位置社交网络中的兴趣点推荐关键技术研究
发布时间：2021-10-08 23:41
移动智能终端的普及和无线通信技术的发展极大的促进了位置社交网络的发展和广泛应用,例如Foursquare和Yelp等。位置社交网络搭建了现实物理世界和虚拟网络世界之间的桥梁,将人类社会带入了数字化时代。位置社交网络中,用户作为信息的消费者可以通过他人分享的信息学习到本地化相关的知识,在任何时间和地点发掘自己感兴趣的商家和服务;用户还作为信息的生产者,可以在任何时间和地点通过智能终端的签到行为分享他们的消费体验。位置社交网络中采集到的海量数据也为工业界和学术界对用户行为和偏好的研究提供了前所未有的契机,在此基础上提供的推荐服务可以极大的提升用户体验。近年来,基于机器学习和数据挖掘技术的推荐系统在理论和实践上都获得了快速发展。然而,由于缺乏对多媒体内容信息和复杂上下文环境下用户行为的深度挖掘和理解,使得推荐系统的质量和性能仍然存在较大的提升空间。位置社交网络中的兴趣点推荐还存在诸多关键技术亟待解决,比如数据稀疏环境下的冷启动推荐、复杂上下文环境下的时序关系挖掘以及活动推荐等。为了解决这些问题,本文通过对多模内容信息的挖掘、复杂上下文环境下的时序关系挖掘以及用户活动偏好的挖掘,提出了一系列新...
【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】：116 页
【学位级别】：博士
【部分图文】：
图１－丨位置社交网络层级结构图??位置社交网络作为现实物理世界和虚拟网络世界的桥梁，将人类社会带入了数字??化信息时代
??第三章多模内容信息融合的兴趣点推荐??３．３深度多模排序学习模型??在这节中，首先详细介绍了提出的深度多模排序推荐模型框架，然后对模型中的??各个部分（用户偏好函数模型、多模特征提取模型）进行了详细的介绍，通过对模型??参数进行估计学习用户与ｙ趣点之间的内在关系。最介绍了快速学习优化算法。??＂＂＂＂Ｔ??／／Ｑ）?ｉ??＼ｑｊ?）——ＸｉｋＶ??ｉＥ｛１ｉ＾ｉｊｙ??ｖ？?？ｙ??Ｖ?ｊ，ｎ?￡｛１｜Ｖ｜］?Ｊ??图３－１?ＤＭＲＬ模型架构的图形表示??３．３．１模型框架??本章提出的ＤＭＲＬ模型框架如图３－１所示。所提出的推荐模型是一个基于排序学??习的模型框架，可以同时对用户偏好的时间动态性、空间地理影响和兴趣点的语义特??征表示进行建模。本章对图３－１中不同组成部分用不同的颜色表示，高亮圆形表示观??测变量，其他的圆形表示模型待估计的随机变量。??首先，借鉴概率矩阵分解思想，将孤立的用户和兴趣点映射到Ｋ维实值稠密语义??空间，利用时间约束的用户偏好模型捕获用户偏好的时间动态性。因此，将用户Ｗ在??时间状态ｔｆｃ下的偏好特征向量定义为ＰＵ，同时，为每个兴趣点定义潜向量％，从而，??用户偏好的参数集合可表示为＜９（ｉ．ｅ．，０?＝?ｅ?Ｇ?Ｖ｝）。ＤＭＲＬ模型??根据给定的目标用户岣和时间状态ｋ，利用用户偏好模型函数对兴趣点进行??排序，返回排序靠前的兴趣点给目标用户。其次，为了捕获空间距离对用户偏好的影??响，将兴趣点的空间近邻关系以空间正则化方式融入到用户偏好模型函数〇￣；０）。??第三，为了克服冷启动推荐问题，本章构建了深度多模网络模型提取群体评论文本特??征和兴趣点的视觉特征，通过非线
ｊ?ｘ?ｖ、＋．＊■：．，■＇＇；：ｗｎ＊：．』：?響?琴??：?＃?（？?＾Ｆ?＾ｐ??绾码?ｆｉｇ？?赢??？？？．?ｖ：＊＊、》＊ｃ，ｔ?―?．＇？ｖｉ＊．，ｓ，．？ｗｒｒ＊，－＞?？：』?￣＂＾?＾?＾?＾Ｔ?ｈ－ｊ?????ＬＳＴＭ?自编码?—？??公众评论?视觉表示?籲??｜｜，?■?Ｗ?ｆｆｌ?＃??ｔｓ＾ｓａ＾１１２＾?—＇？—＾??必？兴趣点共享语义表示??ＬＭ??呢?￣??兴趣点图片?卷积神经网络?全连接层??图３－２多模深度学习模型框架图??３．３．３多模特征提取模型??本节构建了从兴趣点的图片和群体评论文本内容提取语义信息的多模深度学习网??络。所提出的网络模型是包含三个子网络的混合网络模型，即：提取图像特征的深度??卷积神经网络，提取群体评论的记忆自编码网络以及学习共享语义表示的多模融合网??络。前两个网络结构在提取兴趣点高层语义表示过程中相互影响。所构建的网络模型??如图３－２所示。接下来本节详细介绍每个子网络结构。??（１）视觉表示学习??近年来，卷积神经网络在提取视觉特征方面表现出来很大的优势，被广泛的应用??于图象分类、图像分割和目标检测等领域。卷积神经网络的底层学习图像的一般性特??征，比如图像的边缘、颜色等，经过逐层的特征提取过程可以对底层的一般性特征进??行不断的整合和提炼，并形成高层次、抽象的语义特征。经过多层卷积过程便可以提??取更高层次的语义特征，这些提取的图像特征可以被应用于很多的领域，比如图片分??类等。为了提取兴趣点的视觉特征，本章利用预训练的卷积神经网络ＶＧＧ提取兴趣点??图片的内容特征。ＶＧＧ是牛津大学Ｖｉｓ
本文编号：3425201
【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】：116 页
【学位级别】：博士
【部分图文】：
图１－丨位置社交网络层级结构图??位置社交网络作为现实物理世界和虚拟网络世界的桥梁，将人类社会带入了数字??化信息时代
??第三章多模内容信息融合的兴趣点推荐??３．３深度多模排序学习模型??在这节中，首先详细介绍了提出的深度多模排序推荐模型框架，然后对模型中的??各个部分（用户偏好函数模型、多模特征提取模型）进行了详细的介绍，通过对模型??参数进行估计学习用户与ｙ趣点之间的内在关系。最介绍了快速学习优化算法。??＂＂＂＂Ｔ??／／Ｑ）?ｉ??＼ｑｊ?）——ＸｉｋＶ??ｉＥ｛１ｉ＾ｉｊｙ??ｖ？?？ｙ??Ｖ?ｊ，ｎ?￡｛１｜Ｖ｜］?Ｊ??图３－１?ＤＭＲＬ模型架构的图形表示??３．３．１模型框架??本章提出的ＤＭＲＬ模型框架如图３－１所示。所提出的推荐模型是一个基于排序学??习的模型框架，可以同时对用户偏好的时间动态性、空间地理影响和兴趣点的语义特??征表示进行建模。本章对图３－１中不同组成部分用不同的颜色表示，高亮圆形表示观??测变量，其他的圆形表示模型待估计的随机变量。??首先，借鉴概率矩阵分解思想，将孤立的用户和兴趣点映射到Ｋ维实值稠密语义??空间，利用时间约束的用户偏好模型捕获用户偏好的时间动态性。因此，将用户Ｗ在??时间状态ｔｆｃ下的偏好特征向量定义为ＰＵ，同时，为每个兴趣点定义潜向量％，从而，??用户偏好的参数集合可表示为＜９（ｉ．ｅ．，０?＝?ｅ?Ｇ?Ｖ｝）。ＤＭＲＬ模型??根据给定的目标用户岣和时间状态ｋ，利用用户偏好模型函数对兴趣点进行??排序，返回排序靠前的兴趣点给目标用户。其次，为了捕获空间距离对用户偏好的影??响，将兴趣点的空间近邻关系以空间正则化方式融入到用户偏好模型函数〇￣；０）。??第三，为了克服冷启动推荐问题，本章构建了深度多模网络模型提取群体评论文本特??征和兴趣点的视觉特征，通过非线
ｊ?ｘ?ｖ、＋．＊■：．，■＇＇；：ｗｎ＊：．』：?響?琴??：?＃?（？?＾Ｆ?＾ｐ??绾码?ｆｉｇ？?赢??？？？．?ｖ：＊＊、》＊ｃ，ｔ?―?．＇？ｖｉ＊．，ｓ，．？ｗｒｒ＊，－＞?？：』?￣＂＾?＾?＾?＾Ｔ?ｈ－ｊ?????ＬＳＴＭ?自编码?—？??公众评论?视觉表示?籲??｜｜，?■?Ｗ?ｆｆｌ?＃??ｔｓ＾ｓａ＾１１２＾?—＇？—＾??必？兴趣点共享语义表示??ＬＭ??呢?￣??兴趣点图片?卷积神经网络?全连接层??图３－２多模深度学习模型框架图??３．３．３多模特征提取模型??本节构建了从兴趣点的图片和群体评论文本内容提取语义信息的多模深度学习网??络。所提出的网络模型是包含三个子网络的混合网络模型，即：提取图像特征的深度??卷积神经网络，提取群体评论的记忆自编码网络以及学习共享语义表示的多模融合网??络。前两个网络结构在提取兴趣点高层语义表示过程中相互影响。所构建的网络模型??如图３－２所示。接下来本节详细介绍每个子网络结构。??（１）视觉表示学习??近年来，卷积神经网络在提取视觉特征方面表现出来很大的优势，被广泛的应用??于图象分类、图像分割和目标检测等领域。卷积神经网络的底层学习图像的一般性特??征，比如图像的边缘、颜色等，经过逐层的特征提取过程可以对底层的一般性特征进??行不断的整合和提炼，并形成高层次、抽象的语义特征。经过多层卷积过程便可以提??取更高层次的语义特征，这些提取的图像特征可以被应用于很多的领域，比如图片分??类等。为了提取兴趣点的视觉特征，本章利用预训练的卷积神经网络ＶＧＧ提取兴趣点??图片的内容特征。ＶＧＧ是牛津大学Ｖｉｓ
本文编号：3425201
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3425201.html
