發(fā)布時(shí)間：2021-05-17 07:03

　　智能移動(dòng)設(shè)備和4G技術(shù)的普及,給大眾點(diǎn)評(píng)、口碑等大規(guī)�；谖恢蒙缃痪W(wǎng)絡(luò)（LBSN,Location Based Social Network）的應(yīng)用帶來巨大的發(fā)展空間。同時(shí)隨著城市的快速發(fā)展,興趣點(diǎn)（POI,Point-of-Interest）的數(shù)量也相應(yīng)增長。人們逐漸習(xí)慣通過基于位置社交網(wǎng)絡(luò)的應(yīng)用來發(fā)現(xiàn)、訪問并評(píng)價(jià)興趣點(diǎn)�；趹�(yīng)用平臺(tái)積累了大量的位置社交網(wǎng)絡(luò)數(shù)據(jù)和渴望不斷改善用戶體驗(yàn)的需求,個(gè)性化的興趣點(diǎn)推薦系統(tǒng)逐漸引起了工業(yè)界和學(xué)術(shù)界的關(guān)注。但興趣點(diǎn)推薦面臨一些新的問題:如何綜合利用用戶偏好、地理位置、社交網(wǎng)絡(luò)和其他上下文信息,如何解決用戶簽到數(shù)據(jù)的稀疏性問題,如何處理隱式的用戶反饋等。針對這些挑戰(zhàn),本文利用考慮用戶線下交互行為的社交關(guān)系實(shí)現(xiàn)簽到矩陣填充,緩解數(shù)據(jù)稀疏性;改進(jìn)地理位置影響建模,整合多樣化數(shù)據(jù)信息,提出考慮線下交互的興趣點(diǎn)推薦模型,提高推薦效果;對于模型中的用戶偏好,分別提出內(nèi)嵌分類的加權(quán)矩陣分解算法和基于排序的算法來學(xué)習(xí)。具體內(nèi)容如下:（1）通過對用戶社交網(wǎng)絡(luò)的分析,提出利用考慮線下交互的社交關(guān)系實(shí)現(xiàn)簽到矩陣的填充,通過朋友與用戶的相似偏好,緩解數(shù)據(jù)稀疏性問題。在兩... 

【文章來源】：福州大學(xué)福建省 211工程院校

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于用戶偏好的興趣點(diǎn)推薦
        1.2.2 基于地理影響的興趣點(diǎn)推薦
        1.2.3 基于社交網(wǎng)絡(luò)影響的興趣點(diǎn)推薦
        1.2.4 基于其他上下文的興趣點(diǎn)推薦
    1.3 研究內(nèi)容與論文結(jié)構(gòu)
        1.3.1 研究內(nèi)容
        1.3.2 論文結(jié)構(gòu)
    1.4 本文創(chuàng)新點(diǎn)
第二章 相關(guān)理論知識(shí)
    2.1 基于位置的社交網(wǎng)絡(luò)
        2.1.1 基于位置的社交網(wǎng)絡(luò)的概念
        2.1.2 基于位置的社交網(wǎng)絡(luò)的數(shù)據(jù)特征
    2.2 位置社交網(wǎng)絡(luò)中地理影響的建模
        2.2.1 冪律分布模型
        2.2.2 多中心高斯分布模型
        2.2.3 核密度估計(jì)模型
    2.3 推薦系統(tǒng)的主要技術(shù)
        2.3.1 基于內(nèi)容的推薦算法
        2.3.2 基于協(xié)同過濾的推薦算法
    2.4 矩陣因子分解算法
第三章 考慮線下交互的興趣點(diǎn)推薦模型
    3.1 社交網(wǎng)絡(luò)的影響
        3.1.1 社交網(wǎng)絡(luò)中線下交互影響分析
        3.1.2 考慮線下交互的簽到矩陣填充
    3.2 興趣點(diǎn)分類的影響
    3.3 興趣點(diǎn)地理位置的影響
        3.3.1 核密度估計(jì)自適應(yīng)帶寬的學(xué)習(xí)
        3.3.2 自適應(yīng)核密度估計(jì)地理位置的影響
    3.4 興趣點(diǎn)推薦模型
        3.4.1 推薦模型
        3.4.2 推薦策略
    3.5 本章小結(jié)
第四章 考慮線下交互的興趣點(diǎn)推薦算法
    4.1 加權(quán)矩陣分解興趣點(diǎn)推薦算法
        4.1.1 算法設(shè)計(jì)
        4.1.2 算法實(shí)現(xiàn)
        4.1.3 復(fù)雜度分析
    4.2 基于排序的興趣點(diǎn)推薦算法
        4.2.1 基于排序的推薦算法
        4.2.2 基于排序的興趣點(diǎn)推薦算法設(shè)計(jì)
        4.2.3 算法實(shí)現(xiàn)與復(fù)雜度分析
    4.3 本章小結(jié)
第五章 實(shí)驗(yàn)與分析
    5.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集
        5.1.1 實(shí)驗(yàn)環(huán)境
        5.1.2 數(shù)據(jù)集
    5.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
    5.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        5.3.1 矩陣填充實(shí)驗(yàn)
        5.3.2 興趣點(diǎn)推薦算法對比實(shí)驗(yàn)
        5.3.3 地理位置影響實(shí)驗(yàn)
    5.4 本章小結(jié)
總結(jié)與展望
    6.1 本文總結(jié)
    6.2 研究展望
參考文獻(xiàn)
致謝
個(gè)人簡歷及在�？蒲星闆r


【參考文獻(xiàn)】：
期刊論文
[1]線下交互的動(dòng)態(tài)社交網(wǎng)絡(luò)研究進(jìn)展:挑戰(zhàn)與展望[J]. 梁迪,崔靖,李翔.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[2]LBSN上基于興趣圈中社會(huì)關(guān)系挖掘的推薦算法[J]. 李鑫,劉貴全,李琳,吳宗大,丁君美.  計(jì)算機(jī)研究與發(fā)展. 2017(02)
[3]一種面向獲取空間信息的潛在好友推薦算法[J]. 俞菲,李治軍,車楠,姜守旭.  軟件學(xué)報(bào). 2017(08)
[4]基于位置社交網(wǎng)絡(luò)的上下文感知的興趣點(diǎn)推薦[J]. 任星怡,宋美娜,宋俊德.  計(jì)算機(jī)學(xué)報(bào). 2017(04)
[5]基于用戶簽到行為的興趣點(diǎn)推薦[J]. 任星怡,宋美娜,宋俊德.  計(jì)算機(jī)學(xué)報(bào). 2017(01)
[6]基于Ranking的泊松矩陣分解興趣點(diǎn)推薦算法[J]. 余永紅,高陽,王皓.  計(jì)算機(jī)研究與發(fā)展. 2016(08)
[7]一種融合情景和評(píng)論信息的位置社交網(wǎng)絡(luò)興趣點(diǎn)推薦模型[J]. 高榕,李晶,杜博,余永紅,宋成芳,丁永剛.  計(jì)算機(jī)研究與發(fā)展. 2016(04)
[8]基于排序?qū)W習(xí)的推薦算法研究綜述[J]. 黃震華,張佳雯,田春岐,孫圣力,向陽.  軟件學(xué)報(bào). 2016(03)
[9]LBSN中基于元路徑的興趣點(diǎn)推薦[J]. 曹玖新,董羿,楊鵬偉,周濤,劉波.  計(jì)算機(jī)學(xué)報(bào). 2016(04)

博士論文
[1]基于社會(huì)化媒體的若干興趣點(diǎn)推薦關(guān)鍵技術(shù)研究[D]. 任星怡.北京郵電大學(xué) 2017
[2]融合多源信息的推薦算法研究[D]. 余永紅.南京大學(xué) 2017
[3]基于位置社交網(wǎng)絡(luò)的地點(diǎn)推薦方法及應(yīng)用研究[D]. 李鑫.中國科學(xué)技術(shù)大學(xué) 2015
[4]基于位置的移動(dòng)社會(huì)化網(wǎng)絡(luò)推薦技術(shù)研究[D]. 劉樹棟.北京郵電大學(xué) 2015
[5]基于位置社交網(wǎng)絡(luò)的數(shù)據(jù)挖掘[D]. 連德富.中國科學(xué)技術(shù)大學(xué) 2014
[6]社會(huì)化媒體中若干時(shí)空相關(guān)的推薦問題研究[D]. 陰紅志.北京大學(xué) 2014



本文編號(hào)：3191322