移動網(wǎng)絡(luò)的普及和GPS技術(shù)的成熟使得基于位置的社交網(wǎng)絡(luò)飛速發(fā)展,相較于傳統(tǒng)社交網(wǎng)絡(luò),基于位置的社交網(wǎng)絡(luò)中的用戶在進(jìn)行網(wǎng)絡(luò)社交時能夠標(biāo)注自己的位置,以簽到的方式向網(wǎng)絡(luò)上的其他用戶分享自己的動態(tài)。用戶簽到記錄的大量累積為分析用戶行為習(xí)慣、挖掘用戶地點偏好提供了數(shù)據(jù)支持,地點推薦也成為基于位置的社交網(wǎng)絡(luò)上的重要任務(wù)之一。地點推薦不僅可以向用戶推薦他們可能感興趣的地方,豐富用戶的生活,也能為商家進(jìn)行推廣,帶來更多消費(fèi)者,然而由于地點推薦的環(huán)境比較復(fù)雜,用戶行為受多種因素的影響、用戶-地點簽到矩陣稀疏、用戶偏好挖掘不夠充分等問題,因此研究地點推薦有著重要的理論和現(xiàn)實意義。本文的主要工作包括:（1）詳細(xì)分析了地點推薦研究的國內(nèi)外現(xiàn)狀,對地點推薦的分類和相關(guān)理論技術(shù)進(jìn)行了剖析,針對現(xiàn)有地點推薦算法中存在的不足,提出了本文的研究思路和研究內(nèi)容。（2）在基于用戶的協(xié)同過濾算法基礎(chǔ)上,提出了用標(biāo)準(zhǔn)化的簽到次數(shù)來表征用戶對地點的偏好程度,根據(jù)用戶簽到活動的區(qū)域性特征,提出融合地理因素模型,將地理距離和區(qū)域性特征結(jié)合建模地理因素,提出一種融合模型UGR,并在Gowalla數(shù)據(jù)集上進(jìn)行了實驗,結(jié)果表明UGR算法... 

【文章來源】：重慶大學(xué)重慶市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

Foursquare上一個用戶簽到示例

重慶大學(xué)碩士學(xué)位論文2相關(guān)理論分析11圖2.2LBSNs上的影響因素Fig.2.2InfluentialfactorsinLBSNs2.3.1基于地理因素的地點推薦由于用戶的簽到活動受地點地理特征的影響，所以地理因素時地點推薦區(qū)別于傳統(tǒng)推薦的一個重要的因素。通過分析用戶的簽到數(shù)據(jù)顯示，用戶經(jīng)常在幾個區(qū)域活動而且他們更喜歡在經(jīng)常簽到的地點周圍活動。目前，許多研究都使用地理因素來提高地點推薦系統(tǒng)的準(zhǔn)確率。這些研究中，最常用的建模地理因素對地點推薦的影響的模型有三種：冪律分布模型[6,13]、高斯分布模型[8]和核密度估計模型[10]。Ye[6]等人最先使用冪律分布模型來建模地理影響。冪律分布最開始是在人們的移動性中觀察到的，如在ATMs上的撤資活動和在不同城市的旅游活動等[28]。Ye等在用戶在LBSNs上的簽到活動中也發(fā)現(xiàn)了相似的分布，用戶從一個地點去另外一個地點簽到的概率與兩個地點之間距離的關(guān)系分布近似冪律分布，因此Ye等用冪律分布建模了地理因素對用戶簽到活動的影響。用戶從地點到地點簽到的概率y定義如如公式2.8所示。=×(2.8)其中x表示地點和地點之間的地理距離，a和b是冪律分布的兩個參數(shù)，可以從用戶的歷史簽到數(shù)據(jù)中學(xué)習(xí)得到。根據(jù)冪律分布得到地理因素的模型后，可根據(jù)下面的公式得到新的地點的簽到概率。給定用戶i已簽到過的地點集，則用戶i去新的地點簽到的概率如公式2.9所示。=∪()=∏(,)∈(2.9)

重慶大學(xué)碩士學(xué)位論文2相關(guān)理論分析14Cheng等[8]則在地點推薦中將概率矩陣分解和社交正則化（PMFSR）聯(lián)系起來，將社交影響整合進(jìn)概率矩陣分解中。給定U和L分別代表用戶集和地點集合。PMFSR通過最小化公式2.14中的目標(biāo)函數(shù)來學(xué)習(xí)用戶和地點的隱式特征。,∑∑(()||||)+‖‖+‖‖+ ∑∑(,),∈(2.14)其中，和分別為用戶、和地點的隱式特征，是指示函數(shù)，代表用戶在地點簽到過。是用戶的朋友集合，(,)表示用戶、之間的社交權(quán)值，()是sigmoid函數(shù)，將用戶的簽到次數(shù)映射到[0,1]之間。這種模型的社交影響確保了朋友的隱式特征在隱式空間中保持很近的距離。鑒于此方法的有效性，Yang等[14]在其情感感知的地點推薦中也應(yīng)用了此框架。圖2.3地點推薦中社交關(guān)系的影響Fig.2.3ThesignificanceofsocialinfluenceonPOIrecommendation雖然社交關(guān)系可以有效的提升傳統(tǒng)推薦系統(tǒng)的推薦性能，但是在地點推薦中效果一般，Gao等[40]探究了社交關(guān)系對地點推薦結(jié)果的影響，結(jié)果圖2.3所示是社交關(guān)系在地點推薦中的效果展示，HM是沒有加入社交影響的模型，SHM是該模型中加入社交關(guān)系的影響，從圖中可以看出加入社交關(guān)系對預(yù)測結(jié)果的準(zhǔn)確率的提升效果很校社交關(guān)系在地點推薦中表現(xiàn)效果不佳的原因可能是由于LBSNs上面的用戶都是網(wǎng)絡(luò)上的，交友并沒有限制，但是簽到活動卻往往受用戶和地點之間物理交互的制約。因此，LBSNs上的好友可能會有共同的地點愛好，但是卻可能并不會去訪問共同的地點。比如兩個不同城市的好友都喜歡吃火鍋，但他們卻不會在同一家火鍋店簽到。準(zhǔn)確率訓(xùn)練集占比

【參考文獻(xiàn)】：
期刊論文
[1]基于位置社交網(wǎng)絡(luò)的上下文感知的興趣點推薦[J]. 任星怡,宋美娜,宋俊德.  計算機(jī)學(xué)報. 2017(04)
[2]基于用戶簽到行為的興趣點推薦[J]. 任星怡,宋美娜,宋俊德.  計算機(jī)學(xué)報. 2017(01)
[3]一種融合情景和評論信息的位置社交網(wǎng)絡(luò)興趣點推薦模型[J]. 高榕,李晶,杜博,余永紅,宋成芳,丁永剛.  計算機(jī)研究與發(fā)展. 2016(04)
[4]LBSN中基于元路徑的興趣點推薦[J]. 曹玖新,董羿,楊鵬偉,周濤,劉波.  計算機(jī)學(xué)報. 2016(04)
[5]一種基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法[J]. 劉樹棟,孟祥武.  軟件學(xué)報. 2014(11)
[6]基于LBSN的個性化旅游包推薦系統(tǒng)[J]. 胥皇,於志文,封云,周興社.  計算機(jī)與現(xiàn)代化. 2014(01)



本文編號：3351503