融合多特征信息的推荐算法研究

发布时间：2023-02-15 20:13

　　随着网络技术、GPS定位技术以及移动网络设备的快速发展,网络信息量呈爆炸式增长,人们在海量的数据中找到自己感兴趣的信息变得越来越困难,推荐算法有效解决了这一问题,并广泛应用到了各个领域。在基于位置的社交网络中,用户可以通过签到的方式为好友或网友分享自己感兴趣的地点或经验。在用户与位置服务交互时,产生了海量的时空信息,社交关系信息,这些信息为挖掘用户的行为偏好奠定了基础。通过分析用户的历史数据及行为特征,基于位置的社交网络推荐技术可以帮助用户在不需要明确表达他们的需求下为其推荐出感兴趣的地点。论文主要研究内容如下:(1)针对传统推荐算法的高度稀疏性与冷启动问题,本文综合考虑了用户的位置信息、时间信息以及社交关系等因素,设计了融合多特征信息的兴趣点推荐算法一 UFTL算法。该算法在空间上,首先计算地点签到相似度和位置距离相似度,然后将得出的两个相似度通过线性加权求和的方法计算出空间相似度;在时间上,通过引入Logistic衰减函数来分析时间因素对用户兴趣变化的影响,计算出时间相似度;在社交关系上,分析用户与好友之间的亲密度,计算出好友相似度;最终将三种因素的相似度线性加权计算得出多特征信息...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 论文研究内容
    1.4 论文组织结构
2 相关背景知识概述
    2.1 高德地图开放平台
    2.2 推荐技术
        2.2.1 基于内容的推荐
        2.2.2 协同过滤推荐
        2.2.3 基于关联规则的推荐
        2.2.4 混合推荐
    2.3 相似性计算方法
        2.3.1 余弦相似度
        2.3.2 皮尔逊相关系数
        2.3.3 欧几里德相似度
        2.3.4 Jaccard系数
    2.4 推荐系统评价指标
        2.4.1 准确度指标
        2.4.2 非准确度指标
    2.5 本章小结
3 融合多特征信息的兴趣点推荐算法
    3.1 基于地理位置偏好的相似性衡量
        3.1.1 地点签到相似度
        3.1.2 位置距离相似度
        3.1.3 空间相似度
    3.2 基于时间因素的相似性衡量
        3.2.1 时间衰减函数
        3.2.2 时间相似度
    3.3 基于社交关系的相似性衡量
    3.4 融合多特征信息的相似性衡量
        3.4.1 多特征信息的相似度
        3.4.2 预测评分产生推荐
        3.4.3 UFTL算法描述
    3.5 实验与结果分析
        3.5.1 实验环境
        3.5.2 实验数据
        3.5.3 对比算法
        3.5.4 实验结果分析
    3.6 本章小结
4 融合多特征信息的推荐算法的验证
    4.1 基于UFTL算法的景点推荐
        4.1.1 相关定义
        4.1.2 算法描述
    4.2 系统概述
    4.3 总体设计
        4.3.1 总体架构设计
        4.3.2 功能模块设计
        4.3.3 数据库设计
        4.3.4 推荐模块设计
    4.4 系统开发工具与开发环境
    4.5 系统实现与测试
        4.5.1 APP功能展示
        4.5.2 管理系统功能展示
        4.5.3 系统测试
    4.6 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录



本文编号：3743771