基于兴趣点重要度和相似得分的推荐算法研究

发布时间：2021-04-13 06:45

　　基于位置的社交网络（Location-based Social Networks,LBSN）为用户提供了许多重要的位置感知服务。兴趣点（Points of Interest,POI）推荐是其中最重要的服务之一。兴趣点推荐通过挖掘用户的签到行为,向用户推荐新的吸引人的地方。因其巨大的商业价值和应用前景,受到了学术界和工业界的广泛关注。现有的推荐算法大都是结合地理、时间、社交、内容这四个主要影响因素中的一个或多个来改善推荐效果,对兴趣点本身的考量程度不高。本文从兴趣点的角度出发,充分利用LBSN中的签到行为,挖掘兴趣点在整个社交网络中的重要程度和各兴趣点之间的相似特性,提高推荐质量。首先,根据地理聚集现象,分析真实签到数据集——Foursquare里用户的活动特性,过滤脏数据;依据用户活动范围和兴趣点影响传播范围有限的事实,构造用户活动范围向量和兴趣点影响范围向量。针对传统推荐算法建模兴趣点影响力时,将所有兴趣点的影响力同等看待的问题,提出基于兴趣点重要度的推荐算法,该算法定义了重要度的计算方式,在预测评分阶段考虑候选兴趣点的重要度,从而提高推荐质量。其次,利用用户的签到行为来挖掘兴趣点之... 

【文章来源】：燕山大学河北省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

Foursquare社交平台截图

数据增长达到三百万以上。数据资料显示，Foursquare 在 2013 年年初就收集了约 3亿条签到记录，截至 2016 年 6 月份，签到记录已经超过 80 亿次[3]，并且这个数字还在不断增长。图 1-1 和图 1-2 是两个典型的基于位置社交网络的推荐截图。图 1-1 Foursquare 社交平台截图

(t 1) (t)( ( ))i i ix U x J x(3-11)式(3-11)中， U ( x )是一个映射函数，因为预先假定用户的活动范围向量非负，所以如果出现负数情况，就将其值映射为 0。3.4 兴趣点重要度的定义及计算3.3 节在考虑兴趣点影响范围传播时，采用核密度估计来建模兴趣点的影响范围向量，将所有的兴趣点的影响力传播同等看待，但是并未考虑到各个兴趣点本身的重要程度是不同的，比如某城市的万达广场的访问重要度高于其周边的私人小超市。本节将利用网页链接分析算法——HITS 重新考虑 LBSN 中兴趣点本身的重要程度。如果不考虑用户之间的社交关系，将 LBSN 中的用户集和兴趣点集合并为新的点集合1 2 1 2{ }N MS u ,u ,...,u ,l ,l ,...,l ，签到关系构成指向边，那么图 2-2 中用户与兴趣点的签到关系图变更为下图 3-3 所示：

【参考文献】：
期刊论文
[1]基于用户签到行为的兴趣点推荐[J]. 任星怡,宋美娜,宋俊德.  计算机学报. 2017(01)
[2]基于Ranking的泊松矩阵分解兴趣点推荐算法[J]. 余永红,高阳,王皓.  计算机研究与发展. 2016(08)
[3]融合时间特征和协同过滤的兴趣点推荐算法[J]. 宋亚伟,司亚利,刘文远,张洪礼.  小型微型计算机系统. 2016(06)
[4]LBSN中基于元路径的兴趣点推荐[J]. 曹玖新,董羿,杨鹏伟,周涛,刘波.  计算机学报. 2016(04)
[5]基于项目评分预测的协同过滤推荐算法[J]. 邓爱林,朱扬勇,施伯乐.  软件学报. 2003(09)

博士论文
[1]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

硕士论文
[1]基于地理位置和社交关系的兴趣点推荐算法研究[D]. 陈艳.中国科学技术大学 2018
[2]基于深度神经网络的个性化兴趣点推荐方法研究[D]. 丁瑞峰.武汉大学 2018
[3]协同过滤推荐算法及其改进研究[D]. 王均波.重庆大学 2010



本文编号：3134825