發(fā)布時間：2021-11-19 13:41

　　興趣點（Point-of-Interest,POI）推薦是推薦系統(tǒng)領域的一部分,并深深根植于人們的日常生活中。隨著LBSNs技術的不斷發(fā)展,興趣點推薦應用也積累了大量的用戶,產(chǎn)生了海量的興趣點數(shù)據(jù)。本文主要針對興趣點推薦領域中,興趣點數(shù)據(jù)稀疏導致的推薦不準確、推薦精度低的問題,提出了模型融合的不同方法。首先,本文提出了一種商品推薦領域算法向興趣點推薦領域轉(zhuǎn)換的方法DTPOI,其不同于傳統(tǒng)推薦模型直接利用評分的得分,而是對用戶評分信息進行了重新定義;本文根據(jù)地理位置信息和標簽信息分別構(gòu)建了距離因子和標簽因子,并結(jié)合用戶評分得分,從而計算出興趣點評分信息矩陣來參與矩陣分解。通過Yelp真實數(shù)據(jù)集上的實驗,DTPOI算法在MAE和RMSE評估上相比PMF、SoRec、TrustMF、TrustSVD算法分別平均提高了47.765%和22.77%,分析實驗結(jié)果說明DTPOI算法提高了興趣點推薦的準確率。其次,本文提出了一種融合圖像內(nèi)容的POI推薦算法VPOI。本文改造深度卷積網(wǎng)絡模型VGG16模型,使其能夠?qū)εd趣點圖像進行特征抽取;同時,構(gòu)造出能夠進行概率矩陣融合的興趣點圖像特征向量,構(gòu)成參與... 

【文章來源】：廣東工業(yè)大學廣東省

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

推薦系統(tǒng)架構(gòu)

廣東工業(yè)大學碩士學位論文算法（Item-based Collaborative Filtering）[17]和基于矩陣分解的rix Factorization based Collaborative Filtering）[6]。2 所示，基于用戶的協(xié)同過濾方法的主要思想是與用戶 u 找到類，用戶 u 根據(jù)用戶 v 的偏好進行個性化推薦。為了找到類似的戶相似度計算方法，例如，皮爾遜相關系數(shù)（Pearson C PCC）[18]，余弦相似度（Cosine Similarity, CS）等尋找相似用戶1）、公式（2.2）可知，對于用戶相似度計算，如果推薦系統(tǒng)的數(shù)量少得多的情況下，計算結(jié)果具有不錯的區(qū)分度；當推薦化頻繁時，也具有不錯的計算結(jié)果。但是，一旦物品的數(shù)量遠似度計算結(jié)果的區(qū)分度就會大大下降。

第二章 興趣點推薦相關概念 (,)2,(,)2,(,),,Sim(,)icomuvviicomuvuiicomuvuivirrrruv（ 2-3 所示，基于物品的協(xié)同過濾方法的主要思想是找到物品 j，其和物品 i 相似，并根據(jù)物品 j 的最終評分對用戶 u 進行個性化推薦。目，同樣可以 PCC 和 CS 相似度計算公式。由公式（2.3）、公式（于物品相似度計算，如果推薦系統(tǒng)中用戶的數(shù)量比物品的數(shù)量少得算結(jié)果具有不錯的區(qū)分度。但是，一旦用戶的數(shù)量遠遠大于物品數(shù)結(jié)果的區(qū)分度就會大大下降。

【參考文獻】：
期刊論文
[1]融合社交信息的矩陣分解推薦方法研究綜述[J]. 劉華鋒,景麗萍,于劍.  軟件學報. 2018(02)
[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.  計算機學報. 2017(01)



本文編號：3505161