隨著智能手機(jī)的普及以及全球定位系統(tǒng)的廣泛應(yīng)用,基于位置的社交網(wǎng)絡(luò)（LBSNs,Location-Based Social Networks）已經(jīng)成為人們分享興趣點(diǎn)簽到的主要渠道之一。同時(shí),信息技術(shù)的飛速發(fā)展使人們?cè)庥隽诵畔⑦^(guò)載的困擾,對(duì)于LBSN來(lái)說(shuō),用戶發(fā)現(xiàn)其感興趣的地點(diǎn)十分困難。興趣點(diǎn)推薦算法應(yīng)運(yùn)而生,旨在為用戶推薦高質(zhì)量的地點(diǎn)。LBSN中的用戶簽到數(shù)據(jù)存在地理聚集現(xiàn)象以及稀疏性問(wèn)題,如何根據(jù)數(shù)據(jù)特點(diǎn)設(shè)計(jì)高效的推薦模型,是LBSN中的關(guān)鍵問(wèn)題。已有工作分別從社交關(guān)系、時(shí)間因素、地理影響因素與內(nèi)容因素四個(gè)方面展開(kāi)研究,相關(guān)結(jié)果表明,社交關(guān)系與時(shí)間因素有一定的局限性,地理影響因素與內(nèi)容因素能夠提高算法的推薦性能。然而,目前對(duì)于地理影響因素與內(nèi)容因素的研究都是獨(dú)立進(jìn)行的,單因素模型的推薦性能還不夠理想,達(dá)不到令人滿意的效果。僅考慮地理影響因素,算法會(huì)受到數(shù)據(jù)稀疏的影響;而僅考慮內(nèi)容信息,算法會(huì)產(chǎn)生因地理位置限制用戶不可能訪問(wèn)的地點(diǎn)。內(nèi)容因素中的圖片相對(duì)于文本來(lái)說(shuō),蘊(yùn)含著更多的信息,能夠同時(shí)反映用戶的偏好與地點(diǎn)的特點(diǎn)。如何結(jié)合地理影響因素與圖片視覺(jué)內(nèi)容進(jìn)一步提高推薦算法性能是LBSN推薦領(lǐng)... 

【文章來(lái)源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：95 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖片反映用戶的POI偏好目前對(duì)于地理影響因素與圖片因素的研究都是獨(dú)立進(jìn)行的

用于計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等領(lǐng)域的研究與實(shí)踐，并取得了巨大的成功。 卷積神經(jīng)網(wǎng)絡(luò)通常用于處理具有網(wǎng)格結(jié)構(gòu)（grid-like topology）的數(shù)據(jù)，如一維的時(shí)間序列數(shù)據(jù)、文本數(shù)據(jù)，二維的圖像數(shù)據(jù)等, 廣泛的用以完成分類、回歸等任務(wù)。與早期使用人工設(shè)計(jì)的特征不同，卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)強(qiáng)有力的表征學(xué)習(xí)工具，能夠?qū)Φ碗A特征進(jìn)行一定組合，從數(shù)據(jù)中自動(dòng)學(xué)習(xí)高階特征，同時(shí)在下游的分類或回歸任務(wù)中表現(xiàn)出優(yōu)異的性能。Le Cun 在文獻(xiàn)[45]提出了卷積神經(jīng)網(wǎng)絡(luò)這一概念，他構(gòu)建了淺層的卷積神經(jīng)網(wǎng)絡(luò) Le Net-5 來(lái)進(jìn)行手寫(xiě)數(shù)字識(shí)別。Le Net-5 是一個(gè)七層的卷積神經(jīng)網(wǎng)絡(luò)，它的網(wǎng)絡(luò) 結(jié) 構(gòu) 如 圖 2.1 所 示 ， 它 由 三 個(gè) 卷 積 層 （ Convolutional Layer ）， 兩 個(gè) 池 化 層（Pooling/Subsampling Layer），兩個(gè)全連接層（Fullly Connected Layer）構(gòu)成。

東南大學(xué)碩士學(xué)位論文16卷積層（ConvolutionalLayer）如圖2.2所示，具有稀疏連接、參數(shù)共享的性質(zhì)，它可以充分利用數(shù)據(jù)的空間相關(guān)性（相鄰區(qū)域高度相關(guān)[50]），能夠提取圖像的語(yǔ)義特征，同時(shí)降低模型的參數(shù)以減輕過(guò)擬合。這里的過(guò)擬合指的是神經(jīng)網(wǎng)絡(luò)對(duì)于其見(jiàn)過(guò)的數(shù)據(jù)產(chǎn)生記憶性，而對(duì)于未知數(shù)據(jù)的泛化能力較弱。網(wǎng)絡(luò)淺層的卷積層可以提取圖像的輪廓特征、顏色特征等底層語(yǔ)義特征，而隨著網(wǎng)絡(luò)的加深，深層的卷積層能夠提取越來(lái)越抽象的特征，即圖像的高層語(yǔ)義特征[46]。這些具有高層語(yǔ)義的特征能夠大幅度提高網(wǎng)絡(luò)下游分類器或回歸器的性能。圖2.2卷積層示意圖[50]池化層（PoolingLayer）如圖2.3所示，往往使用于卷積層之后，它對(duì)卷積層提取的特征進(jìn)行降采樣，降低模型的參數(shù)。常用池化層有最大池化層（Maxpooling）與平均池化層（Averagepooling）兩種。最大池化層取一定區(qū)域內(nèi)的最大值為該區(qū)域的表征，而平均池化層取均值。池化層最主要的作用有兩點(diǎn)：一是提取具有抗干擾性質(zhì)的特征（invariantfeatures），能夠在圖像輕微的旋轉(zhuǎn)、平移等操作后保持特征不變或是輕微變化；二是降低模型的參數(shù)，提升模型的計(jì)算速度，減輕模型可能發(fā)生的過(guò)擬合。圖2.3池化層層示意圖

【參考文獻(xiàn)】：
期刊論文
[1]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)



本文編號(hào)：3522885