基于位置的用户社交关系预测研究

发布时间：2023-05-06 02:41

　　随着全球定位系统的发展和以智能手机为代表的移动终端的流行,基于位置的社交网络应用吸引了数千万的用户。在基于位置的社交网络中,人们可以分享签到地点等地理位置信息,大量用户产生的海量数据为研究人员研究用户的各种社交行为提供了机会,这其中基于用户签到数据预测用户的社交关系则成为研究热点,研究人员为此开展了大量的研究。本文围绕如何从用户的签到数据中挖掘出高效的特征以提高用户社交关系预测方法的性能展开研究,提出了三种基于位置的用户社交关系预测方法,主要研究内容和贡献如下:·基于时空特征的用户社交关系预测方法(STIF)为了解决过去研究工作中广泛使用的地点熵不能随着时间段的变化而动态计算地点流行度的问题,该方法提出了细粒度的地点权重特征。除此之外,该方法还从细粒度的时间特征、工作日和周末签到特征、共现地点的距离特征三个角度展开设计了13个特征,用以全面捕捉好友对之间的相似性与非好友对之间差异性。·结合隐式与显式特征的用户社交关系预测方法(CIFEF)为了解决包括STIF方法在内的用户社交关系预测方法依赖于大量特征工程的问题,提出了结合隐式与显式特征的用户社交关系预测方法CIFEF。该方法认为同一用...

【文章页数】：86 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 研究内容与贡献
        1.2.1 基于时空特征的用户社交关系预测方法
        1.2.2 结合隐式与显式特征的用户社交关系预测方法
        1.2.3 基于孪生神经网络的用户社交关系预测方法
    1.3 本文组织结构
第二章 研究现状
    2.1 基于无监督的用户社交关系预测方法
    2.2 基于有监督的用户社交关系预测方法
        2.2.1 基于共现地点特征的用户社交关系预测方法
        2.2.2 基于多类型特征混合的用户社交关系预测方法
第三章 基于时空特征的用户社交关系预测方法
    3.1 问题描述
        3.1.1 符号定义
        3.1.2 概念定义
    3.2 时空特征
        3.2.1 细粒度的地点权重特征
        3.2.2 工作日与周末签到特征
        3.2.3 细粒度的时间特征
        3.2.4 共现地点的距离特征
        3.2.5 总结
    3.3 方法整体架构
        3.3.1 阶段1:识别活跃用户
        3.3.2 阶段2:构建训练样本
        3.3.3 阶段3:类别不平衡处理
        3.3.4 阶段4:训练用户社交关系预测器
    3.4 讨论
        3.4.1 共现地点生成算法的性能优化
    3.5 实验研究
        3.5.1 实验设置
        3.5.2 性能比较
        3.5.3 不同类型特征对方法性能的贡献
        3.5.4 参数敏感性分析
    3.6 本章小结
第四章 结合隐式与显式特征的用户社交关系预测方法
    4.1 隐式特征
    4.2 显式特征
    4.3 方法整体架构
    4.4 实验研究
        4.4.1 实验设置
        4.4.2 性能比较
        4.4.3 隐显式特征的贡献分析
        4.4.4 超参数分析
    4.5 本章小结
第五章 基于孪生神经网络的用户社交关系预测方法
    5.1 模型架构及详解
        5.1.1 方法整体结构
        5.1.2 基于长短期记忆网络的用户签到轨迹建模
        5.1.3 基于二分图随机游走的用户间接交互关系建模
        5.1.4 模型训练
    5.2 实验研究
        5.2.1 实验设置
        5.2.2 性能比较
        5.2.3 特征贡献分析
    5.3 本章小结
第六章 总结和展望
    6.1 本文工作总结
    6.2 研究展望
参考文献
致谢
发表论文和科研情况



本文编号：3808861