近年來,隨著智能移動(dòng)設(shè)備的流行和定位技術(shù)的普及,在生活中人們?cè)絹碓饺菀撰@取到關(guān)于位置的實(shí)時(shí)信息,這種現(xiàn)象催生了基于位置社交網(wǎng)絡(luò)軟件應(yīng)用的普及,例如Foursquare、大眾點(diǎn)評(píng)等。傳統(tǒng)的推薦算法無法適用于位置社交網(wǎng)絡(luò)情景下的用戶推薦需求。與傳統(tǒng)推薦算法的情景不同,位置社交網(wǎng)絡(luò)中存在著大量的上下文信息,例如地理位置信息、社交網(wǎng)絡(luò)信息、用戶行為的時(shí)間信息等等。在位置社交網(wǎng)絡(luò)中,用戶的行為是自身興趣偏好與多種上下文信息共同作用的結(jié)果,如何對(duì)這些上下文信息進(jìn)行合理地建模成為了必須考慮的問題。本文主要的研究內(nèi)容主要包括以下幾個(gè)部分:(1)本文提出一種基于局部社交關(guān)系正則化的矩陣分解推薦算法,本文算法從全局社交和局部社交兩種角度建模用戶的社交網(wǎng)絡(luò),充分挖掘了社交網(wǎng)絡(luò)對(duì)于用戶偏好的影響。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)表明本文算法的準(zhǔn)確性優(yōu)于其他基于社交的推薦算法。(2)本文提出一種基于核密度估計(jì)的矩陣分解推薦算法,本文算法從用戶自身偏好、地理位置信息和社交網(wǎng)絡(luò)信息三個(gè)方面考慮對(duì)于用戶行為的影響。本文提出的算法不僅能夠有效建模上下文信息對(duì)于用戶行為的影響并且具備良好的可拓展性。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)表明本文算法比...

【文章頁數(shù)】：81 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1不同評(píng)分?jǐn)?shù)量下的用戶分布

?北京郵電大學(xué)工學(xué)碩士學(xué)位論文???的ＲＭＳＥ值大于用戶評(píng)分?jǐn)?shù)量［３１，５０］區(qū)間上的ＲＭＳＥ值。這是因?yàn)檫^多的用戶??評(píng)分?jǐn)?shù)據(jù)分散了用戶興趣偏好的特征，使得推薦算法通過訓(xùn)練集得到的用戶特征??向量無法準(zhǔn)確反映用戶的偏好。??０．８??

圖２－３不同社會(huì)關(guān)系下的用戶分布??１９??

分組情況下的性能優(yōu)劣。首先根據(jù)用戶局部社交數(shù)量的不同，將用戶分成５個(gè)區(qū)??間，每個(gè)區(qū)間內(nèi)用戶的社交數(shù)量依次為［１：１０］、［?１１：２〇］、［２１：３０］、［３１：５０］、［５１：１?〇〇］。??圖２－３顯示了?Ｅｐｉｎｉｏｎｓ、Ｃｉａｏ、ＦｉｌｍＴｒｕｓｔ和豆瓣四個(gè)數(shù)據(jù)集中不同....

圖２－４?不同社會(huì)關(guān)系下用戶對(duì)比結(jié)果??實(shí)驗(yàn)四：參數(shù)對(duì)ＬＳＲＧ算法的影響??實(shí)驗(yàn)四的目的是測(cè)試目標(biāo)函數(shù)中參數(shù)對(duì)于實(shí)驗(yàn)結(jié)?

分組情況下的性能優(yōu)劣。首先根據(jù)用戶局部社交數(shù)量的不同，將用戶分成５個(gè)區(qū)??間，每個(gè)區(qū)間內(nèi)用戶的社交數(shù)量依次為［１：１０］、［?１１：２〇］、［２１：３０］、［３１：５０］、［５１：１?〇〇］。??圖２－３顯示了?Ｅｐｉｎｉｏｎｓ、Ｃｉａｏ、ＦｉｌｍＴｒｕｓｔ和豆瓣四個(gè)數(shù)據(jù)集中不同....

圖2，5參毅對(duì)于算法的影響

２．５本章小結(jié)??針對(duì)于傳統(tǒng)推薦算法沒有利用用戶社交網(wǎng)絡(luò)信息的缺點(diǎn)，本章提出基于局部??社交關(guān)系正則化的矩陣分解推薦算法，本章提出的算法從全局和局部兩種角度對(duì)??用戶的社交Ｎ絡(luò)進(jìn)行建模。本章提出的算法首先對(duì)社交網(wǎng)絡(luò)中的全體用戶排序獲??得每個(gè)用戶的全局社交權(quán)重，然后以正則項(xiàng)的形式....

本文編號(hào)：3933327