當(dāng)前興趣點(diǎn)推薦大多利用興趣點(diǎn)的位置信息和用戶的社交關(guān)系提升推薦質(zhì)量,忽略了興趣點(diǎn)評(píng)論信息的重要性;此外,推薦的興趣點(diǎn)之間通常比較相似,不具有代表性和差異性.針對(duì)上述問(wèn)題,提出了一種新的興趣點(diǎn)相關(guān)度評(píng)估模型,稱為地理-社會(huì)-評(píng)論關(guān)系模型,并給出了一種新的評(píng)論文本相似度度量方法.根據(jù)興趣點(diǎn)間的地理-社會(huì)-評(píng)論關(guān)系相關(guān)度,提出了基于譜聚類的興趣點(diǎn)聚類方法和基于概率密度估計(jì)的興趣點(diǎn)典型化選取方法,以便從每個(gè)聚類中選取一個(gè)具有代表性的興趣點(diǎn).對(duì)于選取的典型化興趣點(diǎn),提出了利用概率因子模型擬合用戶訪問(wèn)興趣點(diǎn)次數(shù)矩陣的方法對(duì)推薦結(jié)果進(jìn)行個(gè)性化排序.實(shí)驗(yàn)結(jié)果表明,本文提出的相關(guān)度評(píng)估模型對(duì)興趣點(diǎn)的相關(guān)度評(píng)估更合理,推薦結(jié)果在多樣性和準(zhǔn)確率方面都取得了更好的效果. 

【文章來(lái)源】：小型微型計(jì)算機(jī)系統(tǒng). 2019,40(11)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

總體框架圖Fig．1Generalframeworkdiagram

?2、θ3為可調(diào)參數(shù)，用于調(diào)整地理相關(guān)度、社會(huì)相關(guān)度、評(píng)論文本相關(guān)度在興趣點(diǎn)相關(guān)度中的比重，其中θ1+θ2+θ3=1．5興趣點(diǎn)的典型化選取5．1基于興趣點(diǎn)相關(guān)度矩陣的聚類為了得到具有多樣性的興趣點(diǎn)推薦列表，需將第4節(jié)得到的興趣點(diǎn)相關(guān)度矩陣進(jìn)行聚類，進(jìn)而從不同類別中選取典型性的興趣點(diǎn)．譜聚類是一種基于圖論的聚類方法，該算法只需要數(shù)據(jù)之間的相似度矩陣即可，并更適合在高維度的數(shù)據(jù)上運(yùn)行，因此本文采用譜聚類中規(guī)范割集準(zhǔn)則［22］進(jìn)行興趣點(diǎn)的聚類．圖2是一個(gè)帶權(quán)無(wú)向圖，頂點(diǎn)之間的連線表示兩個(gè)頂點(diǎn)之間的聯(lián)系，邊的權(quán)重代表頂點(diǎn)的相關(guān)度，本文用wij代表頂點(diǎn)i與j之間的相關(guān)度．假設(shè)圖2的無(wú)向圖被分為兩類G1和G2，以n維向量(這里n=7)q=［q1，q2，…，qn］記錄該無(wú)向圖的劃分方法(若頂點(diǎn)i屬于G1，則qi=c1;若頂點(diǎn)i屬于G2，則qi=c2)，劃分方案可表示為q=［c1，c1，c1，c1，c2，c2，c2］．按此劃分方案，劃分最優(yōu)子圖時(shí)所截?cái)嗟呐d趣點(diǎn)關(guān)系圖中邊的權(quán)重之和的函數(shù)，即損失函數(shù)可表示為:Cut(G1，G2)=∑i∈G1，j∈G2wij=∑ni=1∑nj=1wij(qi－qj)22(c1－c2)2(17)圖2譜聚類示意圖Fig．2Spectralclusteringdiagram又因?yàn)?∑ni=1∑nj=1wij(qi－qj)2=∑ni=1∑nj=1wij(q2i－2qiqj+q2j)=－∑ni=1∑nj=12wijqiqj+∑ni=1∑n

疚奶?出的方法和ST-CW算法［26］分別將該基準(zhǔn)文本與其余30組評(píng)論文本做相似度計(jì)算，并整理出與該基準(zhǔn)評(píng)論文本相似度最高的10組評(píng)論．然后邀請(qǐng)了10個(gè)用戶(碩士生)，讓他們從30組評(píng)論中選出與基準(zhǔn)文本最相似的10組評(píng)論文本．則算法的準(zhǔn)確率為:Accuracy=|AＲ∩UＲ|10(28)其中，分子代表由不同方法得到的10組評(píng)論文本和由用戶選出的10組評(píng)論文本的交集，即兩種方法得到的結(jié)果與用戶標(biāo)注結(jié)果之間的重疊程度，重疊程度越高，說(shuō)明用戶滿意度(算法準(zhǔn)確率)越高．圖310名用戶的滿意程度Fig．3Satisfactionof10users從圖3可以看出，本文提出的算法的重疊率為82%，而ST-CW算法的重疊率為69%(重疊率取10個(gè)用戶的平均值)．由此可見(jiàn)，本文提出的算法具有較高的重疊率，即具有較高的準(zhǔn)確率．6．4推薦結(jié)果分析實(shí)驗(yàn)中，以0．1為步長(zhǎng)，采用枚舉法討論興趣點(diǎn)相關(guān)度的權(quán)重系數(shù)．首先令θ1=0．1，分別令θ2=0．1、0．2、…、0．8，θ3=0．8、0．7、…、0．1，然后令θ1=0．2，分別令θ2=0．1、0．2、…、0．7，θ3=0．7、0．6、…、0．1，再令θ1=0．3，分別令θ2=0．1、0．2、…、0．6，θ3=0．6、0．5、…、0．1，以此類推．經(jīng)測(cè)得，當(dāng)θ1=0．8、θ2=0．1、θ3=0．1時(shí)在準(zhǔn)確率召回率指標(biāo)上取得較好的結(jié)果，因此選取0．8、0．1、0．1作為地理相關(guān)度、社會(huì)相關(guān)度以及評(píng)論相關(guān)度的權(quán)重系數(shù);而PFM中的參數(shù)根據(jù)文獻(xiàn)［23］中的最優(yōu)參數(shù)設(shè)定，αk=20、βk=0．2，該參數(shù)經(jīng)過(guò)測(cè)試，同樣適用于本文所用數(shù)據(jù)集;在k-means聚類中，本

【參考文獻(xiàn)】：
期刊論文
[1]融合地理-社會(huì)關(guān)系的空間聚類方法[J]. 唐延歡,孟祥福,張霄雁,畢崇春,唐曉亮.  小型微型計(jì)算機(jī)系統(tǒng). 2017(11)
[2]基于用戶的協(xié)同過(guò)濾算法的推薦效率和個(gè)性化改進(jìn)[J]. 王成,朱志剛,張玉俠,蘇芳芳.  小型微型計(jì)算機(jī)系統(tǒng). 2016(03)
[3]面向微博系統(tǒng)的實(shí)時(shí)個(gè)性化推薦[J]. 高明,金澈清,錢衛(wèi)寧,王曉玲,周傲英.  計(jì)算機(jī)學(xué)報(bào). 2014(04)
[4]一種基于LDA的社區(qū)問(wèn)答問(wèn)句相似度計(jì)算方法[J]. 熊大平,王健,林鴻飛.  中文信息學(xué)報(bào). 2012(05)
[5]結(jié)合詞義的文本特征詞權(quán)重計(jì)算方法[J]. 李明濤,羅軍勇,尹美娟,路林.  計(jì)算機(jī)應(yīng)用. 2012(05)
[6]一種基于WordNet的短文本語(yǔ)義相似性算法[J]. 翟延冬,王康平,張東娜,黃嵐,周春光.  電子學(xué)報(bào). 2012(03)
[7]一種結(jié)合詞項(xiàng)語(yǔ)義信息和TF-IDF方法的文本相似度量方法[J]. 黃承慧,印鑒,侯昉.  計(jì)算機(jī)學(xué)報(bào). 2011(05)
[8]基于常問(wèn)問(wèn)題集的中文問(wèn)答系統(tǒng)研究[J]. 秦兵,劉挺,王洋,鄭實(shí)福,李生.  哈爾濱工業(yè)大學(xué)學(xué)報(bào). 2003(10)



本文編號(hào)：3262905