【摘要】：互聯(lián)網(wǎng)經(jīng)過了幾十年的蓬勃發(fā)展,基于位置的社交網(wǎng)絡(luò)(Location-based Social Network,LBSN)已逐漸深入到每個人的生活中,針對用戶進行個性化的興趣點(Point-of-Interest,POI)推薦研究也就變得愈來愈重要。通過學(xué)習(xí)用戶對興趣點的真實偏好來為用戶推薦其感興趣的興趣點,不僅可以使用戶獲得便利,還可以為商家?guī)砭薮蟮慕?jīng)濟效益。在基于位置的社交網(wǎng)絡(luò)中,用戶會對自己喜歡的興趣點進行簽到并產(chǎn)生額外的信息,因此,將這些相關(guān)的信息融入興趣點推薦是提升推薦效果的關(guān)鍵。然而,以往的方法在對用戶進行新興趣點推薦時大多忽略了好友對用戶的影響力,基于好友的協(xié)同過濾也沒有考慮到用戶的自身偏好。針對地理興趣點的Top-N推薦問題,提出了一個基于深度神經(jīng)網(wǎng)絡(luò)的混合推薦模型——FSNR。該模型融合了用戶的歷史簽到記錄、用戶的社交關(guān)系、興趣點的地理位置等信息,從三個方面學(xué)習(xí)好友的影響力并建模用戶對興趣點的潛在偏好。具體而言,FSNR模型首先利用深度神經(jīng)網(wǎng)絡(luò)技術(shù)和潛在因子模型建模復(fù)雜的用戶交互,從隱式反饋中學(xué)習(xí)到用戶和興趣點的潛在表示。然后利用用戶的社交關(guān)系和用戶的活動地理信息來學(xué)習(xí)用戶與好友的三種相似信息:簽到相似性、社交相似性和位置相似性,并且根據(jù)用戶相似度對用戶的決策產(chǎn)生影響。最后,將用戶對興趣點的偏好分數(shù)和其好友的建議分數(shù)進行混合得出興趣點的最終推薦分數(shù),選出前N個分數(shù)最高的興趣點推薦給用戶。在三個真實的數(shù)據(jù)集上的實驗將FSNR模型與其他的優(yōu)秀方法進行準(zhǔn)確率和召回率的對比,并且分析了模型內(nèi)部參數(shù)對模型推薦效果的影響。實驗結(jié)果表明,FSNR模型具有更好的推薦效果。
【圖文】：

推薦系統(tǒng)作為一種提取有效信息的方法，，可以結(jié)合用戶或物品的特征以及用戶與物品間的歷史交互記錄，模擬出用戶與物品之間的潛在關(guān)系，然后針對不同用戶的需求和喜好在大量可能的選擇中個性化地推薦給用戶書籍、音樂、視頻、商品等項目，現(xiàn)如今已經(jīng)在學(xué)術(shù)界和工業(yè)界取得了許多成功的應(yīng)用。譬如 Google、Baidu、Yahoo 等搜索引擎利用推薦系統(tǒng)使用用戶的搜索記錄和位置信息來調(diào)整搜索結(jié)果的排序；YouTube、優(yōu)酷等在線視頻網(wǎng)站會根據(jù)用戶的點擊和觀看歷史來預(yù)測用戶的喜好，合理選擇在首頁投放的視頻；Amazon、Netflix、Last.fm、淘寶等電商網(wǎng)站利用推薦系統(tǒng)通過用戶的點擊購買記錄以及評分評論等信息，在首頁個性化地推薦商品；QQ、微信、Facebook、Twitter 等社交軟件利用社交信息和位置信息來推薦好友或者附近的用戶；Yelp、Foursquare、美團、大眾點評等點評網(wǎng)站會使用用戶的簽到數(shù)據(jù)、評論數(shù)據(jù)、地理位置等信息分析用戶習(xí)慣，給用戶推薦喜好的餐館、咖啡廳等。由此可見，推薦系統(tǒng)能夠針對性地解決信息冗余問題，在決策處理和提高商業(yè)水平方面起到了至關(guān)重要的作用。

華 中 科 技 大 學(xué) 碩 士 學(xué) 位 論 文 喜歡物品 1、2，用戶 3 喜歡物品 1、2、3，根據(jù)用戶的歷史物品戶 2 的偏好特征和用戶 3 的偏好特征最為相似。又因為用戶 3 曾用戶 2 尚未接觸過物品 3，可以推測用戶 2 也有具有很大的概率品 3 推薦給用戶 2。于用戶的協(xié)同過濾僅僅使用用戶與物品的歷史交互信息，利用興于喜歡相同的物品這一統(tǒng)計結(jié)論，充分利用用戶主動行為之間的薦。而且基于用戶的協(xié)同過濾重點關(guān)注在用戶之間的相似性，故品數(shù)量的環(huán)境中更適合使用基于用戶的協(xié)同過濾。物品 1
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.3;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 付青;王薇;;業(yè)余少兒常見問題及其解決方案(3)[J];尚舞;2009年09期

2 趙雅坤;;談歷史教學(xué)中學(xué)生興趣點的培養(yǎng)[J];教育革新;2011年11期

3 張?zhí)┤?李瑭;;興趣點推薦在智慧旅游中的應(yīng)用[J];中國高新科技;2019年14期

4 孟祥福;毛月;張霄雁;趙路路;趙澤祺;;基于地理-社會-評論關(guān)系的典型化興趣點推薦方法[J];小型微型計算機系統(tǒng);2019年11期

5 白剛;;基于游客簽到數(shù)據(jù)的旅游興趣點挖掘[J];現(xiàn)代計算機;2019年31期

6 劉磊;;《經(jīng)濟生活》興趣點教學(xué)[J];思想政治課教學(xué);2015年10期

7 葉紅英;;怎樣處理幼兒園科學(xué)活動中的“預(yù)設(shè)”與“生成”[J];甘肅教育;2017年07期

8 李釗霞;;小組合作學(xué)習(xí),給課堂插上騰飛的雙翼[J];小學(xué)教學(xué)參考;2017年17期

9 孫麗;;探尋興趣點,打造活力課堂[J];小學(xué)教學(xué)參考;2017年16期

10 彭林森;;以“問題情境”激活“興趣點”[J];數(shù)學(xué)學(xué)習(xí)與研究;2017年11期

相關(guān)會議論文 前10條

1 徐慧;梁師健;楊林;;基于數(shù)據(jù)關(guān)聯(lián)的興趣點輔助定位研究[A];中國計算機用戶協(xié)會網(wǎng)絡(luò)應(yīng)用分會2017年第二十一屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會論文集[C];2017年

2 焦瑞;;芻議如何激發(fā)學(xué)生學(xué)習(xí)物理的興趣[A];中學(xué)教育科研2017年7-8期（總第218-219期）[C];2017年

3 凌賀飛;陳勇;鄒復(fù)好;許治華;李平;;基于Harris興趣點區(qū)域的圖像拷貝檢測算法[A];第八屆全國信息隱藏與多媒體安全學(xué)術(shù)大會湖南省計算機學(xué)會第十一屆學(xué)術(shù)年會論文集[C];2009年

4 戰(zhàn)明松;朱京海;袁玉靜;;大數(shù)據(jù)視角下的沈陽市醫(yī)療資源配置研究[A];活力城鄉(xiāng) 美好人居——2019中國城市規(guī)劃年會論文集（05城市規(guī)劃新技術(shù)應(yīng)用）[C];2019年

5 詹潔;;從皮尤中心報告《十字路口的圖書館》看美國公共圖書館的發(fā)展現(xiàn)狀及方向[A];中國圖書館學(xué)會年會論文集（2016年卷）[C];2016年

6 吳坤t

本文編號：2608061