基于社交和地理信息的兴趣点推荐算法研究
发布时间：2021-07-11 16:39
近年来,随着智能设备、社交网络和位置获取技术的快速发展,基于位置的社交网络（LBSNs）应运而生,如Foursquare、Gowall和微信等。基于位置的社交网络服务成已经为人们出行的必备工具。这些基于位置的社交网络服务将用户线上和线下的活动结合在一起,用户访问现实生活中的兴趣点,在线上进行签到活动并与社交朋友进行线上交流、分享自己的地理位置和签到经验等。兴趣点推荐系统旨在为用户推荐其感兴趣的地点以提供更好的用户体验,并为商家增加商业利润。正因为兴趣点推荐系统对用户和商家存在这些巨大的价值,兴趣点推荐系统的研究受到了学术界和工业界的广泛关注。融合多种影响因素来提升兴趣点推荐系统的用户体验是一种技术实现途径,但也存在着一些挑战。由于兴趣点推荐系统受地理因素、时间因素和社交因素等上下文信息的影响,导致兴趣点推荐系统中的用户签到数据十分稀疏,不易于准确的兴趣点推荐。本文在现有研究工作基础上,针对现有的兴趣点推荐模型存在的不足,对基于社交和地理信息的兴趣点推荐技术开展研究,通过利用用户的历史签到数据、社交关系和地理信息,挖掘用户偏好,从而实现对用户兴趣点的准确推荐。最后,通过在现有公开的数据集...
【文章来源】：长沙理工大学湖南省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２．１基于位置社交网络??２．１．２兴趣点推荐系统相关概念??
＃．＾ｒ?Ｃｈｉｎａｌｏｗｏ?一??ＶｃＨｉ＇ｒｓ?ａ？?Ｊｕ＊ｃ？?ＧｉＭｗａｌｉｏｎ??＾＆?Ｖｉｃｉｏｕｓ??ｕｓｅｒ?）???Ｃｉｔｙ?Ｗｍ＾ｔｙ?ｍ?ｉｍｍＳｍｇｌ???ＶＭｍ＾?＾?ｒ－：＞?ｉａ？??ｔｉｍｅ?ｓｔａｍｐ?Ｃｒａｖｅ?Ｅｓｐｒｅｓｓｏ?Ｂａｒ?；ｓ?ｒ＾ｗ?ｍ?ｉｈｍ??‘?Ｊ?邮９ｈｌＫ＾ｔ＞ｏＣ５ｄ??’ｖ、ｄ?在?＾?ｉ?ｔ??：Ｗｏｄｄｗ＾ｌ＃??■＇?Ｑａｖｉｄ?Ｂｌａｃｋｍａｎ??ｔＨ?．ｌ＇＾＾‘－．Ｔ—??霸??图２．２?Ｆｏｕｒｓｑｕａｒｅ中签到信息??定义ｉ?（兴趣点）：兴趣点／是现实世界中地理坐标上的一个位置点。用纬度（／故）??和经度（／ｏｎ）表示，ｇｐ／?＝?（／ｆｌ／，／ｏ？／。Ｌ表示ＬＢＳＮｓ中所有的兴趣点集合，其中／ｅＬ。??定义２?（签到）：ＬＢＳＮｓ中的用户ｗ在时间／访问了兴趣点／用三元组＜？，／，／＞表示。??由于兴趣点签到的地理位置和实际签到的地理位置不完全相同，一般认为以兴趣点为中??心的一定范围内的位置都属于该兴趣点。??定义３?（签到集合）：签到集合是用户《的签到序列，记作及＝，??其中（．是签到时间戳，《表示用户签到兴趣点的个数。为方便记录，用＆?＝Ｍ，Ｋ，／？｝表??不。??定义４?（７ｂｐ－Ｗ推荐）：Ｊｂｐ－ＴＶ推荐是为ＬＢＳＮｓ中的用户推荐按预测得分从??高到低排序的前＃个兴趣点的项目集合。??定义５?（兴趣点推荐）：给定ＬＢＳＮｓ中的所有兴趣点集合１，兴趣点推荐旨在向每??个用户ｗ推荐兴趣点列表Ａｖ。??１０??
??第二章相关技术???Ｃ（ｉ，?ｊ）?＝?／（Ａ?（ｉ，?ｊ），?ｃ２?（ｉ，?ｊ），?－，ＣＴ?（ｉ，?ｊ））?（２－９）??其中／（？）表示聚合函数，可以是求和、求平均和求最大值等［３５］。??ｆ?．?＿漏Ｕ：誕，??ｒ??丨—飄／：?：，??￣￣ＰＯＩ?Ｋ?Ｌ?ＰＯｉ??图２．３?ＧｅｏＭＦ模型??在文献［３６］中，Ｌｉａｎ等人提出的ＧｅｏＭＦ模型中将地理影响纳入到加权正则化矩阵??分解模型（Ｗｅｉｇｈｔｅｄ?Ｒｅｇｕｌａｒｉｚｅｄ?Ｍａｔｒｉｘ?Ｆａｃｔｏｒｉｚａｔｉｏｎ，ＷＲＭＦ）?［３８］中。ＷＲＭＦ?是协同过滤??中一个较流行的一类模型，用来学习隐式反溃ＧｅｏＭＦ将用户签到看作隐式反馈，并??用０／１签到矩阵表示用户的签到行为。另外，ＧｅｏＭＦ采用增强矩阵来补全签到矩阵，??如图２．３所示。签到矩阵中的每一项都是用户特征和兴趣点特征、用户活动区域和兴趣??点影响区域的两种交互组合。假设有ｗ个用户和《个兴趣点，用户和兴趣点的潜在特征??维度表示为ｄ，用户的活动区域和兴趣点的影响区域维度表示为Ｚ，则计算的签到矩阵??如公式（２．１０）所示：??Ｒ?＝?ＰＱｔ?＋?ＸＹｔ?（２－１０）??其中７？?ｅ?表示计算得到的签到矩阵，尸ｅ?７？一和ｇ?分别表示用户和兴??趣点的潜在特征矩阵，Ｚ?ｅ和ＦｓｉＴｘ／分别表示用户活动区域和兴趣点影响区域的??矩阵。将ｆＦ定义为二值加权矩阵，其中每一项的表示如公式（２．１１）所示：??ｆ〇ｌ?ｉｆ?ｃｗ?＞?０??ＣＯ?．＝?＜??［１?ｏｔｈｅｒｗｉｓｅ?（２．１１）??其中ｃ？，表示用户ｗ在兴趣点／，．的签到频率，《（ｃｕ，〇是关于心的单调
【参考文献】：
期刊论文
[1]基于潜在主题的混合上下文推荐算法[J]. 李平,张路遥,曹霞,胡检华. 电子与信息学报. 2018(04)
[2]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)
[3]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)
本文编号：3278459
【文章来源】：长沙理工大学湖南省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２．１基于位置社交网络??２．１．２兴趣点推荐系统相关概念??
＃．＾ｒ?Ｃｈｉｎａｌｏｗｏ?一??ＶｃＨｉ＇ｒｓ?ａ？?Ｊｕ＊ｃ？?ＧｉＭｗａｌｉｏｎ??＾＆?Ｖｉｃｉｏｕｓ??ｕｓｅｒ?）???Ｃｉｔｙ?Ｗｍ＾ｔｙ?ｍ?ｉｍｍＳｍｇｌ???ＶＭｍ＾?＾?ｒ－：＞?ｉａ？??ｔｉｍｅ?ｓｔａｍｐ?Ｃｒａｖｅ?Ｅｓｐｒｅｓｓｏ?Ｂａｒ?；ｓ?ｒ＾ｗ?ｍ?ｉｈｍ??‘?Ｊ?邮９ｈｌＫ＾ｔ＞ｏＣ５ｄ??’ｖ、ｄ?在?＾?ｉ?ｔ??：Ｗｏｄｄｗ＾ｌ＃??■＇?Ｑａｖｉｄ?Ｂｌａｃｋｍａｎ??ｔＨ?．ｌ＇＾＾‘－．Ｔ—??霸??图２．２?Ｆｏｕｒｓｑｕａｒｅ中签到信息??定义ｉ?（兴趣点）：兴趣点／是现实世界中地理坐标上的一个位置点。用纬度（／故）??和经度（／ｏｎ）表示，ｇｐ／?＝?（／ｆｌ／，／ｏ？／。Ｌ表示ＬＢＳＮｓ中所有的兴趣点集合，其中／ｅＬ。??定义２?（签到）：ＬＢＳＮｓ中的用户ｗ在时间／访问了兴趣点／用三元组＜？，／，／＞表示。??由于兴趣点签到的地理位置和实际签到的地理位置不完全相同，一般认为以兴趣点为中??心的一定范围内的位置都属于该兴趣点。??定义３?（签到集合）：签到集合是用户《的签到序列，记作及＝，??其中（．是签到时间戳，《表示用户签到兴趣点的个数。为方便记录，用＆?＝Ｍ，Ｋ，／？｝表??不。??定义４?（７ｂｐ－Ｗ推荐）：Ｊｂｐ－ＴＶ推荐是为ＬＢＳＮｓ中的用户推荐按预测得分从??高到低排序的前＃个兴趣点的项目集合。??定义５?（兴趣点推荐）：给定ＬＢＳＮｓ中的所有兴趣点集合１，兴趣点推荐旨在向每??个用户ｗ推荐兴趣点列表Ａｖ。??１０??
??第二章相关技术???Ｃ（ｉ，?ｊ）?＝?／（Ａ?（ｉ，?ｊ），?ｃ２?（ｉ，?ｊ），?－，ＣＴ?（ｉ，?ｊ））?（２－９）??其中／（？）表示聚合函数，可以是求和、求平均和求最大值等［３５］。??ｆ?．?＿漏Ｕ：誕，??ｒ??丨—飄／：?：，??￣￣ＰＯＩ?Ｋ?Ｌ?ＰＯｉ??图２．３?ＧｅｏＭＦ模型??在文献［３６］中，Ｌｉａｎ等人提出的ＧｅｏＭＦ模型中将地理影响纳入到加权正则化矩阵??分解模型（Ｗｅｉｇｈｔｅｄ?Ｒｅｇｕｌａｒｉｚｅｄ?Ｍａｔｒｉｘ?Ｆａｃｔｏｒｉｚａｔｉｏｎ，ＷＲＭＦ）?［３８］中。ＷＲＭＦ?是协同过滤??中一个较流行的一类模型，用来学习隐式反溃ＧｅｏＭＦ将用户签到看作隐式反馈，并??用０／１签到矩阵表示用户的签到行为。另外，ＧｅｏＭＦ采用增强矩阵来补全签到矩阵，??如图２．３所示。签到矩阵中的每一项都是用户特征和兴趣点特征、用户活动区域和兴趣??点影响区域的两种交互组合。假设有ｗ个用户和《个兴趣点，用户和兴趣点的潜在特征??维度表示为ｄ，用户的活动区域和兴趣点的影响区域维度表示为Ｚ，则计算的签到矩阵??如公式（２．１０）所示：??Ｒ?＝?ＰＱｔ?＋?ＸＹｔ?（２－１０）??其中７？?ｅ?表示计算得到的签到矩阵，尸ｅ?７？一和ｇ?分别表示用户和兴??趣点的潜在特征矩阵，Ｚ?ｅ和ＦｓｉＴｘ／分别表示用户活动区域和兴趣点影响区域的??矩阵。将ｆＦ定义为二值加权矩阵，其中每一项的表示如公式（２．１１）所示：??ｆ〇ｌ?ｉｆ?ｃｗ?＞?０??ＣＯ?．＝?＜??［１?ｏｔｈｅｒｗｉｓｅ?（２．１１）??其中ｃ？，表示用户ｗ在兴趣点／，．的签到频率，《（ｃｕ，〇是关于心的单调
【参考文献】：
期刊论文
[1]基于潜在主题的混合上下文推荐算法[J]. 李平,张路遥,曹霞,胡检华. 电子与信息学报. 2018(04)
[2]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)
[3]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)
本文编号：3278459
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3278459.html
最近更新
教材专著
