本文選題：數據挖掘 + 推薦系統(tǒng)��； 參考：《浙江大學》2017年博士論文

【摘要】：近年來,隨著移動互聯網、智能手機、以及帶有GPS設備的數碼相機的廣泛應用,人們可以隨時隨地拍攝一些帶有地理位置信息的照片,并將它們上傳到類似Flickr的照片分享網站上以與世界各地的人們分享。目前,這種由群體所貢獻的帶有地理位置信息的照片數量呈現出急劇增長的趨勢。這些帶有地理位置信息的照片為充分利用集體智慧發(fā)現熱門景點、獲得用戶旅游偏愛、以及進一步為用戶提供個性化的景點推薦服務創(chuàng)造了可行條件。然而,基于帶有地理位置信息的照片集進行旅游景點推薦經常遭遇一些問題,例如:(1)由于旅行時間或者花費的限制,用戶在旅游城市中通常只會游覽少量的景點,導致了基于用戶-景點矩陣的推薦系統(tǒng)在建模過程中出現數據稀疏性問題;(2)用戶的旅行歷史信息中隱含著用戶在不同年份旅游偏愛的變化,通過傳統(tǒng)的靜態(tài)主題模型不能夠獲得用戶旅行偏愛的變化。目前的基于帶有地理位置信息的照片集的旅游景點推薦技術尚未十分完善,急需提出針對以上挑戰(zhàn)的相關算法。本文利用主題模型、矩陣分解、協同張量分解、以及動態(tài)主題模型等技術,提出了四種方法以解決基于地理標注照片的景點推薦中的不同問題,為用戶提供合適的旅游景點推薦服務。具體來說,本文的主要貢獻如下:(1)針對旅游景點推薦中直接使用用戶訪問景點次數的信息不足以獲得用戶旅行偏愛的問題,提出了一種基于主題模型和情景感知的旅游景點推薦方法。該方法利用主題模型從用戶訪問景點的次數信息中挖掘用戶旅行偏愛的主題概率分布,從而獲得用戶間的相似性信息。此外,通過照片拍攝的時間信息以及第三方天氣網絡服務獲得用戶訪問景點時的天氣和季節(jié)信息,結合基于用戶的協同過濾方法獲得景點的得分序列。該方法在推薦景點的過程中不僅能夠從用戶旅行歷史中獲得用戶的旅行偏愛的主題概率分布,還能夠為用戶提供匹配其情景信息的旅游景點。實驗結果表明,該方法優(yōu)于非情景感知的推薦方法或者在情景感知情況下僅僅依靠原始用戶-景點矩陣的景點推薦方法。(2)針對旅游景點推薦中僅僅使用用戶旅行歷史中少量的元數據信息不足以解決數據稀疏性問題,提出了基于帶有聯合正則項的矩陣分解的旅游景點推薦方法。通過對用戶旅行歷史中照片的元數據信息和照片內容信息的分析,挖掘大量用戶和景點特征信息。這些信息能夠從不同角度描述用戶和景點,建立準確的用戶和景點畫像。此外,利用帶有聯合正則項的矩陣分解方法融合用戶和景點的畫像信息。這種方法可以在用戶-景點矩陣分解的過程中同時限制用戶和景點的潛在特征向量,準確補全原始的稀疏的用戶-景點矩陣。實驗結果表明,基于帶有聯合正則項的矩陣分解的旅游景點推薦方法能夠減輕數據稀疏性問題,提高推薦的準確率。(3)針對引入時間情景信息可能導致數據稀疏性問題嚴重以及單個數據集很難解決旅游景點推薦中的數據稀疏性問題,提出了基于多數據集和協同張量分解的旅游景點推薦方法。通過對多個數據集的分析,從不同方面獲得大量用戶和景點特征信息。利用協同張量分解方法融合多個數據集的用戶和景點信息。該方法能夠在用戶-景點-時間張量分解過程中充分使用多方面的信息輔助該張量的分解,準確地補全該張量中缺失值。實驗結果表明,基于多數據集和協同張量分解的旅游景點推薦方法好于基于單一數據集解決數據稀疏性問題,能夠為用戶提供細粒度的旅游景點推薦服務。(4)針對傳統(tǒng)的靜態(tài)主題模型很難獲得用戶旅行偏愛的演化問題,提出了基于動態(tài)主題模型和矩陣分解的旅游景點推薦方法。利用動態(tài)主題模型從用戶歷史信息中挖掘用戶和景點的隱式特征。該模型能夠獲得用戶旅行偏愛的動態(tài)變化信息。此外,通過對多個數據集分析,挖掘用戶和景點的顯式特征信息。利用帶有聯合正則項的矩陣分解方法融合用戶和景點的顯式以及隱式特征信息。該方法能夠同時從用戶和景點兩個方面限制用戶-景點矩陣分解,解決用戶-景點矩陣的稀疏性問題。實驗結果表明,基于動態(tài)主題模型的旅游景點推薦方法相對于傳統(tǒng)的靜態(tài)主題模型而言,能夠較好地獲得用戶細粒度的旅行偏愛信息。
[Abstract]:......
【學位授予單位】：浙江大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TP391.3

【參考文獻】

相關期刊論文 前1條

1 李建州;張運來;李惠t，

本文編號：1752845