移動(dòng)互聯(lián)設(shè)備的普及極大地促進(jìn)了基于位置的社交網(wǎng)絡(luò)LBSN(Location-Based Social Networks)的發(fā)展。用戶訪問興趣點(diǎn)時(shí)可以實(shí)時(shí)分享地點(diǎn)體驗(yàn),分析用戶與興趣點(diǎn)的交互數(shù)據(jù),能夠?yàn)橛脩暨M(jìn)行個(gè)性化興趣點(diǎn)推薦。本文針對(duì)興趣點(diǎn)推薦算法研究中存在的數(shù)據(jù)稀疏、信息挖掘不充分、推薦精度低的問題,融合時(shí)間、地理等多種興趣點(diǎn)影響因素,提出了相應(yīng)的解決方法。本文首先分析了興趣點(diǎn)推薦算法的研究現(xiàn)狀。針對(duì)興趣點(diǎn)推薦時(shí)間信息挖掘不充分的問題,分析用戶行為的時(shí)間非均勻性和時(shí)間連續(xù)性;分析興趣點(diǎn)在不同時(shí)段的訪問量,引入興趣點(diǎn)時(shí)間流行特性,并將兩者結(jié)合到興趣點(diǎn)推薦中,探索用戶行為的時(shí)間模式,提出融入時(shí)間影響因素的興趣點(diǎn)推薦算法。其次,針對(duì)興趣點(diǎn)推薦存在的數(shù)據(jù)稀疏問題,本文考慮用戶的社交因素,地理位置因素,學(xué)習(xí)用戶的個(gè)人偏好,生成興趣點(diǎn)推薦列表,使用表中興趣點(diǎn)對(duì)用戶的原始簽到矩陣進(jìn)行擴(kuò)充,提高矩陣密度。再次,針對(duì)推薦精度較低的問題,本文將社交影響因素和地理影響因素結(jié)合到興趣點(diǎn)推薦中,將地理影響因素以預(yù)測(cè)的方式融入到原始矩陣分解方法中,將社交因素作為正則約束項(xiàng),對(duì)矩陣分解的損失函數(shù)進(jìn)行優(yōu)化。然后融入...

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖3-1用戶簽到隨時(shí)間概率分布

時(shí)間影響因素對(duì)興趣點(diǎn)的推薦發(fā)揮著至關(guān)重要的作用。通常情況，時(shí)間因素在以下兩個(gè)方面影響著用戶對(duì)興趣點(diǎn)的選擇。一方面，用戶活躍度是隨時(shí)間變化的。如圖3-1所示，在Gowalla數(shù)據(jù)集中隨機(jī)抽取三位用戶，統(tǒng)計(jì)用戶在不同時(shí)間段的簽到頻率，發(fā)現(xiàn)用戶u2一天中傍晚和凌晨這兩個(gè)區(qū)間的活動(dòng)是連續(xù)....

圖3-2興趣點(diǎn)v1和v2簽到隨時(shí)間概率分布

需求的興趣點(diǎn)，從而取得更好的推薦效果。圖3-1用戶簽到隨時(shí)間概率分布另一方面，興趣點(diǎn)同樣具備時(shí)間特性。如圖3-2所示，展示了Gowalla數(shù)據(jù)集中興趣點(diǎn)v1和v2的簽到頻率隨時(shí)間的變化�？擅黠@觀察到v1的簽到時(shí)間集中在17點(diǎn)到22點(diǎn)，其他時(shí)間v1的簽到頻率很低，而v2是另一種....

圖5-1參數(shù)δ對(duì)precision的影響

燕山大學(xué)工程碩士學(xué)位論文3融入時(shí)間影響因素的興趣點(diǎn)推薦算法實(shí)驗(yàn)3.1實(shí)驗(yàn)參數(shù)設(shè)置對(duì)于融合時(shí)間影響因素的興趣點(diǎn)推薦算法的實(shí)驗(yàn)涉及到4個(gè)參數(shù)。該算法，算損失函數(shù)時(shí)，為了防止過擬合，加入兩個(gè)與用戶和興趣點(diǎn)相關(guān)的正則項(xiàng)，在個(gè)正則項(xiàng)前面分別設(shè)置和兩個(gè)系數(shù)，來控制用戶矩陣和....

圖5-2參數(shù)δ對(duì)recall的影響

為了獲得較好的推薦結(jié)果，并且實(shí)驗(yàn)運(yùn)算計(jì)算方便，將正則化系數(shù)和的為0.05。將興趣點(diǎn)的推薦數(shù)量K置為5。通過對(duì)設(shè)置不同的值，來觀察對(duì)果產(chǎn)生的影響。對(duì)準(zhǔn)確率precision@5和召回率recall@5在各時(shí)段的平均的如圖5-1和圖5-2所示。圖5....

本文編號(hào)：3895378