基于多种因素的POI推荐模型研究

发布时间：2022-01-10 08:27

　　移动技术及LBSN的迅猛发展使人们容易获取到多种类型的信息资源。用户乐于在LBSN中分享个人体验并希望获得精准的个性化服务,因此POI推荐应运而生。本文针对基于多种因素影响的POI推荐及连续POI推荐问题进行研究,主要研究工作及贡献如下:第一,提出了基于时间与社交关系的POI推荐模型TPR-TF。传统的POI推荐通常人为地对时间段进行均匀划分,社交关系上也只考虑邻接朋友的影响,无法满足用户的个性化需要。本文设计了一种层次聚类的时间动态分段策略能够满足用户对时间的敏感性要求,使推荐结果可以随时间动态变化。同时将直接朋友与潜在朋友的共同影响加入POI推荐模型中,进一步扩大了社交关系影响范围。此外为改善模型性能,设计一种利用POI访问频次分布随机选择POI的方法改进了经典的BPR方法。实验结果表明,在真实的Gowalla和Brightkite数据集上,TPR-TF模型相比众多主流POI推荐模型具有更高的精确率和召回率。第二,提出了基于文本语义与图像特征的POI推荐模型TSIFP。以往POI推荐常忽略能够带来丰富隐性特征的多媒体信息,比如文本、图像。TSIFP模型利用深度学习技术,分别从文本、... 

【文章来源】：黑龙江大学黑龙江省

【文章页数】：148 页

【学位级别】：博士

【部分图文】：

基于位置的社会网Fig.1-1Location-basedsocialnetworks

图 1-2 不同用户对不同 POI 的评分矩阵Fig.1-2 Rating matrix of different users for different POI长期以来，仍然有研究者致力于基础的矩阵分解工作研究，比如 Joshi 等人[20]的工作。2016 年，他们通过异步的将随机梯度优化的更新传递到网络中，提出了基于正则化的带有异步的分布式梯度下降法用来进行矩阵分解，提升了模型分解的效率。1.2.2 基于时间影响的 POI 推荐Web 2.0 时代是一个用户主导的互联网时代，人们对于互联网及其衍生产品与服务的关注度越来越高。作为时代的产物，POI 推荐也因其在社会网中的特殊作用而显得愈加重要。在 LBSN 中，用户的兴趣、访问行为、签到行为都与时间息息相关，用户对于某个位置的访问可能会受到每天不同的时段、不同的日期甚至季节的交替转换等而发生不同的变化。对于个体用户来说，由于用户个性化的差异和需求

本文即是利用三阶的tensor 分解，进行的一种基于时间敏感与社交关系的 POI 推荐研究。图2-1 一个含有时间影响和社交关系的基于位置的社会网Fig.2-1 A location-based social network with temporal influence and socialrelationshipsPOI推荐是一种时间敏感的推荐任务。首先，在不同的时间，用户通常喜欢不同的POI。现有研究只考虑了较粗的时间粒度进行的POI推荐，比如白天可能


本文编号：3580387