基于位置的移动社会化网络推荐技术研究

发布时间：2021-09-06 19:20

　　最初推荐系统利用用户对项目的点评信息,构建用户偏好模型,采用基于内容的推荐、协同过滤、基于知识的推理等方法,为用户产生推荐结果。其中协同过滤利用相似行为用户具有相似的个性化偏好,以相似用户间的协同性为用户产生推荐结果,成为目前应用较为广泛的推荐方法之一。为了解决协同过滤中存在的数据稀疏性和冷启动问题,人们把用户社会属性信息融合到用户偏好模型中,提出了多种社会化推荐方法。但是传统网络平台很难提供用户完整的社会属性信息,例如用户的移动位置数据。在基于位置的社会化网络中,移动用户随时随地的位置签到、位置信息共享及社交活动,为搜集用户的社会关系及移动位置信息提供了一种新的途径,促进了具有位置服务特征的社会化网络推荐系统的发展。本文主要针对基于位置的社会化网络推荐系统中一些基本方法及关键问题进行探索性研究,主要包括：（1）传统基于用户的协同过滤推荐方法大都利用用户-项目二元数据进行相似性计算,而忽略了用户位置信息对相似性的影响。针对此问题,本文利用位置服务及传统协同过滤的基本思想,提出一个基于位置的网络服务推荐框架模型,把用户的位置信息引入到相似性计算过程中,给出一种基于位置的移动用户偏好相似度... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：130 页

【学位级别】：博士

【部分图文】：

图１－１论文章节结构图??

置信息及其位置标注媒体信息（例如图片、视频、文档等）成的新的社会网络结构，其中位置信息是由用户随时间变。此外，实体间内在的关联性不仅包括两个用户出现在相同的位置信息，而且还包括用户的一般兴趣、社会活动规律、标注的媒体信息中体现出来了的各种知识。??

（比如是对该网络服务体验评分，或者使用次数等等）。??定义３－２．在一个时间周期内，移动用户随位置变化的网络服务偏好模型??Ｐ?＝?Ｏｉ，Ａ…斯）。具体Ｓ维模型如图３－２所示。??在一个时间周期内（比如１天内），随着时间的变迁，用户位置是在不停的??变化。例如将一天时间划分为四个时间段（午夜；１上午；２，下午；３，晚上：??４，），该用户Ｍ，的位置变化情况为（在家：１，办公室．２，超市：３，在家：??１），而另一个移动用户＂２的位置变化情况为（宾馆：４，风景区：５，在家：１，??在家：１），这一天上午的这段时间内两个用户使用的服务信息分别为??（非小．．如和（乐皆那么两个移动用户在这一天上午这一段时间段内基??于位置的特征模型分别为巧?１，＝化…如）和巧２４?＝化４，切Ａ２…，其中??＜表不第＂个移动用户在对第ｍ个网络服务项目的评分或者使用次数。依次可??Ｗ提取这两个移动用户在这一天时间内其他时段的使用的网络服务特征。??＂?２１??＂Ｄｍ。??Ｓｃｅｎｉｃ?ｓｐｏｔｓ?ｙ＾ＳＳｋ??Ｈｏｔｅｌ??ＳＩ????????？??朗：００?１０：００?１４：００?２０：００??图３－２移动用户基于位置的偏好特征??定义３＿３．设两个移动用户和分别在位置４和与的对所有网络服务项??目的应用特征为Ａ?＝（１，，５；）和，＾?＝?（Ｚ，，《Ｓｙ），和５；分别是这两个移动用户在??位置和Ｚｙ使用的所有网络服务多维特征向量

【参考文献】：
期刊论文
[1]移动社交网络中即时推荐好友的方法(英)[J]. 乔秀全,苏建冲,张晋松,许王莉,吴步丹,薛思达,陈俊亮.  中国通信. 2014(02)
[2]基于用户聚类的异构社交网络推荐算法[J]. 陈克寒,韩盼盼,吴健.  计算机学报. 2013(02)
[3]移动推荐系统及其应用[J]. 孟祥武,胡勋,王立才,张玉洁.  软件学报. 2013(01)
[4]社交网络服务中一种基于用户上下文的信任度计算方法[J]. 乔秀全,杨春,李晓峰,陈俊亮.  计算机学报. 2011(12)
[5]移动网络服务中基于认知心理学的用户偏好提取方法[J]. 王立才,孟祥武,张玉洁.  电子学报. 2011(11)
[6]上下文感知推荐系统[J]. 王立才,孟祥武,张玉洁.  软件学报. 2012(01)
[7]基于预排序和上取整函数的AHP判断矩阵生成算法[J]. 鲁智勇,张磊,唐朝京.  电子学报. 2009(06)
[8]互联网推荐系统比较研究[J]. 许海玲,吴潇,李晓东,阎保平.  软件学报. 2009(02)



本文编号：3388029