物理-社会二元空间中的用户交互行为建模以及应用研究
发布时间：2021-10-29 22:50
随着移动网络技术（4G/5G）技术的不断推广,以及便携式智能终端设备的日益普及,人类在日常生活中的各种活动行为产生了大量的用户行为数据。海量的用户数据为全面揭示与理解用户行为规律提供了可能。一方面,每个人都生活在真实的物理世界中,任何移动行为都会在物理世界留下痕迹;另一方面,人类被称为“社会化的动物”,不可避免地与人沟通、交流。探究人类在物理空间的活动规律以及社会空间中的交互行为,使得人类对自身的理解更全面、更透彻。本文从物理-社会二元空间的用户交互行为出发,研究用户的移动行为偏好与社交网络特征,主要包括三个部分:（1）通过海量历史数据中的地理位置信息分析用户在不同位置的停留时长等特点,描述用户对不同位置区域的偏好程度,挖掘用户签到兴趣点（Point of Interest,POI）信息规律并用其表征用户对不同位置类型的偏好程度;（2）根据用户间的好友信息构建社交网络,分析度中心性、特征向量中心性、小世界特性等社交网络特征;（3）结合物理-社会二元空间信息,利用物理世界中的空间位置偏好、POI兴趣偏好以及社交网络关系三个方面,构建具有物理-社会二元空间共同特征的用户交互行为模型,表征用...
【文章来源】：西安科技大学陕西省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
移动群智感知用户招募流程图
2相关理论基础11则激活顺序随机。（2）如果节点i对节点j激活成功，那么节点j就会由未激活状态转换为激活状态，在t+1时刻以已激活节点的状态去激活其邻居节点。（3）随后重复上述过程，即可模拟出独立级联传播模型中的信息传播过程。2.3移动群智感知移动群智感知是包括众包计算、社会计算、无线传感器网络、机会网络在内的多学科交叉热点研究领域。图2.1从科学研究发展趋势的角度，表明了移动群智感知的发展背景和相关领域。移动群智感知从最初的无线传感网络逐步发展到今天，相比传统的感知模式，具有感知时空覆盖范围广、成本低廉、扩展性强、结构灵活、便于大规模数据感知、收集、处理等优势。图2.1群智感知发展历程及学科交叉情况移动群智感知是一种利用群体的共同力量来获取感知信息的模式。移动群智感知迅速发展并对人类的医疗、交通、运输、环境等方面产生了革命性的影响，其快速发展得益于各种手持移动设备的迅速普及，移动设备较传统传感设备具有一系列优势，不仅在其中嵌入了多种传感器，而且这些移动设备具有计算、通讯的能力，能够迅速获取信息并且实现网络互联，它们可以感知环境信息并且通过网络建立起个人与平台之间的桥梁，推动物联网应用程序的发展，并为人类详尽地感知、描绘物理世界的各种信息。根据监控环境的不同，可以将移动设备感知任务分为个人感知和社会感知。个人感知，即感知任务为个人环境，例如人们常用的健康监测，以及出于个人记录习惯而产生的监控个人足迹（跑步，走路，锻炼等）监控。社会感知，它的任务是监控大范围的环境信息，这类任务仅仅根据个人的感知数据很难实现精准检测，例如智慧交通系统的拥塞监测以及空气污染水平监控，这类数据需
矗?梢杂兄?诜⑾钟没б贫?的规律性。也就是说，每个人都会有特定的生活轨迹，因此不同的人会在相同的时间段访问不同的空间位置和POI类型；除此之外，同一个人在一天的不同时段也会有不同的行为习惯。例如用户A习惯在早上跑步，晚上与朋友约会，但是用户B更偏向于早上听音乐和看书，傍晚时分锻炼身体。总之，利用移动空间位置信息不仅可以分析用户的行为习惯和个人兴趣偏好，还可以将其应用到各种生活场景中为人类服务。因此，本课题利用海量的LBSN数据，对用户的移动行为位置偏好和兴趣偏好作出详细的分析和深入的探讨，如图3.1所示。图3.1物理-社会二元空间用户行为分析框图基于位置的社交网络通常包括两部分：签到数据集L与用户社交好友数据集F，两部分数据从空间、时间、社交三个方面对用户的移动行为进行了表征，以便从物理、社
【参考文献】：
期刊论文
[1]聚类算法综述[J]. 章永来,周耀鉴. 计算机应用. 2019(07)
[2]基于线性阈值模型的动态社交网络影响最大化算法[J]. 朱敬华,李亚琼,王亚珂,杨艳. 工程科学与技术. 2019(01)
[3]基于签到数据的城市热点功能区识别研究[J]. 宁鹏飞,万幼,沈怡然,任福. 测绘地理信息. 2018(02)
[4]基于行为分析的移动应用众包测试人员画像方法研究[J]. 安刚,张涛,成静. 西北工业大学学报. 2017(06)
[5]动态影响力下网络舆论传播的计算实验研究[J]. 徐迪,戴晓沛. 系统工程理论与实践. 2016(12)
[6]移动用户画像构建研究[J]. 黄文彬,徐山川,吴家辉,王军. 现代情报. 2016(10)
[7]大数据聚类算法综述[J]. 海沫. 计算机科学. 2016(S1)
[8]初始点优化与参数自适应的密度聚类算法[J]. 戴阳阳,李朝锋,徐华. 计算机工程. 2016(01)
[9]Point-of-Interest Recommendation in LocationBased Social Networks with Personalized Geo-Social Influence[J]. HUANG Liwei,MA Yutao,LIU Yanbo. 中国通信. 2015(12)
[10]社交网络影响力传播研究[J]. 陈卫. 大数据. 2015(03)
硕士论文
[1]基于用户上下文轨迹预测的移动众包任务分配方法研究[D]. 姜芸.山东大学 2019
[2]基于微博签到数据的可视化分析系统研究[D]. 王璐.长安大学 2019
[3]移动用户时空轨迹预测[D]. 吴娜.上海交通大学 2018
[4]基于独立级联模型的社交网络影响力最大化研究[D]. 胡怀雄.深圳大学 2018
[5]基于位置签到及POI数据的城市热点区域时空特征研究[D]. 胥啸宇.山东理工大学 2018
[6]基于移动通信数据的用户移动行为分析与位置预测[D]. 崔家祥.北京邮电大学 2018
[7]基于LBSN签到数据的用户行为预测与兴趣点推荐[D]. 王凯慈.南京邮电大学 2016
[8]社交网络特征计算与关键节点识别的实验研究[D]. 赵智.吉林大学 2015
[9]社交网络中影响最大化的研究与应用[D]. 江禹.重庆大学 2015
[10]基于用户签到数据的行为分析及预测研究[D]. 宋杨.北京邮电大学 2015
本文编号：3465532
【文章来源】：西安科技大学陕西省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
移动群智感知用户招募流程图
2相关理论基础11则激活顺序随机。（2）如果节点i对节点j激活成功，那么节点j就会由未激活状态转换为激活状态，在t+1时刻以已激活节点的状态去激活其邻居节点。（3）随后重复上述过程，即可模拟出独立级联传播模型中的信息传播过程。2.3移动群智感知移动群智感知是包括众包计算、社会计算、无线传感器网络、机会网络在内的多学科交叉热点研究领域。图2.1从科学研究发展趋势的角度，表明了移动群智感知的发展背景和相关领域。移动群智感知从最初的无线传感网络逐步发展到今天，相比传统的感知模式，具有感知时空覆盖范围广、成本低廉、扩展性强、结构灵活、便于大规模数据感知、收集、处理等优势。图2.1群智感知发展历程及学科交叉情况移动群智感知是一种利用群体的共同力量来获取感知信息的模式。移动群智感知迅速发展并对人类的医疗、交通、运输、环境等方面产生了革命性的影响，其快速发展得益于各种手持移动设备的迅速普及，移动设备较传统传感设备具有一系列优势，不仅在其中嵌入了多种传感器，而且这些移动设备具有计算、通讯的能力，能够迅速获取信息并且实现网络互联，它们可以感知环境信息并且通过网络建立起个人与平台之间的桥梁，推动物联网应用程序的发展，并为人类详尽地感知、描绘物理世界的各种信息。根据监控环境的不同，可以将移动设备感知任务分为个人感知和社会感知。个人感知，即感知任务为个人环境，例如人们常用的健康监测，以及出于个人记录习惯而产生的监控个人足迹（跑步，走路，锻炼等）监控。社会感知，它的任务是监控大范围的环境信息，这类任务仅仅根据个人的感知数据很难实现精准检测，例如智慧交通系统的拥塞监测以及空气污染水平监控，这类数据需
矗?梢杂兄?诜⑾钟没б贫?的规律性。也就是说，每个人都会有特定的生活轨迹，因此不同的人会在相同的时间段访问不同的空间位置和POI类型；除此之外，同一个人在一天的不同时段也会有不同的行为习惯。例如用户A习惯在早上跑步，晚上与朋友约会，但是用户B更偏向于早上听音乐和看书，傍晚时分锻炼身体。总之，利用移动空间位置信息不仅可以分析用户的行为习惯和个人兴趣偏好，还可以将其应用到各种生活场景中为人类服务。因此，本课题利用海量的LBSN数据，对用户的移动行为位置偏好和兴趣偏好作出详细的分析和深入的探讨，如图3.1所示。图3.1物理-社会二元空间用户行为分析框图基于位置的社交网络通常包括两部分：签到数据集L与用户社交好友数据集F，两部分数据从空间、时间、社交三个方面对用户的移动行为进行了表征，以便从物理、社
【参考文献】：
期刊论文
[1]聚类算法综述[J]. 章永来,周耀鉴. 计算机应用. 2019(07)
[2]基于线性阈值模型的动态社交网络影响最大化算法[J]. 朱敬华,李亚琼,王亚珂,杨艳. 工程科学与技术. 2019(01)
[3]基于签到数据的城市热点功能区识别研究[J]. 宁鹏飞,万幼,沈怡然,任福. 测绘地理信息. 2018(02)
[4]基于行为分析的移动应用众包测试人员画像方法研究[J]. 安刚,张涛,成静. 西北工业大学学报. 2017(06)
[5]动态影响力下网络舆论传播的计算实验研究[J]. 徐迪,戴晓沛. 系统工程理论与实践. 2016(12)
[6]移动用户画像构建研究[J]. 黄文彬,徐山川,吴家辉,王军. 现代情报. 2016(10)
[7]大数据聚类算法综述[J]. 海沫. 计算机科学. 2016(S1)
[8]初始点优化与参数自适应的密度聚类算法[J]. 戴阳阳,李朝锋,徐华. 计算机工程. 2016(01)
[9]Point-of-Interest Recommendation in LocationBased Social Networks with Personalized Geo-Social Influence[J]. HUANG Liwei,MA Yutao,LIU Yanbo. 中国通信. 2015(12)
[10]社交网络影响力传播研究[J]. 陈卫. 大数据. 2015(03)
硕士论文
[1]基于用户上下文轨迹预测的移动众包任务分配方法研究[D]. 姜芸.山东大学 2019
[2]基于微博签到数据的可视化分析系统研究[D]. 王璐.长安大学 2019
[3]移动用户时空轨迹预测[D]. 吴娜.上海交通大学 2018
[4]基于独立级联模型的社交网络影响力最大化研究[D]. 胡怀雄.深圳大学 2018
[5]基于位置签到及POI数据的城市热点区域时空特征研究[D]. 胥啸宇.山东理工大学 2018
[6]基于移动通信数据的用户移动行为分析与位置预测[D]. 崔家祥.北京邮电大学 2018
[7]基于LBSN签到数据的用户行为预测与兴趣点推荐[D]. 王凯慈.南京邮电大学 2016
[8]社交网络特征计算与关键节点识别的实验研究[D]. 赵智.吉林大学 2015
[9]社交网络中影响最大化的研究与应用[D]. 江禹.重庆大学 2015
[10]基于用户签到数据的行为分析及预测研究[D]. 宋杨.北京邮电大学 2015
本文编号：3465532
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3465532.html
