隨著可穿戴設(shè)備的快速發(fā)展,基于位置的社交網(wǎng)絡(luò)（LBSN,Location-based Social Network）越來越受到人們的重視。POI推薦作為LBSN的一個研究熱點,它通過對海量簽到數(shù)據(jù)的分析和挖掘,給用戶提供個性化的服務(wù)。這不僅讓平臺更加了解目標受眾,還為用戶帶來了極大的便利,也因此在各個領(lǐng)域被廣泛應(yīng)用。與傳統(tǒng)的推薦系統(tǒng)相比,POI推薦更具有技術(shù)挑戰(zhàn)。一方面,用戶簽到的頻率過少導(dǎo)致數(shù)據(jù)過于稀疏,不能體現(xiàn)用戶的動態(tài)移動行為,因此大多數(shù)關(guān)聯(lián)分析算法效果不佳。另一方面,用戶的偏好受到不同因素的影響,具有復(fù)雜性和差異性等特點,能否綜合全面的考慮用戶偏好的多樣性則成為了POI推薦的關(guān)鍵所在。為了更好的實現(xiàn)POI個性化推薦,本文采用了深度神經(jīng)網(wǎng)絡(luò)的方式將POI推薦看做序列關(guān)聯(lián)的推薦問題,來較好地捕獲不同用戶行為的時序關(guān)系。首先,通過分析時間、空間和上下文信息對用戶行為的影響,將用戶歷史簽到的異構(gòu)數(shù)據(jù)通過其潛在向量的低維表示,以序列的方式融合嵌入進編碼的GRU網(wǎng)絡(luò)中。然后,在序列到序列的框架下,將GRU應(yīng)用在POI個性化推薦模型中。在此框架下,由于輸入序列長度的可變性容易導(dǎo)致信息丟失,為... 

【文章來源】：江西師范大學(xué)江西省

【文章頁數(shù)】：54 頁

【學(xué)位級別】：碩士

【部分圖文】：

單個神經(jīng)元模型

工程碩士專業(yè)學(xué)位論文8神經(jīng)元作為神經(jīng)網(wǎng)絡(luò)最簡單的單元，其實質(zhì)是對一些輸入用函數(shù)的方式進行邏輯處理并輸出的過程。圖2-1展示了單個神經(jīng)元模型的結(jié)構(gòu)，描述了單個神經(jīng)元進行信息處理的過程，神經(jīng)元接收到m個輸入特征后，并給每一個特征ix賦予一個權(quán)重iw,再將帶有不同權(quán)重的特征相加得到一個合適的值，隨后添加一個全局偏置b并一同通過激活函數(shù)F處理以產(chǎn)生神經(jīng)元的輸出y。整個信息處理的過程可以用公式2-1進行描述：miiiybxwF1（2-1）圖2-2多隱層神經(jīng)網(wǎng)絡(luò)模型單個神經(jīng)元只能解決簡單的問題，通過大量神經(jīng)元相連，則會形成復(fù)雜的網(wǎng)絡(luò)模型，則能解決復(fù)雜的任務(wù)。一個典型的神經(jīng)網(wǎng)絡(luò)系統(tǒng)如圖2-2所示，神經(jīng)網(wǎng)絡(luò)一般主要由輸入層、隱藏層和輸出層構(gòu)成。特征的輸入則是通過輸入層的神經(jīng)元進行，該層只進行輸入而不包括處理。隱藏層作為網(wǎng)絡(luò)的主要功能神經(jīng)元，則可根據(jù)任務(wù)的需要確定隱藏的數(shù)量，往往多個隱層的神經(jīng)網(wǎng)絡(luò)比單隱層的網(wǎng)絡(luò)更為復(fù)雜，但對于輸入特征的信息挖掘卻更充分，學(xué)習(xí)能力更強。通過隱層訓(xùn)練后的結(jié)果放入輸出層，輸出層進行處理后的結(jié)果則為神經(jīng)網(wǎng)絡(luò)的最終輸出結(jié)果。對于圖中輸入層、隱層、輸出層之間，則通過全連接的方式進行交互連通。2.1.1循環(huán)神經(jīng)網(wǎng)絡(luò)傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)思想都是假設(shè)元素之間相互獨立，包括輸入與輸出也是獨立的。但是對于現(xiàn)實世界來說，大多數(shù)元素之間是相互關(guān)聯(lián)的，并且部分關(guān)聯(lián)屬性與時間先后順序有關(guān)，例如：飛機票價隨時間的變化，景點人數(shù)隨季節(jié)的變化等。前饋神經(jīng)網(wǎng)絡(luò)不同時刻的預(yù)測完全是獨立的的，其輸出都是只考慮前一個輸入的影響，而并不考慮其他時刻輸入的影響，所以如果用前饋神經(jīng)網(wǎng)絡(luò)來做時序信號預(yù)測，這樣的算法在解決該類問題時就不盡如人意。因此，循環(huán)神經(jīng)網(wǎng)絡(luò)

基于時空上下文信息的POI推薦模型研究9（RecurrentNeuralNetwork,RNN）被應(yīng)運而生，它不僅考慮了前一時刻的輸入，還將人對于事物認知基于經(jīng)驗與記憶這一理念融入該網(wǎng)絡(luò)模型，使網(wǎng)絡(luò)擁有“記憶”功能一般能夠考慮前面內(nèi)容的影響。RNN在序列上的操作可以看成一個在時間上傳遞的神經(jīng)網(wǎng)絡(luò)，且它的深度就是時間的長度。由于RNN能夠考慮時間先后順序體現(xiàn)網(wǎng)絡(luò)的序列性，因此在自然語言處理領(lǐng)域?qū)τ谝曨l處理、文本生成、語言模型方面，以及機器翻譯、語音識別、推薦系統(tǒng)等新領(lǐng)域中被廣泛應(yīng)用。RNN的原理并不十分復(fù)雜，相較于卷積神經(jīng)網(wǎng)絡(luò)等其他深度神經(jīng)網(wǎng)絡(luò)它主要由輸入層、隱層、輸出層組成。其中隱層主要通過數(shù)據(jù)的循環(huán)更新來實現(xiàn)RNN的“記憶”功能。圖2-3，RNN的結(jié)構(gòu)圖將具體介紹其原理與內(nèi)部結(jié)構(gòu)。圖2-3RNN結(jié)構(gòu)圖如圖2-3所示，一個典型的RNN網(wǎng)絡(luò)包括輸入樣本X,神經(jīng)網(wǎng)絡(luò)單元A和輸出h。和一般的網(wǎng)絡(luò)不同，RNN的神經(jīng)網(wǎng)絡(luò)單元A不僅僅與輸入、輸出有著聯(lián)系，其自身也存在一個循環(huán)重復(fù)的回路，這也是RNN與其他網(wǎng)絡(luò)不同的核心所在。從上圖中可以看見，神經(jīng)元tA為隱層的狀態(tài)，它是網(wǎng)絡(luò)的記憶單元，可以根據(jù)當前t時刻網(wǎng)絡(luò)接收的輸入tx和上一層隱層狀態(tài)帶入公式2.2來進行計算。這里的U代表輸入樣本的權(quán)重，W代表輸入的權(quán)重，其中隱層的計算均為激活函數(shù)，圖中以tanh激活函數(shù)為例。1tantttWAUxA（2-2）t時刻的網(wǎng)絡(luò)狀態(tài)tA不僅作為下一個時刻網(wǎng)絡(luò)狀態(tài)t1A的輸入，還要對該時刻的網(wǎng)絡(luò)進行輸出。為了方便比較和應(yīng)用結(jié)果所以需要對輸出進行歸一化處理，這里我們主要用到softmax函數(shù)進行歸一化處理，其中，V作為輸出狀態(tài)的權(quán)重。因此，對于t時刻的輸出，可以用公式2.3進行表示。ttVAsofthmax（2-3）


本文編號：2988018