基于张量和矩阵联合分解的兴趣点推荐算法研究

发布时间：2021-03-12 09:04

　　基于地理位置的社交网络随着互联网技术的发展而逐渐被人们所接受,其提供了发布即时消息、与他人分享定位等功能,形成了更加具有现场感的线上社交圈。庞大的用户量和互动信息为海量数据的提取和挖掘奠定了基础,因此吸引了不少学者的关注。但这不仅是给业界学者的研究提供了一个良好契机,同时更是带来了大数据时代背景下的一个具有现实意义的挑战。其中,兴趣点推荐算法以其应用的广泛性和使用的便捷性,在基于地理位置的社交网络的相关研究中保持着一定的热度,它旨在通过用户的历史签到记录,预测用户未来可能访问的兴趣点。本文根据现有兴趣点推荐工作中存在的用户偏好观察角度比较单一、人群对用户行为而言在时间统计上的影响被忽略等局限性,提出一种基于张量和矩阵联合分解的兴趣点推荐算法。在所提出的算法中,我们首先以兴趣点类别模拟用户的认知过程,然后在基础张量分解模型上加入长期偏好矩阵和群体影响矩阵,预测用户可能喜欢的兴趣点类别,最后利用加权核密度估计函数进行过滤得到具体的兴趣点推荐结果。在真实数据集上的实验结果表明:与主流的兴趣点推荐算法MF-URT,CTF-ARA和TAD-FPMC-HitsGroupDist相比,在New Yo... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 基于内容的兴趣点推荐算法
        1.2.2 基于社交关系的兴趣点推荐算法
        1.2.3 基于时间的兴趣点推荐算法
        1.2.4 基于地理位置的兴趣点推荐算法
    1.3 组织结构
    1.4 本章小结
第二章 相关理论和经典算法介绍
    2.1 LBSN相关名词解释
    2.2 张量基础知识引入
        2.2.1 张量的表示与应用
        2.2.2 张量计算的相关知识
        2.2.3 张量的分解方法
    2.3 经典兴趣点推荐算法介绍
        2.3.1 协同过滤技术
        2.3.2 概率估计模型
        2.3.3 神经网络方法
    2.4 本章小结
第三章 基于张量和矩阵联合分解的兴趣点推荐算法
    3.1 数据分析
        3.1.1 数据预处理
        3.1.2 兴趣点类别分析
        3.1.3 长期偏好分析
        3.1.4 时间段分析
    3.2 基于长期偏好矩阵和群体影响矩阵的兴趣点类别预测
        3.2.1 基于CP分解的兴趣点类别预测模型
        3.2.2 联合CP分解和长期偏好矩阵分解的兴趣点类别预测模型
        3.2.3 联合CP分解和群体影响矩阵分解的兴趣点类别预测模型
        3.2.4 联合张量和矩阵分解的混合兴趣点类别预测模型
    3.3 基于核密度估计的兴趣点推荐
        3.3.1 基本核密度估计方法
        3.3.2 加权核密度估计方法
    3.4 本章小结
第四章 实验设计及结果分析
    4.1 数据集与评价标准
        4.1.1 数据集介绍
        4.1.2 算法评价标准
    4.2 实验环境与参数设置
        4.2.1 实验环境
        4.2.2 算法参数设置
    4.3 实验结果对比与分析
        4.3.1 比较的算法
        4.3.2 实验性能分析
    4.4 本章小结
结论
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件


【参考文献】：
期刊论文
[1]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)



本文编号：3078055