LBSN中融合多源信息的兴趣点推荐算法研究

发布时间：2021-03-24 02:54

　　随着嵌入无线通信和位置传感器的移动设备的迅速发展,基于位置的社交网络（Location Based Social Network,LBSN）越来越火热,兴趣点（Point Of Interests,POI）推荐应运而生,帮助用户在其活动区域内寻找用户喜欢的兴趣点。但随着信息量的不断扩大甚至产生信息过载,用户对系统的各项推荐性能要求越来越高,如何为用户提供更高效的兴趣点推荐成为了目前研究的热点。以下为本文的主要工作和创新点:1.兴趣点推荐是推荐系统的关键研究之一,传统的算法只利用用户签到信息进行推荐,且对于签到信息只单纯地考虑签到和没签到,而忽略了用户签到的次数、用户签到的时间因素以及用户之间信任关系。为提高兴趣点推荐的准确性,提出一种融合邻居选择策略和信任关系的兴趣点推荐算法（UGT）。对于签到信息处理,采用签到次数来代替传统的0/1签到,并对签到信息添加时间权重;对于用户信息,提出一种邻居选择策略来捕获用户偏好,只选择目标用户的直接朋友或间接朋友作为邻居集;对于用户之间的信任关系,首先分析用户的属性,然后给出社会地位的计算方法,重构信任度的计算方法;最后将多种因素进行线性组合后得到推... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
注释表
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 存在的问题
    1.4 本文主要工作
    1.5 本文组织结构
第2章 相关理论知识介绍
    2.1 传统推荐系统概述
    2.2 LBSN中的推荐技术
        2.2.1 协同过滤推荐
        2.2.2 基于内容的推荐
        2.2.3 混合推荐
    2.3 推荐算法评价指标
        2.3.1 预测准确性指标
        2.3.2 分类准确性指标
    2.4 个性化兴趣点推荐
    2.5 本章小结
第3章 融合邻居选择策略和信任关系的兴趣点推荐
    3.1 引言
    3.2 相关工作
    3.3 问题描述
    3.4 算法描述
        3.4.1 签到矩阵处理
        3.4.2 用户相似性影响
        3.4.3 地理影响
        3.4.4 信任关系影响
    3.5 混合推荐系统
        3.5.1 混合框架
        3.5.2 规范统一模型
    3.6 实验设计及结果分析
        3.6.1 实验数据集
        3.6.2 评价指标
        3.6.3 实验参数的推导
        3.6.4 实验结果分析
    3.7 本章小结
第4章 基于k-d树的协同过滤推荐算法
    4.1 引言
    4.2 相关工作
        4.2.1 k-d树简介
        4.2.2 空间自相关
    4.3 协同过滤推荐系统
    4.4 问题的描述
    4.5 算法设计
        4.5.1 签到矩阵处理
        4.5.2 基于k-d树的分区算法
        4.5.3 基于k-d树的分区算法的时间复杂度分析
        4.5.4 分区后的协同过滤推荐算法
    4.6 实验设计与结果分析
        4.6.1 实验数据集
        4.6.2 评价指标和比对算法
        4.6.3 实验结果分析
    4.7 本章小结
第5章 总结与展望
    5.1 论文总结
    5.2 工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3096917