隨著全球定位系統(tǒng)的發(fā)展和以智能手機為代表的移動終端的流行,基于位置的社交網絡應用吸引了數(shù)千萬的用戶。在基于位置的社交網絡中,人們可以分享簽到地點等地理位置信息,大量用戶產生的海量數(shù)據(jù)為研究人員研究用戶的各種社交行為提供了機會,這其中基于用戶簽到數(shù)據(jù)預測用戶的社交關系則成為研究熱點,研究人員為此開展了大量的研究。本文圍繞如何從用戶的簽到數(shù)據(jù)中挖掘出高效的特征以提高用戶社交關系預測方法的性能展開研究,提出了三種基于位置的用戶社交關系預測方法,主要研究內容和貢獻如下:·基于時空特征的用戶社交關系預測方法(STIF)為了解決過去研究工作中廣泛使用的地點熵不能隨著時間段的變化而動態(tài)計算地點流行度的問題,該方法提出了細粒度的地點權重特征。除此之外,該方法還從細粒度的時間特征、工作日和周末簽到特征、共現(xiàn)地點的距離特征三個角度展開設計了13個特征,用以全面捕捉好友對之間的相似性與非好友對之間差異性�！そY合隱式與顯式特征的用戶社交關系預測方法(CIFEF)為了解決包括STIF方法在內的用戶社交關系預測方法依賴于大量特征工程的問題,提出了結合隱式與顯式特征的用戶社交關系預測方法CIFEF。該方法認為同一用...

【文章頁數(shù)】：86 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 研究內容與貢獻
        1.2.1 基于時空特征的用戶社交關系預測方法
        1.2.2 結合隱式與顯式特征的用戶社交關系預測方法
        1.2.3 基于孿生神經網絡的用戶社交關系預測方法
    1.3 本文組織結構
第二章 研究現(xiàn)狀
    2.1 基于無監(jiān)督的用戶社交關系預測方法
    2.2 基于有監(jiān)督的用戶社交關系預測方法
        2.2.1 基于共現(xiàn)地點特征的用戶社交關系預測方法
        2.2.2 基于多類型特征混合的用戶社交關系預測方法
第三章 基于時空特征的用戶社交關系預測方法
    3.1 問題描述
        3.1.1 符號定義
        3.1.2 概念定義
    3.2 時空特征
        3.2.1 細粒度的地點權重特征
        3.2.2 工作日與周末簽到特征
        3.2.3 細粒度的時間特征
        3.2.4 共現(xiàn)地點的距離特征
        3.2.5 總結
    3.3 方法整體架構
        3.3.1 階段1:識別活躍用戶
        3.3.2 階段2:構建訓練樣本
        3.3.3 階段3:類別不平衡處理
        3.3.4 階段4:訓練用戶社交關系預測器
    3.4 討論
        3.4.1 共現(xiàn)地點生成算法的性能優(yōu)化
    3.5 實驗研究
        3.5.1 實驗設置
        3.5.2 性能比較
        3.5.3 不同類型特征對方法性能的貢獻
        3.5.4 參數(shù)敏感性分析
    3.6 本章小結
第四章 結合隱式與顯式特征的用戶社交關系預測方法
    4.1 隱式特征
    4.2 顯式特征
    4.3 方法整體架構
    4.4 實驗研究
        4.4.1 實驗設置
        4.4.2 性能比較
        4.4.3 隱顯式特征的貢獻分析
        4.4.4 超參數(shù)分析
    4.5 本章小結
第五章 基于孿生神經網絡的用戶社交關系預測方法
    5.1 模型架構及詳解
        5.1.1 方法整體結構
        5.1.2 基于長短期記憶網絡的用戶簽到軌跡建模
        5.1.3 基于二分圖隨機游走的用戶間接交互關系建模
        5.1.4 模型訓練
    5.2 實驗研究
        5.2.1 實驗設置
        5.2.2 性能比較
        5.2.3 特征貢獻分析
    5.3 本章小結
第六章 總結和展望
    6.1 本文工作總結
    6.2 研究展望
參考文獻
致謝
發(fā)表論文和科研情況



本文編號：3808861