移動(dòng)技術(shù)及LBSN的迅猛發(fā)展使人們?nèi)菀撰@取到多種類型的信息資源。用戶樂(lè)于在LBSN中分享個(gè)人體驗(yàn)并希望獲得精準(zhǔn)的個(gè)性化服務(wù),因此POI推薦應(yīng)運(yùn)而生。本文針對(duì)基于多種因素影響的POI推薦及連續(xù)POI推薦問(wèn)題進(jìn)行研究,主要研究工作及貢獻(xiàn)如下:第一,提出了基于時(shí)間與社交關(guān)系的POI推薦模型TPR-TF。傳統(tǒng)的POI推薦通常人為地對(duì)時(shí)間段進(jìn)行均勻劃分,社交關(guān)系上也只考慮鄰接朋友的影響,無(wú)法滿足用戶的個(gè)性化需要。本文設(shè)計(jì)了一種層次聚類的時(shí)間動(dòng)態(tài)分段策略能夠滿足用戶對(duì)時(shí)間的敏感性要求,使推薦結(jié)果可以隨時(shí)間動(dòng)態(tài)變化。同時(shí)將直接朋友與潛在朋友的共同影響加入POI推薦模型中,進(jìn)一步擴(kuò)大了社交關(guān)系影響范圍。此外為改善模型性能,設(shè)計(jì)一種利用POI訪問(wèn)頻次分布隨機(jī)選擇POI的方法改進(jìn)了經(jīng)典的BPR方法。實(shí)驗(yàn)結(jié)果表明,在真實(shí)的Gowalla和Brightkite數(shù)據(jù)集上,TPR-TF模型相比眾多主流POI推薦模型具有更高的精確率和召回率。第二,提出了基于文本語(yǔ)義與圖像特征的POI推薦模型TSIFP。以往POI推薦常忽略能夠帶來(lái)豐富隱性特征的多媒體信息,比如文本、圖像。TSIFP模型利用深度學(xué)習(xí)技術(shù),分別從文本、... 

【文章來(lái)源】：黑龍江大學(xué)黑龍江省

【文章頁(yè)數(shù)】：148 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

基于位置的社會(huì)網(wǎng)Fig.1-1Location-basedsocialnetworks

圖 1-2 不同用戶對(duì)不同 POI 的評(píng)分矩陣Fig.1-2 Rating matrix of different users for different POI長(zhǎng)期以來(lái)，仍然有研究者致力于基礎(chǔ)的矩陣分解工作研究，比如 Joshi 等人[20]的工作。2016 年，他們通過(guò)異步的將隨機(jī)梯度優(yōu)化的更新傳遞到網(wǎng)絡(luò)中，提出了基于正則化的帶有異步的分布式梯度下降法用來(lái)進(jìn)行矩陣分解，提升了模型分解的效率。1.2.2 基于時(shí)間影響的 POI 推薦Web 2.0 時(shí)代是一個(gè)用戶主導(dǎo)的互聯(lián)網(wǎng)時(shí)代，人們對(duì)于互聯(lián)網(wǎng)及其衍生產(chǎn)品與服務(wù)的關(guān)注度越來(lái)越高。作為時(shí)代的產(chǎn)物，POI 推薦也因其在社會(huì)網(wǎng)中的特殊作用而顯得愈加重要。在 LBSN 中，用戶的興趣、訪問(wèn)行為、簽到行為都與時(shí)間息息相關(guān)，用戶對(duì)于某個(gè)位置的訪問(wèn)可能會(huì)受到每天不同的時(shí)段、不同的日期甚至季節(jié)的交替轉(zhuǎn)換等而發(fā)生不同的變化。對(duì)于個(gè)體用戶來(lái)說(shuō)，由于用戶個(gè)性化的差異和需求

本文即是利用三階的tensor 分解，進(jìn)行的一種基于時(shí)間敏感與社交關(guān)系的 POI 推薦研究。圖2-1 一個(gè)含有時(shí)間影響和社交關(guān)系的基于位置的社會(huì)網(wǎng)Fig.2-1 A location-based social network with temporal influence and socialrelationshipsPOI推薦是一種時(shí)間敏感的推薦任務(wù)。首先，在不同的時(shí)間，用戶通常喜歡不同的POI�，F(xiàn)有研究只考慮了較粗的時(shí)間粒度進(jìn)行的POI推薦，比如白天可能


本文編號(hào)：3580387