基于位置應用的用戸行為預測與服務推薦
發(fā)布時間：2021-01-15 06:18
隨著基于位置的社交網絡（LBSNs）的廣泛應用,用戶可以通過簽到分享他們訪問的興趣點（POIs）。通過分析用戶的歷史簽到記錄,興趣點推薦可以向用戶推薦他們可能感興趣的地點來幫助用戶獲得更好的訪問體驗。在LBSNs中,由于地理位置的臨近對用戶的簽到行為有顯著的影響,社交朋友之間往往有共同的興趣,因此在位置推薦中大量使用了地理影響和好友影響。除此之外,人們也更喜歡去流行度較高的興趣點,并且人類移動顯示有一定的序列模式,但現有的大多數有關興趣點推薦的研究沒有把這些因素進行綜合考慮。因此,本文旨在利用序列融合地理信息、社會信息和流行度對用戶簽到行為的影響來提高LBSNs中的興趣點推薦的質量。我們提出了一種新的位置推薦方法,即GFP-LORE。在GFP-LORE中,我們首先從所有用戶的簽到時空序列中挖掘序列模式,并將其建模為動態(tài)的位置轉移圖（L2TG）,其中的時空序列包含按簽到時間排序的同一用戶的簽到興趣點。因為新的興趣點不僅取決于最近訪問的興趣點,還取決于序列中較早訪問的興趣點。所以我們不是利用基于一階馬爾可夫鏈為用戶推薦興趣點的方法,而是使用一個高效的n階加權馬爾可夫鏈預測用戶訪問一個新興趣...
【文章來源】：天津工業(yè)大學天津市
【文章頁數】：63 頁
【學位級別】：碩士
【部分圖文】：
圖２－２?—個基于位置的社交網絡??
，研究歷史訪問記錄來向用戶進行位置、朋友或活動推薦。（２）主體為用戶的ＧＰＳ??軌跡的ＬＢＳＮｓｗ］：比較典型的是ＧｅｏＬｉｆｅ項目，是由微軟發(fā)起的，用戶在ＧｅｏＬｉｆｅ??上可以上傳ＧＰＳ位置信息和相對應的圖片。通過挖掘用戶的ＧＰＳ軌跡，預測用??戶使用的交通方式以及該區(qū)域的常用路線和熱門區(qū)域建議。??
圖３－丨顯示了Ｌ２ＴＧ的一個例子，其中頂點＆用圓圈表示，興趣點之間的轉移：??邊用箭頭表示，頂點中的數字和邊上的數字分別是該頂點的出度ＯＣｏｕｎｔＣ／ｉ）和該??邊的轉移次數７Ｔ〇ｕｎｔ（＾，ｙ。特別提示，頂點出度是該頂點所代表的興趣點在簽??到序列中作為轉移前驅被訪問的頻率。例如，匕的出度為５，因為＼曾是／２的轉移??前驅３次和丨４的轉移前驅２次＾即使／３曾是轉移后繼９次，但是它不曾是任何興??趣點的轉移前驅，因此〖３的出度為０。??按照與Ｌ２ＴＧ相關的出度和轉移頻率，可以確定轉移概率。??定義９轉移概率：如果＾的出度非零，即ＯＣｏｕｎｔ（／ｉ）＞０，?的轉移概率??ＴＰ（〖ｉ?〇通過公式３－１計算??ＴＣｏｕｎｔ＾ｌｊ）??ｏｃａｕｎｍ?’?（３￣１｝??否則，即ＯＣｏｉｍｔ（〇）?＝?〇，則通過公式３－２計算??
【參考文獻】：
期刊論文
[1]基于高斯分析的馬爾可夫位置預測方法[J]. 喬巖磊,杜永萍,趙東玥. 計算機技術與發(fā)展. 2018(01)
[2]Partition-based Collaborative Tensor Factorization for POI Recommendation[J]. Wenjing Luan,Guanjun Liu,Changjun Jiang,Liang Qi. IEEE/CAA Journal of Automatica Sinica. 2017(03)
[3]一種基于位置社交網絡融合多種情景信息的興趣點推薦模型[J]. 陳志雄,曾誠,高榕. 計算機應用研究. 2017(10)
[4]基于位置社交網絡的上下文感知的興趣點推薦[J]. 任星怡,宋美娜,宋俊德. 計算機學報. 2017(04)
[5]LBSN中融合相似性和好友信任的地點推薦算法[J]. 丁勇,劉菁. 計算機工程與設計. 2016(08)
[6]基于位置的社會化網絡的并行化推薦算法[J]. 曾雪琳,吳斌. 計算機應用. 2016(02)
[7]內容推薦中用戶偏好計算方法及影響因素[J]. 張澤鑫. 科技傳播. 2014(13)
[8]基于運動趨勢的移動對象位置預測[J]. 李雯,夏士雄,劉峰,張磊,袁冠. 通信學報. 2014(02)
[9]協同過濾推薦研究綜述[J]. 奉國和,梁曉婷. 圖書情報工作. 2011(16)
[10]冪律分布研究簡史[J]. 胡海波,王林. 物理. 2005(12)
碩士論文
[1]LBSN中基于并行圖的協同過濾位置推薦算法研究[D]. 孟桓羽.北京交通大學 2017
[2]基于位置社交網絡的用戶行為建模與研究[D]. 郭昊.中國科學技術大學 2017
[3]基于位置社交網絡的個性化推薦方法的研究[D]. 任若愚.吉林大學 2017
[4]融合多維簽到信息的LBSN鏈接預測研究[D]. 江潔.北京交通大學 2017
[5]基于時空數據挖掘的位置預測與服務推薦研究[D]. 胡毅通.東南大學 2016
[6]LBSN中基于行為分析的用戶位置預測[D]. 呂仁俊.東南大學 2015
[7]面向微博用戶的內容與好友推薦算法研究與實現[D]. 石麗麗.北京郵電大學 2014
[8]改進的聚類算法在不同數據集中的研究及應用[D]. 高靈渲.廣東工業(yè)大學 2012
本文編號：2978397
【文章來源】：天津工業(yè)大學天津市
【文章頁數】：63 頁
【學位級別】：碩士
【部分圖文】：
圖２－２?—個基于位置的社交網絡??
，研究歷史訪問記錄來向用戶進行位置、朋友或活動推薦。（２）主體為用戶的ＧＰＳ??軌跡的ＬＢＳＮｓｗ］：比較典型的是ＧｅｏＬｉｆｅ項目，是由微軟發(fā)起的，用戶在ＧｅｏＬｉｆｅ??上可以上傳ＧＰＳ位置信息和相對應的圖片。通過挖掘用戶的ＧＰＳ軌跡，預測用??戶使用的交通方式以及該區(qū)域的常用路線和熱門區(qū)域建議。??
圖３－丨顯示了Ｌ２ＴＧ的一個例子，其中頂點＆用圓圈表示，興趣點之間的轉移：??邊用箭頭表示，頂點中的數字和邊上的數字分別是該頂點的出度ＯＣｏｕｎｔＣ／ｉ）和該??邊的轉移次數７Ｔ〇ｕｎｔ（＾，ｙ。特別提示，頂點出度是該頂點所代表的興趣點在簽??到序列中作為轉移前驅被訪問的頻率。例如，匕的出度為５，因為＼曾是／２的轉移??前驅３次和丨４的轉移前驅２次＾即使／３曾是轉移后繼９次，但是它不曾是任何興??趣點的轉移前驅，因此〖３的出度為０。??按照與Ｌ２ＴＧ相關的出度和轉移頻率，可以確定轉移概率。??定義９轉移概率：如果＾的出度非零，即ＯＣｏｕｎｔ（／ｉ）＞０，?的轉移概率??ＴＰ（〖ｉ?〇通過公式３－１計算??ＴＣｏｕｎｔ＾ｌｊ）??ｏｃａｕｎｍ?’?（３￣１｝??否則，即ＯＣｏｉｍｔ（〇）?＝?〇，則通過公式３－２計算??
【參考文獻】：
期刊論文
[1]基于高斯分析的馬爾可夫位置預測方法[J]. 喬巖磊,杜永萍,趙東玥. 計算機技術與發(fā)展. 2018(01)
[2]Partition-based Collaborative Tensor Factorization for POI Recommendation[J]. Wenjing Luan,Guanjun Liu,Changjun Jiang,Liang Qi. IEEE/CAA Journal of Automatica Sinica. 2017(03)
[3]一種基于位置社交網絡融合多種情景信息的興趣點推薦模型[J]. 陳志雄,曾誠,高榕. 計算機應用研究. 2017(10)
[4]基于位置社交網絡的上下文感知的興趣點推薦[J]. 任星怡,宋美娜,宋俊德. 計算機學報. 2017(04)
[5]LBSN中融合相似性和好友信任的地點推薦算法[J]. 丁勇,劉菁. 計算機工程與設計. 2016(08)
[6]基于位置的社會化網絡的并行化推薦算法[J]. 曾雪琳,吳斌. 計算機應用. 2016(02)
[7]內容推薦中用戶偏好計算方法及影響因素[J]. 張澤鑫. 科技傳播. 2014(13)
[8]基于運動趨勢的移動對象位置預測[J]. 李雯,夏士雄,劉峰,張磊,袁冠. 通信學報. 2014(02)
[9]協同過濾推薦研究綜述[J]. 奉國和,梁曉婷. 圖書情報工作. 2011(16)
[10]冪律分布研究簡史[J]. 胡海波,王林. 物理. 2005(12)
碩士論文
[1]LBSN中基于并行圖的協同過濾位置推薦算法研究[D]. 孟桓羽.北京交通大學 2017
[2]基于位置社交網絡的用戶行為建模與研究[D]. 郭昊.中國科學技術大學 2017
[3]基于位置社交網絡的個性化推薦方法的研究[D]. 任若愚.吉林大學 2017
[4]融合多維簽到信息的LBSN鏈接預測研究[D]. 江潔.北京交通大學 2017
[5]基于時空數據挖掘的位置預測與服務推薦研究[D]. 胡毅通.東南大學 2016
[6]LBSN中基于行為分析的用戶位置預測[D]. 呂仁俊.東南大學 2015
[7]面向微博用戶的內容與好友推薦算法研究與實現[D]. 石麗麗.北京郵電大學 2014
[8]改進的聚類算法在不同數據集中的研究及應用[D]. 高靈渲.廣東工業(yè)大學 2012
本文編號：2978397
本文鏈接：http://sikaile.net/kejilunwen/shengwushengchang/2978397.html
最近更新
教材專著
