近年來,隨著智能設(shè)備、社交網(wǎng)絡(luò)和位置獲取技術(shù)的快速發(fā)展,基于位置的社交網(wǎng)絡(luò)（LBSNs）應(yīng)運而生,如Foursquare、Gowall和微信等。基于位置的社交網(wǎng)絡(luò)服務(wù)成已經(jīng)為人們出行的必備工具。這些基于位置的社交網(wǎng)絡(luò)服務(wù)將用戶線上和線下的活動結(jié)合在一起,用戶訪問現(xiàn)實生活中的興趣點,在線上進行簽到活動并與社交朋友進行線上交流、分享自己的地理位置和簽到經(jīng)驗等。興趣點推薦系統(tǒng)旨在為用戶推薦其感興趣的地點以提供更好的用戶體驗,并為商家增加商業(yè)利潤。正因為興趣點推薦系統(tǒng)對用戶和商家存在這些巨大的價值,興趣點推薦系統(tǒng)的研究受到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。融合多種影響因素來提升興趣點推薦系統(tǒng)的用戶體驗是一種技術(shù)實現(xiàn)途徑,但也存在著一些挑戰(zhàn)。由于興趣點推薦系統(tǒng)受地理因素、時間因素和社交因素等上下文信息的影響,導(dǎo)致興趣點推薦系統(tǒng)中的用戶簽到數(shù)據(jù)十分稀疏,不易于準(zhǔn)確的興趣點推薦。本文在現(xiàn)有研究工作基礎(chǔ)上,針對現(xiàn)有的興趣點推薦模型存在的不足,對基于社交和地理信息的興趣點推薦技術(shù)開展研究,通過利用用戶的歷史簽到數(shù)據(jù)、社交關(guān)系和地理信息,挖掘用戶偏好,從而實現(xiàn)對用戶興趣點的準(zhǔn)確推薦。最后,通過在現(xiàn)有公開的數(shù)據(jù)集... 

【文章來源】：長沙理工大學(xué)湖南省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１基于位置社交網(wǎng)絡(luò)??２．１．２興趣點推薦系統(tǒng)相關(guān)概念??

＃．＾ｒ?Ｃｈｉｎａｌｏｗｏ?一??ＶｃＨｉ＇ｒｓ?ａ？?Ｊｕ＊ｃ？?ＧｉＭｗａｌｉｏｎ??＾＆?Ｖｉｃｉｏｕｓ??ｕｓｅｒ?）???Ｃｉｔｙ?Ｗｍ＾ｔｙ?ｍ?ｉｍｍＳｍｇｌ???ＶＭｍ＾?＾?ｒ－：＞?ｉａ？??ｔｉｍｅ?ｓｔａｍｐ?Ｃｒａｖｅ?Ｅｓｐｒｅｓｓｏ?Ｂａｒ?；ｓ?ｒ＾ｗ?ｍ?ｉｈｍ??‘?Ｊ?郵９ｈｌＫ＾ｔ＞ｏＣ５ｄ??’ｖ、ｄ?在?＾?ｉ?ｔ??：Ｗｏｄｄｗ＾ｌ＃??■＇?Ｑａｖｉｄ?Ｂｌａｃｋｍａｎ??ｔＨ?．ｌ＇＾＾‘－．Ｔ—??霸??圖２．２?Ｆｏｕｒｓｑｕａｒｅ中簽到信息??定義ｉ?（興趣點）：興趣點／是現(xiàn)實世界中地理坐標(biāo)上的一個位置點。用緯度（／故）??和經(jīng)度（／ｏｎ）表示，ｇｐ／?＝?（／ｆｌ／，／ｏ？／。Ｌ表示ＬＢＳＮｓ中所有的興趣點集合，其中／ｅＬ。??定義２?（簽到）：ＬＢＳＮｓ中的用戶ｗ在時間／訪問了興趣點／用三元組＜？，／，／＞表示。??由于興趣點簽到的地理位置和實際簽到的地理位置不完全相同，一般認(rèn)為以興趣點為中??心的一定范圍內(nèi)的位置都屬于該興趣點。??定義３?（簽到集合）：簽到集合是用戶《的簽到序列，記作及＝，??其中（．是簽到時間戳，《表示用戶簽到興趣點的個數(shù)。為方便記錄，用＆?＝Ｍ，Ｋ，／？｝表??不。??定義４?（７ｂｐ－Ｗ推薦）：Ｊｂｐ－ＴＶ推薦是為ＬＢＳＮｓ中的用戶推薦按預(yù)測得分從??高到低排序的前＃個興趣點的項目集合。??定義５?（興趣點推薦）：給定ＬＢＳＮｓ中的所有興趣點集合１，興趣點推薦旨在向每??個用戶ｗ推薦興趣點列表Ａｖ。??１０??

??第二章相關(guān)技術(shù)???Ｃ（ｉ，?ｊ）?＝?／（Ａ?（ｉ，?ｊ），?ｃ２?（ｉ，?ｊ），?－，ＣＴ?（ｉ，?ｊ））?（２－９）??其中／（？）表示聚合函數(shù)，可以是求和、求平均和求最大值等［３５］。??ｆ?．?＿漏Ｕ：誕，??ｒ??丨—飄／：?：，??￣￣ＰＯＩ?Ｋ?Ｌ?ＰＯｉ??圖２．３?ＧｅｏＭＦ模型??在文獻［３６］中，Ｌｉａｎ等人提出的ＧｅｏＭＦ模型中將地理影響納入到加權(quán)正則化矩陣??分解模型（Ｗｅｉｇｈｔｅｄ?Ｒｅｇｕｌａｒｉｚｅｄ?Ｍａｔｒｉｘ?Ｆａｃｔｏｒｉｚａｔｉｏｎ，ＷＲＭＦ）?［３８］中。ＷＲＭＦ?是協(xié)同過濾??中一個較流行的一類模型，用來學(xué)習(xí)隱式反潰ＧｅｏＭＦ將用戶簽到看作隱式反饋，并??用０／１簽到矩陣表示用戶的簽到行為。另外，ＧｅｏＭＦ采用增強矩陣來補全簽到矩陣，??如圖２．３所示。簽到矩陣中的每一項都是用戶特征和興趣點特征、用戶活動區(qū)域和興趣??點影響區(qū)域的兩種交互組合。假設(shè)有ｗ個用戶和《個興趣點，用戶和興趣點的潛在特征??維度表示為ｄ，用戶的活動區(qū)域和興趣點的影響區(qū)域維度表示為Ｚ，則計算的簽到矩陣??如公式（２．１０）所示：??Ｒ?＝?ＰＱｔ?＋?ＸＹｔ?（２－１０）??其中７？?ｅ?表示計算得到的簽到矩陣，尸ｅ?７？一和ｇ?分別表示用戶和興??趣點的潛在特征矩陣，Ｚ?ｅ和ＦｓｉＴｘ／分別表示用戶活動區(qū)域和興趣點影響區(qū)域的??矩陣。將ｆＦ定義為二值加權(quán)矩陣，其中每一項的表示如公式（２．１１）所示：??ｆ〇ｌ?ｉｆ?ｃｗ?＞?０??ＣＯ?．＝?＜??［１?ｏｔｈｅｒｗｉｓｅ?（２．１１）??其中ｃ？，表示用戶ｗ在興趣點／，．的簽到頻率，《（ｃｕ，〇是關(guān)于心的單調(diào)

【參考文獻】：
期刊論文
[1]基于潛在主題的混合上下文推薦算法[J]. 李平,張路遙,曹霞,胡檢華.  電子與信息學(xué)報. 2018(04)
[2]基于位置社交網(wǎng)絡(luò)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(xué)報. 2017(04)
[3]基于用戶簽到行為的興趣點推薦[J]. 任星怡,宋美娜,宋俊德.  計算機學(xué)報. 2017(01)



本文編號：3278459