由于智能手機(jī)和GPS技術(shù)的普及和發(fā)展,基于位置的社交網(wǎng)絡(luò)（Location Based Social Network,LBSN）受到越來越多的關(guān)注,例如Foursquare和Yelp。然而隨著LBSN中用戶和項(xiàng)目數(shù)量的爆炸式增長,無論是對于用戶、商家還是研究人員,都面臨著信息的大量冗余、篩選上存在困難的問題。對于當(dāng)前來說,推薦系統(tǒng)是用來解決這類問題的一種極其有效的方式。它的本質(zhì)是一種信息過濾系統(tǒng),它通過分析用戶的歷史行為記錄來預(yù)測用戶對項(xiàng)目的興趣偏好,進(jìn)而向用戶推薦個(gè)性化信息。傳統(tǒng)的推薦系統(tǒng)大多基于協(xié)同過濾技術(shù),它利用用戶對項(xiàng)目的評分來生成推薦,但是由于用戶評分?jǐn)?shù)據(jù)的稀疏性和冷啟動(dòng)問題,協(xié)同過濾技術(shù)無法產(chǎn)生準(zhǔn)確的推薦結(jié)果。因此很多研究人員提出了利用輔助信息來優(yōu)化推薦,不同于傳統(tǒng)的社會(huì)媒體推薦場景,在基于位置的社交網(wǎng)絡(luò)中,存在大量具有時(shí)空屬性的對象,例如用戶的文本信息、用戶的簽到或評論時(shí)間信息、項(xiàng)目的現(xiàn)實(shí)地理位置信息等。本文以卷積矩陣分解（Convolutional Matrix Factorization,ConvMF）為基本框架,融入時(shí)間和空間關(guān)系來生成更準(zhǔn)確的評分預(yù)測。ConvMF... 

【文章來源】：山東師范大學(xué)山東省

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

本文內(nèi)容的組織結(jié)構(gòu)圖

CNN結(jié)構(gòu)[17]

山東師范大學(xué)碩士學(xué)位論文19薦模型中進(jìn)行推薦；最后對結(jié)果進(jìn)行優(yōu)化。3.2.1ConvMF簡介本文使用概率矩陣分解（ConvMF）作為本文的基本推薦框架，從概率角度將CNN集成到PMF中。具體來說，ConvMF采用CNN來學(xué)習(xí)項(xiàng)目描述文檔的上下文信息，并進(jìn)一步提高了評分預(yù)測的準(zhǔn)確性。商品的描述文檔（例如評論，介紹或摘要）通常暗含重要信息，尤其是在用戶項(xiàng)目評分矩陣特別稀疏的情況下。例如，從用戶對項(xiàng)目的評論中，可以獲得項(xiàng)目的隱式信息，例如質(zhì)量，類型和外觀信息。在2.1章節(jié)中我們詳細(xì)介紹了ConvMF的相關(guān)理論，ConvMF的圖形模型如圖3-1所示。圖3-1ConvMF模型圖假設(shè)有N個(gè)用戶和M個(gè)項(xiàng)目，觀察到的評分矩陣由ijNMRr表示。設(shè)UlN和lMV表示為用戶潛在特征矩陣和項(xiàng)目潛在特征矩陣，其中，列向量iU和jV分別表示特定用戶潛在特征向量和特定項(xiàng)目潛在特征向量。我們將觀察到的評分矩陣R的條件概率分布定義如下：22,,,ijINMTijijijpRUVΝrUV(3-1)其中2Nx|,是滿足均值為，方差為2的高斯正態(tài)分布的概率密度函數(shù)。是指示函數(shù)，如果用戶i對項(xiàng)目j有過評分行為時(shí)其值為1，反之為0。對于用戶的潛在特征矩陣U,設(shè)置均值為0的高斯先驗(yàn):220,NUiUipUNUI(3-2)對于項(xiàng)目的潛在特征V，不同于傳統(tǒng)的概率矩陣分解，ConvMF假設(shè)它由三個(gè)變量生成：1）CNN的內(nèi)部權(quán)重1W，2）項(xiàng)目j的文檔jX和3）用于優(yōu)化項(xiàng)目潛在特征向量的高斯噪聲（用表示）。因此，本文可以得到項(xiàng)目的潛在特征：

【參考文獻(xiàn)】：
期刊論文
[1]基于位置的社交網(wǎng)絡(luò)中基于時(shí)空關(guān)系的超網(wǎng)絡(luò)鏈接預(yù)測方法[J]. 胡敏,陳元會(huì),黃宏程.  計(jì)算機(jī)應(yīng)用. 2018(06)
[2]融入上下文相互關(guān)系的概率矩陣分解推薦[J]. 姚云鋒,陳蓮娜.  中國計(jì)量大學(xué)學(xué)報(bào). 2016(03)
[3]地理社交網(wǎng)絡(luò)位置推薦[J]. 景寧,王躍華,鐘志農(nóng),吳燁.  國防科技大學(xué)學(xué)報(bào). 2015(05)
[4]基于位置的社交網(wǎng)絡(luò)研究綜述[J]. 朱立超,李治軍,姜守旭.  智能計(jì)算機(jī)與應(yīng)用. 2014(04)
[5]基于受限信任關(guān)系和概率分解矩陣的推薦[J]. 印桂生,張亞楠,董宇欣,韓啟龍.  電子學(xué)報(bào). 2014(05)

博士論文
[1]融合多源信息的推薦算法研究[D]. 余永紅.南京大學(xué) 2017
[2]社交網(wǎng)絡(luò)中個(gè)性化推薦模型及算法研究[D]. 張志軍.山東師范大學(xué) 2015
[3]基于協(xié)同過濾的推薦算法研究[D]. 劉青文.中國科學(xué)技術(shù)大學(xué) 2013
[4]協(xié)同過濾系統(tǒng)的稀疏性與冷啟動(dòng)問題研究[D]. 孫小華.浙江大學(xué) 2005

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的音樂推薦系統(tǒng)[D]. 何蓉.南京郵電大學(xué) 2019
[2]社會(huì)網(wǎng)絡(luò)中基于特征學(xué)習(xí)的推薦算法研究[D]. 溫宇菲.山東師范大學(xué) 2019
[3]基于Schatten p范數(shù)的協(xié)同過濾推薦算法研究[D]. 陳夢潔.華僑大學(xué) 2018
[4]融合文檔上下文感知的社會(huì)化推薦研究[D]. 何李杰.重慶郵電大學(xué) 2018
[5]推薦系統(tǒng)中的用戶動(dòng)態(tài)興趣模型研究[D]. 黃敦賢.華南理工大學(xué) 2018
[6]協(xié)同過濾推薦系統(tǒng)中的數(shù)據(jù)稀疏性及冷啟動(dòng)問題研究[D]. 李曉菊.華東師范大學(xué) 2018
[7]基于位置的社交網(wǎng)絡(luò)興趣點(diǎn)推薦策略研究[D]. 陳志朋.浙江工商大學(xué) 2018
[8]基于深度學(xué)習(xí)的智能化資源推薦方法研究[D]. 葉慧娟.福州大學(xué) 2018
[9]基于用戶相似度和社交信任關(guān)系的推薦算法研究[D]. 王佳同.東北師范大學(xué) 2017
[10]融合社交因素和評論文本卷積網(wǎng)絡(luò)模型的汽車推薦研究及應(yīng)用[D]. 陳以剛.重慶大學(xué) 2017



本文編號：2962957