02 02:40

　　随着互联网和定位技术的发展,在传统社交网络的基础上,涌现出了许多位置社交网络。位置社交网络中存在大量的用户数据和位置信息,产生了众多基于位置的服务,位置推荐就是其中的典型代表。位置社交网络上将这种带有服务属性的位置称为兴趣点。兴趣点推荐可以帮助用户发现感兴趣的地点,提高用户生活质量。访问兴趣点的行为受到用户当前状态影响,同时与最近一段时间内访问的兴趣点相关。这种注重用户当前状态,推荐结果有较强时间约束,并且希望推荐的兴趣点在接下来的一段时间被访问的推荐问题称为下一个兴趣点推荐。下一个兴趣点推荐问题中,类别因素对推荐结果影响较大。现有的方法没有对类别进行预测。考虑类别时忽略了时间与类别的关系,缺少非个性化的影响,并且多种环境因素没有很好地利用。因此本文将下一个兴趣点推荐问题分为两部分,先预测类别,再推荐具体兴趣点,提出了一种基于类别预测的下一个兴趣点推荐算法。本文通过用户历史签到数据,采用张量分解和贝叶斯个性化排序,设计了个性化和非个性化结合的类别预测算法。在类别预测的基础上,结合多种环境因素,设计了两种下一个兴趣点推荐算法。第一种主要考虑地理因素和兴趣点流行度对兴趣点推荐的影响。第二种... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

签到数据实例

哈尔滨工业大学工学硕士学位论文28=∑exp(′,′,)=1（3-10）′,′,=1exp(′,′,)（3-11）下一个兴趣点类别预测算法受到个性化和非个性化两部分影响，我们采用线性加权的方式，通过公式（3-12）融合个性化和非个性化的类别访问概率，为权重，为非个性化类别预测值，表示个性化类别预测值，为最终的类别预测值。=+(1)（3-12）3.6实验结果与分析在真实的数据上，我们将本章提出的类别预测算法与现有主要的研究方法进行效果对比。在召回率和准确率两种评价指标下，进行效果验证。3.6.1实验数据与运行环境（1）数据描述本文的实验数据来源于真实的位置社交网络FourSquare。FourSquare是国外常用的位置社交网络，它为用户提供了一个分享自己实时位置，活动状态和个人喜好的平台，根据这些数据为用户提供基于位置的服务。用户在FourSquare上的签到数据主要包括：签到用户ID（UserID），签到兴趣点名称（POI），签到时间（Check-intime），签到兴趣点的经度（Longitude），签到兴趣点的纬度（Latitude），签到兴趣点的类别（Category）。如图3-7所示，就是用户的一系列签到数据。图3-7用户实际签到数据与传统的社交网络类似，FourSquare上同样存在着社交好友关系。如图3-8所示，它记录了用户在位置社交网络的建立的好友，包括用户ID（UserID）和好友ID（FriendID）两个属性。

哈尔滨工业大学工学硕士学位论文29图3-8社交好友关系实例FourSquare上存在着众多城市和国家的签到数据，现有的研究方法中，绝大多数都是在城市级别的数据集下进行效果验证，部分方法在整个数据集上进行实验。在整个数据集上进行实验，虽然数据更为丰富，但是存在较多的冗余数据。例如，在对用户进行兴趣点推荐时，直观上来看，用户当前所在城市外的兴趣点不应被考虑。这导致兴趣点虽然看起来丰富，但是绝大多数的兴趣点都可以通过简单的筛选方法去除。为了更好的验证算法效果，同时符合实际的应用场景，本文在城市级别的数据集上进行实验验证。我们选择用户签到记录较多的两个城市NewYork和SanFrancisco进行算法效果的验证。NewYork城市的数据由本文收集，SanFrancisco城市的数据来源于开源数据集[45]。表3-1显示了两个城市上，数据集的描述。其中一级类别包含8个，二级类别包含354个。图3-9表示NewYork城市下，兴趣点签到分布的热力图。根据分布可以看出，用户的签到分布较为平均，数据具有代表性。表3-1数据集描述首先我们对签到数据进行预处理。将数据按用户进行分割，每个用户的签到数据根据签到时间的早晚进行排序。前80%作为训练数据，用来训练模型和算法。后20%作为测试数据，验证算法的效果。数据集签到数量用户个数兴趣点个数平均签到数量时间跨度NewYork12634234153928436.92017.02至2018.11SanFrancisco10438225134392741.532010.01至2011.07


本文编号：3013894