【摘要】：隨著基于位置社交網(wǎng)絡(luò)的發(fā)展,數(shù)百萬用戶通過分享地點以及地點相關(guān)的內(nèi)容,產(chǎn)生了新的社交方式。基于位置社交網(wǎng)絡(luò)的發(fā)展產(chǎn)生了一種新的個性化推薦服務(wù)——地點推薦。傳統(tǒng)的推薦系統(tǒng)中,協(xié)同過濾算法需要遍歷社交網(wǎng)絡(luò)中的所有用戶來為目標用戶產(chǎn)生最終的地點推薦。由于基于位置社交網(wǎng)絡(luò)中的大多數(shù)用戶與目標用戶是不相關(guān)的,所以傳統(tǒng)的推薦系統(tǒng)在精確度和擴展性方面表現(xiàn)很差。針對以上情況,本文對基于位置社交網(wǎng)絡(luò)的地點推薦進行了研究,主要研究貢獻及創(chuàng)新如下:(1)Foursquare數(shù)據(jù)挖掘分析。通過對Foursquare簽到數(shù)據(jù)的處理及篩選,獲得合適的地點推薦數(shù)據(jù)集。然后對Foursquare數(shù)據(jù)挖掘分析,發(fā)現(xiàn)用戶之間社交聯(lián)系對地點推薦的影響以及社交聯(lián)系強度與共同簽到地點數(shù)量的一致性。同時,發(fā)現(xiàn)地理因素對地點推薦的影響以及地點被簽到概率與該地點和用戶常住地的距離呈重尾分布并擬合函數(shù)關(guān)系式。這些Foursquare數(shù)據(jù)分析結(jié)果,為建立合理有效的地點推薦模型建立基礎(chǔ)。(2)提出了離散粒子群和協(xié)同過濾的地點推薦方法,稱為ELR-DC。針對協(xié)同過濾的推薦效果和擴展性較差的問題以及基于位置社交網(wǎng)絡(luò)的特性,該方法首先將所有用戶劃分為緊密聯(lián)系的社區(qū),然后在每個社區(qū)內(nèi)進行地點推薦。具體而言,首先基于簽到數(shù)據(jù)構(gòu)建用戶相似度網(wǎng)絡(luò),并提出一種改進的離散粒子群算法根據(jù)相似度網(wǎng)絡(luò)劃分社區(qū)。然后,根據(jù)Foursquare挖掘分析的社交聯(lián)系對地點推薦的顯著影響,在每個社區(qū)內(nèi),針對社區(qū)內(nèi)用戶的簽到數(shù)據(jù)和社交聯(lián)系使用協(xié)同過濾算法,預(yù)測地點評分,在每個社區(qū)中為用戶產(chǎn)生推薦地點列表。該方法經(jīng)數(shù)據(jù)集實驗證明在召回率、準確率以及運行效率上優(yōu)于傳統(tǒng)的協(xié)同過濾方法。(3)提出了Louvain算法和多源信息融合的地點推薦方法,稱為ELR-LM。ELR-DC劃分社區(qū)的效率及模塊度較差,同時未利用地理因素對地點推薦的影響。為了克服這些缺陷并進一步提高推薦效果,ELR-LM首先利用Louvain算法劃分社區(qū),實驗結(jié)果表明ELR-LM在社區(qū)劃分的模塊度和效率上比ELR-DC更好。然后,在劃分的社區(qū)內(nèi),地理因素(以地點被簽到概率與該地點和用戶常住地的距離呈冪律分布關(guān)系預(yù)測地點評分)、流行指標(以地點在社區(qū)內(nèi)被簽到的數(shù)量預(yù)測地點評分)以及簽到數(shù)據(jù)(以用戶歷史簽到數(shù)據(jù)通過協(xié)同過濾算法預(yù)測地點評分)三者加權(quán)組合預(yù)測地點評分并產(chǎn)生推薦列表。實驗結(jié)果表明該方法的運行效率、召回率和準確度比ELR-DC方法和基于Louvain算法和單一信息源的地點推薦方法更好。
【圖文】：

6圖 2.1 推薦系統(tǒng)的架構(gòu)多樣，傳統(tǒng)的推薦系統(tǒng)中主要包括用戶聽息，所有的有關(guān)用戶的數(shù)據(jù)都可以被搜集，先進行數(shù)據(jù)預(yù)處理，，然后建立用戶模型，以各種各樣的形式，應(yīng)用到不同的推薦統(tǒng)推薦系統(tǒng)中推薦層建立用戶模型過程中過濾推薦系統(tǒng)。統(tǒng)核心思想是基于用戶的歷史數(shù)據(jù)，給用戶推用于電子商務(wù)和信息檢索領(lǐng)域。例如，在

.2 基于內(nèi)容推薦系統(tǒng)的構(gòu)建步驟為了把物品內(nèi)容信息用空間步，物品可以表示為 重。在關(guān)鍵詞抽取算法中應(yīng)用詞向量 。的總和。。其中計算相似度的方法有12 1 )Kci iK Kci i iw ww c ssc sw www w 之間的相似度，取值范圍在[-
【學位授予單位】：南京郵電大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP393.09;TP391.3

【參考文獻】

相關(guān)期刊論文 前3條

1 朱立超;李治軍;姜守旭;;基于位置的社交網(wǎng)絡(luò)研究綜述[J];智能計算機與應(yīng)用;2014年04期

2 王鵬;王晶晶;俞能海;;基于核方法的User-Based協(xié)同過濾推薦算法[J];計算機研究與發(fā)展;2013年07期

3 王國霞;劉賀平;;個性化推薦系統(tǒng)綜述[J];計算機工程與應(yīng)用;2012年07期

本文編號：2601135