發(fā)布時間：2024-03-22 22:02

　　隨著移動互聯(lián)網(wǎng)和定位技術(shù)的快速發(fā)展,用戶通過移動設(shè)備可以很輕松的獲取到自己的位置信息,這也催生了許多基于位置的社交網(wǎng)絡(LBSN)平臺,用戶通過平臺上簽到就可以分享他們?nèi)粘Ｉ钪性L問過的興趣點,平臺也推出了推薦服務提高用戶的生活體驗,特別是興趣點推薦極大的方便了用戶對周邊興趣點的探索。一個優(yōu)秀的推薦服務可以在任何時候通過建模分析用戶的歷史行為,就能給用戶推薦出此時此刻他最可能感興趣的新興趣點。本文為了融合LBSN推薦服務中影響興趣點推薦的三大主要因素:用戶社會好友關(guān)系、興趣點地理空間位置、時間信息去提高興趣點推薦的效果,我們提出了一種基于圖模型的興趣點推薦算法,并且這種興趣點推薦是時間感知的推薦。為了降低推薦算法的整體復雜度,我們首先利用聚類算法在用戶圖上進行了用戶聚類,其中聚類算法中確定初始聚類中心是利用了尋找圖的最稀疏子圖算法,然后通過聚類中心的迭代更新、合并聚類,得到最終的用戶聚類結(jié)果。之后在聚類結(jié)果的每個群組中分別建立包含有六個二分圖(用戶-用戶、用戶-興趣點、用戶-時間、興趣點-興趣點、興趣點-用戶、興趣點-時間)的大型異構(gòu)網(wǎng)絡圖,這個異構(gòu)網(wǎng)絡圖是在融合了以上三種影響興趣點推...

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究主要內(nèi)容
    1.4 論文的結(jié)構(gòu)安排
第二章 推薦系統(tǒng)的相關(guān)內(nèi)容介紹
    2.1 推薦系統(tǒng)介紹
    2.2 傳統(tǒng)推薦算法概述
        2.2.1 基于鄰域的推薦算法
        2.2.2 基于內(nèi)容的推薦算法
        2.2.3 基于關(guān)聯(lián)規(guī)則的推薦算法
        2.2.4 基于圖模型的推薦算法
    2.3 基于位置的社交網(wǎng)絡概述
        2.3.1 LBSN的結(jié)構(gòu)層次
        2.3.2 基于位置的社交網(wǎng)絡推薦
        2.3.3 基于社交網(wǎng)絡個性化推薦中存在的問題
    2.4 推薦系統(tǒng)的性能評估
        2.4.1 用戶調(diào)查
        2.4.2 離線實驗
        2.4.3 在線實驗
    2.5 本章總結(jié)
第三章 基于用戶圖的用戶聚類
    3.1 前言
    3.2 用戶聚類
        3.2.1 聚類介紹
        3.2.2 用戶圖
        3.2.3 尋找圖的最稀疏子圖
        3.2.4 用戶聚類
    3.3 聚類算法復雜度分析
    3.4 本章總結(jié)
第四章 圖模型推薦算法
    4.1 前言
    4.2 加權(quán)二分圖
    4.3 頂點嵌入向量的訓練學習
        4.3.1 LINE模型算法
        4.3.2 模型算法的優(yōu)化
    4.4 在異構(gòu)圖上的聯(lián)合訓練學習
    4.5 興趣點推薦
    4.6 本章總結(jié)
第五章 實驗仿真與結(jié)果分析
    5.1 實驗數(shù)據(jù)集及數(shù)據(jù)預處理
        5.1.1 數(shù)據(jù)集介紹
        5.1.2 數(shù)據(jù)預處理
    5.2 實驗對比和評估
        5.2.1 實驗對比方法
        5.2.2 實驗評估指標
    5.3 仿真實驗
        5.3.1 實驗環(huán)境和設(shè)置
        5.3.2 實驗結(jié)果對比
    5.4 推薦算法的性能討論
    5.5 本章總結(jié)
第六章 總結(jié)與展望
    6.1 本文研究總結(jié)
    6.2 對研究工作的展望
參考文獻
發(fā)表論文和參加科研情況說明
致謝



本文編號：3935013