發(fā)布時(shí)間：2021-02-02 02:40

　　隨著互聯(lián)網(wǎng)和定位技術(shù)的發(fā)展,在傳統(tǒng)社交網(wǎng)絡(luò)的基礎(chǔ)上,涌現(xiàn)出了許多位置社交網(wǎng)絡(luò)。位置社交網(wǎng)絡(luò)中存在大量的用戶數(shù)據(jù)和位置信息,產(chǎn)生了眾多基于位置的服務(wù),位置推薦就是其中的典型代表。位置社交網(wǎng)絡(luò)上將這種帶有服務(wù)屬性的位置稱為興趣點(diǎn)。興趣點(diǎn)推薦可以幫助用戶發(fā)現(xiàn)感興趣的地點(diǎn),提高用戶生活質(zhì)量。訪問(wèn)興趣點(diǎn)的行為受到用戶當(dāng)前狀態(tài)影響,同時(shí)與最近一段時(shí)間內(nèi)訪問(wèn)的興趣點(diǎn)相關(guān)。這種注重用戶當(dāng)前狀態(tài),推薦結(jié)果有較強(qiáng)時(shí)間約束,并且希望推薦的興趣點(diǎn)在接下來(lái)的一段時(shí)間被訪問(wèn)的推薦問(wèn)題稱為下一個(gè)興趣點(diǎn)推薦。下一個(gè)興趣點(diǎn)推薦問(wèn)題中,類別因素對(duì)推薦結(jié)果影響較大�，F(xiàn)有的方法沒有對(duì)類別進(jìn)行預(yù)測(cè)�？紤]類別時(shí)忽略了時(shí)間與類別的關(guān)系,缺少非個(gè)性化的影響,并且多種環(huán)境因素沒有很好地利用。因此本文將下一個(gè)興趣點(diǎn)推薦問(wèn)題分為兩部分,先預(yù)測(cè)類別,再推薦具體興趣點(diǎn),提出了一種基于類別預(yù)測(cè)的下一個(gè)興趣點(diǎn)推薦算法。本文通過(guò)用戶歷史簽到數(shù)據(jù),采用張量分解和貝葉斯個(gè)性化排序,設(shè)計(jì)了個(gè)性化和非個(gè)性化結(jié)合的類別預(yù)測(cè)算法。在類別預(yù)測(cè)的基礎(chǔ)上,結(jié)合多種環(huán)境因素,設(shè)計(jì)了兩種下一個(gè)興趣點(diǎn)推薦算法。第一種主要考慮地理因素和興趣點(diǎn)流行度對(duì)興趣點(diǎn)推薦的影響。第二種... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

簽到數(shù)據(jù)實(shí)例

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文28=∑exp(′,′,)=1（3-10）′,′,=1exp(′,′,)（3-11）下一個(gè)興趣點(diǎn)類別預(yù)測(cè)算法受到個(gè)性化和非個(gè)性化兩部分影響，我們采用線性加權(quán)的方式，通過(guò)公式（3-12）融合個(gè)性化和非個(gè)性化的類別訪問(wèn)概率，為權(quán)重，為非個(gè)性化類別預(yù)測(cè)值，表示個(gè)性化類別預(yù)測(cè)值，為最終的類別預(yù)測(cè)值。=+(1)（3-12）3.6實(shí)驗(yàn)結(jié)果與分析在真實(shí)的數(shù)據(jù)上，我們將本章提出的類別預(yù)測(cè)算法與現(xiàn)有主要的研究方法進(jìn)行效果對(duì)比。在召回率和準(zhǔn)確率兩種評(píng)價(jià)指標(biāo)下，進(jìn)行效果驗(yàn)證。3.6.1實(shí)驗(yàn)數(shù)據(jù)與運(yùn)行環(huán)境（1）數(shù)據(jù)描述本文的實(shí)驗(yàn)數(shù)據(jù)來(lái)源于真實(shí)的位置社交網(wǎng)絡(luò)FourSquare。FourSquare是國(guó)外常用的位置社交網(wǎng)絡(luò)，它為用戶提供了一個(gè)分享自己實(shí)時(shí)位置，活動(dòng)狀態(tài)和個(gè)人喜好的平臺(tái)，根據(jù)這些數(shù)據(jù)為用戶提供基于位置的服務(wù)。用戶在FourSquare上的簽到數(shù)據(jù)主要包括：簽到用戶ID（UserID），簽到興趣點(diǎn)名稱（POI），簽到時(shí)間（Check-intime），簽到興趣點(diǎn)的經(jīng)度（Longitude），簽到興趣點(diǎn)的緯度（Latitude），簽到興趣點(diǎn)的類別（Category）。如圖3-7所示，就是用戶的一系列簽到數(shù)據(jù)。圖3-7用戶實(shí)際簽到數(shù)據(jù)與傳統(tǒng)的社交網(wǎng)絡(luò)類似，F(xiàn)ourSquare上同樣存在著社交好友關(guān)系。如圖3-8所示，它記錄了用戶在位置社交網(wǎng)絡(luò)的建立的好友，包括用戶ID（UserID）和好友ID（FriendID）兩個(gè)屬性。

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文29圖3-8社交好友關(guān)系實(shí)例FourSquare上存在著眾多城市和國(guó)家的簽到數(shù)據(jù)，現(xiàn)有的研究方法中，絕大多數(shù)都是在城市級(jí)別的數(shù)據(jù)集下進(jìn)行效果驗(yàn)證，部分方法在整個(gè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。在整個(gè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，雖然數(shù)據(jù)更為豐富，但是存在較多的冗余數(shù)據(jù)。例如，在對(duì)用戶進(jìn)行興趣點(diǎn)推薦時(shí)，直觀上來(lái)看，用戶當(dāng)前所在城市外的興趣點(diǎn)不應(yīng)被考慮。這導(dǎo)致興趣點(diǎn)雖然看起來(lái)豐富，但是絕大多數(shù)的興趣點(diǎn)都可以通過(guò)簡(jiǎn)單的篩選方法去除。為了更好的驗(yàn)證算法效果，同時(shí)符合實(shí)際的應(yīng)用場(chǎng)景，本文在城市級(jí)別的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證。我們選擇用戶簽到記錄較多的兩個(gè)城市NewYork和SanFrancisco進(jìn)行算法效果的驗(yàn)證。NewYork城市的數(shù)據(jù)由本文收集，SanFrancisco城市的數(shù)據(jù)來(lái)源于開源數(shù)據(jù)集[45]。表3-1顯示了兩個(gè)城市上，數(shù)據(jù)集的描述。其中一級(jí)類別包含8個(gè)，二級(jí)類別包含354個(gè)。圖3-9表示NewYork城市下，興趣點(diǎn)簽到分布的熱力圖。根據(jù)分布可以看出，用戶的簽到分布較為平均，數(shù)據(jù)具有代表性。表3-1數(shù)據(jù)集描述首先我們對(duì)簽到數(shù)據(jù)進(jìn)行預(yù)處理。將數(shù)據(jù)按用戶進(jìn)行分割，每個(gè)用戶的簽到數(shù)據(jù)根據(jù)簽到時(shí)間的早晚進(jìn)行排序。前80%作為訓(xùn)練數(shù)據(jù)，用來(lái)訓(xùn)練模型和算法。后20%作為測(cè)試數(shù)據(jù)，驗(yàn)證算法的效果。數(shù)據(jù)集簽到數(shù)量用戶個(gè)數(shù)興趣點(diǎn)個(gè)數(shù)平均簽到數(shù)量時(shí)間跨度NewYork12634234153928436.92017.02至2018.11SanFrancisco10438225134392741.532010.01至2011.07


本文編號(hào)：3013894