基于位置社交网络融合多种情景信息的兴趣点推荐研究
发布时间：2021-06-20 21:35
伴着Web2.0技术和GPS信息统筹技术的飞速发展,在传统的社交网络基础上衍生出基于位置的社交网络（Location-Based Social Networks,LBSN）,作为基于位置社交网络中核心组成部分的兴趣点（Point-of-Interest,POI）推荐引起了国内外科研人员的广泛关注。当前大多数兴趣点推荐算法仅通过用户间共同访问项（即兴趣点）去计算用户间相似度,由于数据高稀疏性,从而造成兴趣点推荐结果不准确。为解决上述问题本文基于位置社交网络上的签到用户数据,提出了一种基于位置社交网络融合多种情景信息的兴趣点推荐方法。将社交网络转换朋友集,基于用户和兴趣点倒查表法建立用户兴趣信息模型,减少兴趣点推荐的运行时间,提高了推荐效率。采用LDA模型对用户的情感进行建模,计算用户评论的主题概率分布,挖掘出用户在情感倾向方面的相似度。分析地理影响信息,建立地理影响信息模型,计算地理信息访问概率。通过对用户的多种情景信息的挖掘,较好地解决了基于位置社交网络研究中利用多种情景信息进行兴趣点推荐的问题。实验结果表明,本文提出的基于位置社交网络融合多种情景信息的兴趣点推荐方法,能够提高推荐的准...
【文章来源】：哈尔滨商业大学黑龙江省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
京东商城的为你推荐
1绪论11绪论本章首先对本课题的研究背景以及研究意义进行介绍，其次对兴趣点推荐的国内外研究发展现状做了详细分析，并简单概述了本课题的主要研究内容和创新点，最后描述了论文内容的整体结构安排。1.1课题的背景及意义互联网因Web2.0技术的出现，完成了从用户被动接收信息到主动创造信息质的蜕变，伴着互联网网络的迅猛蔓延，越来越多的用户主动通过互联网与他人进行信息的交互及同享。由于这些信息爆炸式的增长，宣告着人们正处于一个无法从浩瀚信息海洋中高效筛选出自己所需信息的”信息超载”[1]时代。人们当下主要采用两种技术方案来处理该亟需解决的问题，第一种即为如谷歌搜索、百度搜索、搜狗搜索等以搜索引擎为核心的信息检索方案，该方案可以根据用户需求的详细描述信息作为查询关键字(词、句子、语音)进而得到他们感兴趣的信息。然而通过关键字(词、句子、语音)查询得到的反馈信息均相同，尽管不同用户对信息感兴趣程度是不同的，即通过该方案无法满足查询用户自身个性化的需求，在解决信息超载问题方面达不到很好的效果。第二种方案则是采用如图1-1所示的酷狗音乐的猜你喜欢功能，以及图1-2所示的京东商城的为你推荐功能等为代表的推荐系统(RecommenderSystem,RS)[2]。图1-1酷狗音乐的猜你喜欢图1-2京东商城的为你推荐推荐系统作为无需用户详细描述需求信息，而是依据其历史日常行为和数据，构建相应模型去挖掘用户需求和兴趣的工具为解决大数据时代的信息超载问题而存在，因此，
哈尔滨商业大学硕士学位论文14来计算文本潜藏相似度便可以方便的计算出来。在文本信息建模分析过程中，每一篇文档都会表现为词的集合，这称为词袋模型(bagofwords)[51]。每个词在一篇document中属于一个topic。LDA模型不但兼顾了文本的多语义性，同时还起到降维的效果，即将document-word分布，映射为document-topic分布和topic-word分布。LDA模型如图2-2所示。图2-2LDA模型图其生产过程如下：对于一篇document中的每个word，LDA依据Dirichlet分布参数α得到某个document-topic分布θ并在topic多项式分布θ中抽取一个topic(用z来表示)，再则依据狄利克雷分布参数β得到当前topic-word分布，然后从主题z所对应的word多项分布中抽取一个word(用w来表示)。将这个步骤重复直到话题分布收敛到一个合理的分布上去，就生成了文档document。即为word在topic上的分布，θ即为topic在document上的分布，N表示document的word总数，M表示document的总数，K代表主题的个数。所有基于评论文本隐含相似性的挖掘过程即为以上生成过程的逆向推导过程。在使用LDA计算相似度时，我们可以先计算出相应document的topic随机概率分布，然后利用两个document的topic概率分布计算相似度。2.2.2KL散度为了衡量两个概率分布之间的差异性，SolomonKullbackh和RichardLeibler在1951年提出了KL散度(Kullback-Leiblerdivergence,KLD)[52]，也被称为相对熵(relativeentropy)或信息散度(informationdivergence)。在信息系统中KL散度等价于两个概率分布的信息熵(Shannonentropy)的差值，从统计学上看，即为似然比的期望对数。KL散度在涉及衡量两个变量间差异性的时候，区分变量的类型。假设P(x),Q(x)是随机变量X上的两个概率分布(其中x∈X)，则在随机变量为离散型的情形?
【参考文献】：
期刊论文
[1]一种结合专家信任的POI推荐算法[J]. 桂易琪,田星晨. 计算机与现代化. 2019(12)
[2]基于地理信息偏好修正和社交关系偏好隐式分析的POI推荐[J]. 温彦,马立健,曾庆田,郭文艳. 数据分析与知识发现. 2019(08)
[3]基于用户行为数据分析的个性化推荐算法分析[J]. 皇甫汉聪,肖招娣. 电子设计工程. 2019(07)
[4]改进的基于物品的协同过滤推荐算法[J]. 石京京,肖迎元,郑文广. 天津理工大学学报. 2019(01)
[5]基于预测的LBSN兴趣点推荐算法[J]. 段宗涛,蔡丹丹,唐蕾,李菲菲. 微电子学与计算机. 2019(01)
[6]微博用户兴趣主题抽取方法[J]. 杨仁凤,陈端兵,谢文波. 电子科技大学学报. 2018(04)
[7]融合似然比相似度的协同过滤推荐算法研究[J]. 王嵘冰,徐红艳,冯勇,郭浩. 小型微型计算机系统. 2018(07)
[8]智慧旅游中基于语义轨迹的高效最近邻查询方法研究[J]. 孙一格,马昂,吴雷,潘晓,郭景峰. 计算机应用与软件. 2018(06)
[9]LBSN中融合线上关系和线下行为的好友推荐算法[J]. 丁勇,曲秋菊,蒋翠清. 计算机应用与软件. 2018(04)
[10]LBSN中融合多维关系的社区发现方法[J]. 龚卫华,陈彦强,裴小兵,杨良怀. 软件学报. 2018(04)
博士论文
[1]基于位置社交网络的地点推荐方法及应用研究[D]. 李鑫.中国科学技术大学 2015
硕士论文
[1]位置社交网络中基于签到数据的好友推荐系统研究[D]. 黄乙哲.西安电子科技大学 2017
[2]融合用户情境及特征信息的餐厅推荐系统设计与实现[D]. 崔垚.北京邮电大学 2017
[3]基于签到数据的餐厅推荐技术研究[D]. 闵建.杭州电子科技大学 2016
[4]LBSN中基于社交关系和时空主题的社区发现研究[D]. 董羿.东南大学 2015
本文编号：3239971
【文章来源】：哈尔滨商业大学黑龙江省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
京东商城的为你推荐
1绪论11绪论本章首先对本课题的研究背景以及研究意义进行介绍，其次对兴趣点推荐的国内外研究发展现状做了详细分析，并简单概述了本课题的主要研究内容和创新点，最后描述了论文内容的整体结构安排。1.1课题的背景及意义互联网因Web2.0技术的出现，完成了从用户被动接收信息到主动创造信息质的蜕变，伴着互联网网络的迅猛蔓延，越来越多的用户主动通过互联网与他人进行信息的交互及同享。由于这些信息爆炸式的增长，宣告着人们正处于一个无法从浩瀚信息海洋中高效筛选出自己所需信息的”信息超载”[1]时代。人们当下主要采用两种技术方案来处理该亟需解决的问题，第一种即为如谷歌搜索、百度搜索、搜狗搜索等以搜索引擎为核心的信息检索方案，该方案可以根据用户需求的详细描述信息作为查询关键字(词、句子、语音)进而得到他们感兴趣的信息。然而通过关键字(词、句子、语音)查询得到的反馈信息均相同，尽管不同用户对信息感兴趣程度是不同的，即通过该方案无法满足查询用户自身个性化的需求，在解决信息超载问题方面达不到很好的效果。第二种方案则是采用如图1-1所示的酷狗音乐的猜你喜欢功能，以及图1-2所示的京东商城的为你推荐功能等为代表的推荐系统(RecommenderSystem,RS)[2]。图1-1酷狗音乐的猜你喜欢图1-2京东商城的为你推荐推荐系统作为无需用户详细描述需求信息，而是依据其历史日常行为和数据，构建相应模型去挖掘用户需求和兴趣的工具为解决大数据时代的信息超载问题而存在，因此，
哈尔滨商业大学硕士学位论文14来计算文本潜藏相似度便可以方便的计算出来。在文本信息建模分析过程中，每一篇文档都会表现为词的集合，这称为词袋模型(bagofwords)[51]。每个词在一篇document中属于一个topic。LDA模型不但兼顾了文本的多语义性，同时还起到降维的效果，即将document-word分布，映射为document-topic分布和topic-word分布。LDA模型如图2-2所示。图2-2LDA模型图其生产过程如下：对于一篇document中的每个word，LDA依据Dirichlet分布参数α得到某个document-topic分布θ并在topic多项式分布θ中抽取一个topic(用z来表示)，再则依据狄利克雷分布参数β得到当前topic-word分布，然后从主题z所对应的word多项分布中抽取一个word(用w来表示)。将这个步骤重复直到话题分布收敛到一个合理的分布上去，就生成了文档document。即为word在topic上的分布，θ即为topic在document上的分布，N表示document的word总数，M表示document的总数，K代表主题的个数。所有基于评论文本隐含相似性的挖掘过程即为以上生成过程的逆向推导过程。在使用LDA计算相似度时，我们可以先计算出相应document的topic随机概率分布，然后利用两个document的topic概率分布计算相似度。2.2.2KL散度为了衡量两个概率分布之间的差异性，SolomonKullbackh和RichardLeibler在1951年提出了KL散度(Kullback-Leiblerdivergence,KLD)[52]，也被称为相对熵(relativeentropy)或信息散度(informationdivergence)。在信息系统中KL散度等价于两个概率分布的信息熵(Shannonentropy)的差值，从统计学上看，即为似然比的期望对数。KL散度在涉及衡量两个变量间差异性的时候，区分变量的类型。假设P(x),Q(x)是随机变量X上的两个概率分布(其中x∈X)，则在随机变量为离散型的情形?
【参考文献】：
期刊论文
[1]一种结合专家信任的POI推荐算法[J]. 桂易琪,田星晨. 计算机与现代化. 2019(12)
[2]基于地理信息偏好修正和社交关系偏好隐式分析的POI推荐[J]. 温彦,马立健,曾庆田,郭文艳. 数据分析与知识发现. 2019(08)
[3]基于用户行为数据分析的个性化推荐算法分析[J]. 皇甫汉聪,肖招娣. 电子设计工程. 2019(07)
[4]改进的基于物品的协同过滤推荐算法[J]. 石京京,肖迎元,郑文广. 天津理工大学学报. 2019(01)
[5]基于预测的LBSN兴趣点推荐算法[J]. 段宗涛,蔡丹丹,唐蕾,李菲菲. 微电子学与计算机. 2019(01)
[6]微博用户兴趣主题抽取方法[J]. 杨仁凤,陈端兵,谢文波. 电子科技大学学报. 2018(04)
[7]融合似然比相似度的协同过滤推荐算法研究[J]. 王嵘冰,徐红艳,冯勇,郭浩. 小型微型计算机系统. 2018(07)
[8]智慧旅游中基于语义轨迹的高效最近邻查询方法研究[J]. 孙一格,马昂,吴雷,潘晓,郭景峰. 计算机应用与软件. 2018(06)
[9]LBSN中融合线上关系和线下行为的好友推荐算法[J]. 丁勇,曲秋菊,蒋翠清. 计算机应用与软件. 2018(04)
[10]LBSN中融合多维关系的社区发现方法[J]. 龚卫华,陈彦强,裴小兵,杨良怀. 软件学报. 2018(04)
博士论文
[1]基于位置社交网络的地点推荐方法及应用研究[D]. 李鑫.中国科学技术大学 2015
硕士论文
[1]位置社交网络中基于签到数据的好友推荐系统研究[D]. 黄乙哲.西安电子科技大学 2017
[2]融合用户情境及特征信息的餐厅推荐系统设计与实现[D]. 崔垚.北京邮电大学 2017
[3]基于签到数据的餐厅推荐技术研究[D]. 闵建.杭州电子科技大学 2016
[4]LBSN中基于社交关系和时空主题的社区发现研究[D]. 董羿.东南大学 2015
本文编号：3239971
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3239971.html
