伴著Web2.0技術(shù)和GPS信息統(tǒng)籌技術(shù)的飛速發(fā)展,在傳統(tǒng)的社交網(wǎng)絡基礎(chǔ)上衍生出基于位置的社交網(wǎng)絡（Location-Based Social Networks,LBSN）,作為基于位置社交網(wǎng)絡中核心組成部分的興趣點（Point-of-Interest,POI）推薦引起了國內(nèi)外科研人員的廣泛關(guān)注。當前大多數(shù)興趣點推薦算法僅通過用戶間共同訪問項（即興趣點）去計算用戶間相似度,由于數(shù)據(jù)高稀疏性,從而造成興趣點推薦結(jié)果不準確。為解決上述問題本文基于位置社交網(wǎng)絡上的簽到用戶數(shù)據(jù),提出了一種基于位置社交網(wǎng)絡融合多種情景信息的興趣點推薦方法。將社交網(wǎng)絡轉(zhuǎn)換朋友集,基于用戶和興趣點倒查表法建立用戶興趣信息模型,減少興趣點推薦的運行時間,提高了推薦效率。采用LDA模型對用戶的情感進行建模,計算用戶評論的主題概率分布,挖掘出用戶在情感傾向方面的相似度。分析地理影響信息,建立地理影響信息模型,計算地理信息訪問概率。通過對用戶的多種情景信息的挖掘,較好地解決了基于位置社交網(wǎng)絡研究中利用多種情景信息進行興趣點推薦的問題。實驗結(jié)果表明,本文提出的基于位置社交網(wǎng)絡融合多種情景信息的興趣點推薦方法,能夠提高推薦的準... 

【文章來源】：哈爾濱商業(yè)大學黑龍江省

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【部分圖文】：

京東商城的為你推薦

1緒論11緒論本章首先對本課題的研究背景以及研究意義進行介紹，其次對興趣點推薦的國內(nèi)外研究發(fā)展現(xiàn)狀做了詳細分析，并簡單概述了本課題的主要研究內(nèi)容和創(chuàng)新點，最后描述了論文內(nèi)容的整體結(jié)構(gòu)安排。1.1課題的背景及意義互聯(lián)網(wǎng)因Web2.0技術(shù)的出現(xiàn)，完成了從用戶被動接收信息到主動創(chuàng)造信息質(zhì)的蛻變，伴著互聯(lián)網(wǎng)網(wǎng)絡的迅猛蔓延，越來越多的用戶主動通過互聯(lián)網(wǎng)與他人進行信息的交互及同享。由于這些信息爆炸式的增長，宣告著人們正處于一個無法從浩瀚信息海洋中高效篩選出自己所需信息的”信息超載”[1]時代。人們當下主要采用兩種技術(shù)方案來處理該亟需解決的問題，第一種即為如谷歌搜索、百度搜索、搜狗搜索等以搜索引擎為核心的信息檢索方案，該方案可以根據(jù)用戶需求的詳細描述信息作為查詢關(guān)鍵字(詞、句子、語音)進而得到他們感興趣的信息。然而通過關(guān)鍵字(詞、句子、語音)查詢得到的反饋信息均相同，盡管不同用戶對信息感興趣程度是不同的，即通過該方案無法滿足查詢用戶自身個性化的需求，在解決信息超載問題方面達不到很好的效果。第二種方案則是采用如圖1-1所示的酷狗音樂的猜你喜歡功能，以及圖1-2所示的京東商城的為你推薦功能等為代表的推薦系統(tǒng)(RecommenderSystem,RS)[2]。圖1-1酷狗音樂的猜你喜歡圖1-2京東商城的為你推薦推薦系統(tǒng)作為無需用戶詳細描述需求信息，而是依據(jù)其歷史日常行為和數(shù)據(jù)，構(gòu)建相應模型去挖掘用戶需求和興趣的工具為解決大數(shù)據(jù)時代的信息超載問題而存在，因此，

哈爾濱商業(yè)大學碩士學位論文14來計算文本潛藏相似度便可以方便的計算出來。在文本信息建模分析過程中，每一篇文檔都會表現(xiàn)為詞的集合，這稱為詞袋模型(bagofwords)[51]。每個詞在一篇document中屬于一個topic。LDA模型不但兼顧了文本的多語義性，同時還起到降維的效果，即將document-word分布，映射為document-topic分布和topic-word分布。LDA模型如圖2-2所示。圖2-2LDA模型圖其生產(chǎn)過程如下：對于一篇document中的每個word，LDA依據(jù)Dirichlet分布參數(shù)α得到某個document-topic分布θ并在topic多項式分布θ中抽取一個topic(用z來表示)，再則依據(jù)狄利克雷分布參數(shù)β得到當前topic-word分布，然后從主題z所對應的word多項分布中抽取一個word(用w來表示)。將這個步驟重復直到話題分布收斂到一個合理的分布上去，就生成了文檔document。即為word在topic上的分布，θ即為topic在document上的分布，N表示document的word總數(shù)，M表示document的總數(shù)，K代表主題的個數(shù)。所有基于評論文本隱含相似性的挖掘過程即為以上生成過程的逆向推導過程。在使用LDA計算相似度時，我們可以先計算出相應document的topic隨機概率分布，然后利用兩個document的topic概率分布計算相似度。2.2.2KL散度為了衡量兩個概率分布之間的差異性，SolomonKullbackh和RichardLeibler在1951年提出了KL散度(Kullback-Leiblerdivergence,KLD)[52]，也被稱為相對熵(relativeentropy)或信息散度(informationdivergence)。在信息系統(tǒng)中KL散度等價于兩個概率分布的信息熵(Shannonentropy)的差值，從統(tǒng)計學上看，即為似然比的期望對數(shù)。KL散度在涉及衡量兩個變量間差異性的時候，區(qū)分變量的類型。假設(shè)P(x),Q(x)是隨機變量X上的兩個概率分布(其中x∈X)，則在隨機變量為離散型的情形?

【參考文獻】：
期刊論文
[1]一種結(jié)合專家信任的POI推薦算法[J]. 桂易琪,田星晨.  計算機與現(xiàn)代化. 2019(12)
[2]基于地理信息偏好修正和社交關(guān)系偏好隱式分析的POI推薦[J]. 溫彥,馬立健,曾慶田,郭文艷.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2019(08)
[3]基于用戶行為數(shù)據(jù)分析的個性化推薦算法分析[J]. 皇甫漢聰,肖招娣.  電子設(shè)計工程. 2019(07)
[4]改進的基于物品的協(xié)同過濾推薦算法[J]. 石京京,肖迎元,鄭文廣.  天津理工大學學報. 2019(01)
[5]基于預測的LBSN興趣點推薦算法[J]. 段宗濤,蔡丹丹,唐蕾,李菲菲.  微電子學與計算機. 2019(01)
[6]微博用戶興趣主題抽取方法[J]. 楊仁鳳,陳端兵,謝文波.  電子科技大學學報. 2018(04)
[7]融合似然比相似度的協(xié)同過濾推薦算法研究[J]. 王嶸冰,徐紅艷,馮勇,郭浩.  小型微型計算機系統(tǒng). 2018(07)
[8]智慧旅游中基于語義軌跡的高效最近鄰查詢方法研究[J]. 孫一格,馬昂,吳雷,潘曉,郭景峰.  計算機應用與軟件. 2018(06)
[9]LBSN中融合線上關(guān)系和線下行為的好友推薦算法[J]. 丁勇,曲秋菊,蔣翠清.  計算機應用與軟件. 2018(04)
[10]LBSN中融合多維關(guān)系的社區(qū)發(fā)現(xiàn)方法[J]. 龔衛(wèi)華,陳彥強,裴小兵,楊良懷.  軟件學報. 2018(04)

博士論文
[1]基于位置社交網(wǎng)絡的地點推薦方法及應用研究[D]. 李鑫.中國科學技術(shù)大學 2015

碩士論文
[1]位置社交網(wǎng)絡中基于簽到數(shù)據(jù)的好友推薦系統(tǒng)研究[D]. 黃乙哲.西安電子科技大學 2017
[2]融合用戶情境及特征信息的餐廳推薦系統(tǒng)設(shè)計與實現(xiàn)[D]. 崔垚.北京郵電大學 2017
[3]基于簽到數(shù)據(jù)的餐廳推薦技術(shù)研究[D]. 閔建.杭州電子科技大學 2016
[4]LBSN中基于社交關(guān)系和時空主題的社區(qū)發(fā)現(xiàn)研究[D]. 董羿.東南大學 2015



本文編號：3239971