基于循環(huán)神經(jīng)網(wǎng)絡(luò)融合社交關(guān)系的位置預測技術(shù)研究

發(fā)布時間：2020-10-10 23:34

　　隨著基于位置服務的快速發(fā)展,位置信息作為一種潛在資源被大量累積。伴隨著互聯(lián)網(wǎng)快速的更新?lián)Q代,社交網(wǎng)絡(luò)已成為用戶發(fā)布與交流信息的平臺。社交網(wǎng)絡(luò)和基于位置的服務的組合被稱為基于位置的社交網(wǎng)絡(luò)(Location-based social network,LBSN)。在基于位置的社交網(wǎng)絡(luò)中,用戶以簽到的形式在社交網(wǎng)絡(luò)上發(fā)布位置信息。社交網(wǎng)絡(luò)隨時隨地的簽到形式,有效縮小了用戶虛擬世界和真實世界的距離,倍受用戶的青睞。用戶長期的簽到行為在社交網(wǎng)絡(luò)上留下了豐富的歷史位置信息,通過收集用戶歷史簽到信息并進行數(shù)據(jù)挖掘,可以發(fā)現(xiàn)用戶的行為模式及用戶位置的偏愛,進而為用戶提供更優(yōu)質(zhì)的基于位置的服務,如智能交通,快速交友等。同時,在基于位置的實時廣告系統(tǒng)中,通過預測用戶的位置,商家可以決定為用戶投放哪種廣告。本文應用社交網(wǎng)絡(luò)用戶簽到的歷史數(shù)據(jù)對用戶位置預測問題進行研究。主要研究成果如下:1.分析了用戶基于時間的簽到規(guī)律,舉例說明了劃分子軌跡的必要性,提出了基于POI(Point-of-Information)嵌入的子軌跡用戶相似性度量方法。將社交網(wǎng)絡(luò)用戶的一次簽到看作一個單詞,將用戶子軌跡的簽到序列看作句子,通過神經(jīng)網(wǎng)絡(luò)模型訓練,將POI嵌入表示,表征為實數(shù)值向量。進一步通過POI表征子軌跡,然后度量用戶子軌跡的相似性。2.針對RNN和LSTM建模用戶簽到序列存在的問題,采用GRU建模用戶簽到序列,同時融合時間、地點和用戶,提出STU-GRU位置預測模型。在模型嵌入層,改進了時間編碼方案�？紤]到社交關(guān)系對位置預測的影響,重新定義了社交關(guān)系,提出在STU-GRU模型的基礎(chǔ)上融合社交關(guān)系的位置預測方法。同時考慮到用戶新穎性探索的可能性,將下一位置看作二分類問題,把神經(jīng)網(wǎng)絡(luò)位置預測和融合社交關(guān)系的位置預測整合到統(tǒng)一模型中。最后通過實驗進行驗證,本文方法提高了位置預測精度。
【學位單位】：重慶郵電大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP393.09;TP183
【部分圖文】：

數(shù)據(jù),地點,社交,總數(shù)

表 5.2 Gowalla 簽到數(shù)據(jù)統(tǒng)計表統(tǒng)計項統(tǒng)計結(jié)果用戶總數(shù) 196591簽到總數(shù) 6442890簽到地點總數(shù) 1280969社交每個用戶平均簽到數(shù) 33每個地點的平均簽到 5Gowalla 簽到數(shù)據(jù)集包含了簽到用戶、簽到時間、簽到地點、以及具體的簽到位置信息。其樣例如圖 5.1 所示。其中 user 代表簽到用戶，表征社交網(wǎng)站上的唯一性，check-in time 代表用戶簽到的時間戳，latiude 和 longitude 分別代表簽到地點的坐標維度和經(jīng)度，location ID 則代表簽到地點的 ID 屬性。

基于循環(huán)神經(jīng)網(wǎng)絡(luò)融合社交關(guān)系的位置預測技術(shù)研究