基于遗传算法与蚁群算法的多POI推荐

发布时间：2020-06-29 09:31

【摘要】：定位技术的出现,使得个性化兴趣点(Pointoflnterest,POI)推荐成为推荐领域中的关键研究点之一,但当前研究未能有效发掘用户签到数据的时空序列特征对推荐的作用,对影响推荐准确度的因素也考虑不全。本文将利用基于位置的社会网络(Location-based Social Network,LBSN)的用户签到数据,发掘隐含的时空序列特征。将时间因素引入遗传算法,对签到兴趣点进行编码,预测不同节点交叉、变异的概率,最后将蚁群算法与协同过滤算法结合为用户推荐兴趣点序列。论文的主要工作如下:(1)传统的兴趣点推荐算法大多只考虑用户访问过的点,或者其好友访问过的点,很少去关注用户访问过的兴趣点的序列隐含的信息。为此,将LBSN中的签到数据抽取出来,建立兴趣点转移图,在兴趣点转移图的基础上,发掘用户签到数据中存在的时空序列特征。(2)将时间因素引入遗传算法。用户访问兴趣点是有一定顺序的,在一段时间内,两个不同的用户访问的兴趣点与当前时间段内其他用户访问的兴趣点比较,被访问次数越多,则说明在当前时间段内越有可能再被访问到,与其他用户偏好也越相似,据此构建相应的适应度函数,应用遗传算法对兴趣点搜索,使得较活跃兴趣点的累积分布概率平均提高7.8%。(3)应用蚁群算法在对兴趣点搜索时,将用户评分定义为信息素,兴趣点被访问次数的增加信息素也增加,将蚁群算法与协同过滤算法相结合,考虑用户的偏好变化,最终得到信息素积累最高的兴趣点,并根据发掘的签到数据的时空序列特征,为用户推荐兴趣点序列。(4)最后,在FourSquare数据集上进行了仿真实验验证,实验表明准确率达到了 0.35,召回率达到0.31。本文提出的研究方法与当前考虑了时间因素、用户评分的比较新的兴趣点推荐算法相比,在准确率和召回率上均有较大提高,并在研究的基础上实现了一个兴趣点推荐系统,为构建一个兴趣点推荐系统提供了基本思路。
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.3;TP18
【图文】：

流程图,初始种群,种群规模,个体数量

图２－１遗传算法流程图逡逑１）初始种群逡逑机化产生初始的种群，需要根据编码方法来产生，初始种群的大小依要解决的问题规模，个体数量称为种群规模，这里设初始种群大小为２）染色体编码方法逡逑传算法的处理对象时表示个体的字符串，需要对每个个体进行编码，因是由二值符号集｛０，邋１丨来表示的，由此编码后，种群中的Ｍ个个体都是一条染色体，对每个染色体进行操作，用一种将解空间转变为方法。逡逑３）个体适应度评价逡逑传算法是通过用适应度函数来评估个体的优劣的，适应度函数的值体的适应性越高，解的质量越好，并且为了保证结果的正确性，适应负的。所以，根据实际的问题，需要确定好由目标函数值到个体适应程，并且对于目标函数值为负的时候的处理方法。逡逑

序列,地点,序列,时空间

对基于ＬＢＳＮ中用户签到数据为用户推荐兴趣点研究方面，各位研究人员逡逑根据自身懫用的研究方法的不同，考虑影响推荐准确度的不同，构建了不同的数逡逑学模型，有的研究人员利用ＬＢＳＮ中的签到数据丰富了用户关系及位置信息数逡逑据，挖掘了用户偏好，取得了一定的成果［４３］，其建立的模型是同质网络（即关系逡逑网络中节点或边具有相同的类型）。也有采用异质信息网络进行建模，在异质信逡逑息网络中可以发现更加丰富的语义信息，但是采用异质信息网络建模难度较大，逡逑对时间因素、用户评分等多个影响推荐算法准确度的因素评估难度较大。逡逑本文主要针对用户签到序列中隐含的信息，引入遗传算法对用户签到的兴趣逡逑点进行搜索，并进行结果验证，所以建立了一种较容易理解的图模型，发现用户逡逑签到序列的规律，并对基础遗传算法的选择、交叉、变异算子的相关步骤做了处逡逑理，更适用于处理兴趣点转移图的模型。逡逑３．１邋ＬＢＳＮ签到数据的时空特征逡逑Ｓｏｃｉａｌ邋Ｎｅｔｗｏｒｋｓ逦Ｌｏｃａｔｉｏｎ邋Ｄｅｓｃｒｉｐｔｉｏｎｓ逦逦逦逡逑＾

【参考文献】