本文關鍵詞：基于位置社交網(wǎng)絡的地點推薦方法及應用研究

  更多相關文章： 位置社交網(wǎng)絡 推薦系統(tǒng) 用戶行為建模 興趣偏好

【摘要】：位置社交網(wǎng)絡的廣泛使用與其規(guī)模的不斷擴大使得地點推薦系統(tǒng)成為時下熱門應用之一。地點推薦系統(tǒng)即為用戶推薦那些他可能感興趣地點的系統(tǒng),其中地點通常指真實存在于城市中的商家、機構以及公共場所等。利用位置社交網(wǎng)絡中的推薦系統(tǒng),一方面,用戶可以探索城市,發(fā)現(xiàn)新奇有趣的商家與地點,并獲得豐富的生活體驗：另一方面,商家也可以利用該系統(tǒng)進行即時的廣告推送與商品營銷,從而提升利潤。位置社交網(wǎng)絡中存在著豐富的多源異構信息,如社交網(wǎng)絡關系,包含經(jīng)緯度的地理位置信息,用戶對商家的點評文本、評分以及相應的時間戳信息等。毋庸置疑,利用這些信息可以有效提升個性化地點推薦系統(tǒng)的準確性。然而,一些挑戰(zhàn)也隨之而來。首先,與傳統(tǒng)推薦系統(tǒng)相似,數(shù)據(jù)稀疏性帶來的冷啟動問題是地點推薦系統(tǒng)中不可回避的研究問題之一；其次,由于位置社交網(wǎng)絡所包含的豐富信息具有異構、多維度的特點,如何在模型中將一個或多個信息融合進來,也值得研究。為了解決上述問題,本文旨在進行基于位置社交網(wǎng)絡的地點推薦方法及其應用研究,即利用位置社交網(wǎng)絡中的多源異構信息,對用戶訪問地點行為進行建模,預測用戶興趣偏好,從而為用戶個性化地推薦商家與地點。具體來說,本文的主要研究內容、成果與創(chuàng)新點如下：1)基于興趣圈中社交關系挖掘的地點推薦。依據(jù)社會學與社會心理學中的“趨同性”理論,用戶與其社交網(wǎng)絡中的好友有相似的興趣偏好,這為利用社交關系學習用戶的興趣提供了理論基礎。本工作依據(jù)該理論,將用戶按照其訪問地點的類別劃分到不同的興趣圈,在每個興趣圈中認為用戶受到好友與該圈中的專家的共同作用與影響進而分別構建優(yōu)化函數(shù)的兩個正則化項,學習用戶興趣偏好。為此本工作設計出了一個基于興趣圈中社交關系挖掘的地點推薦算法,這個算法使用梯度下降方法來學習用戶的興趣偏好。在真實數(shù)據(jù)集上的實驗表明,我們的方法優(yōu)于已有的單純基于好友關系的推薦算法,特別在解決冷啟動問題時有很好的效果。2)基于用戶比較評分行為建模的地點推薦。單個用戶對于多個商家的評分行為并非獨立存在,而是相互關聯(lián)和影響的,即用戶在某次評分行為時給該商家所評分數(shù)是參照該用戶的歷史評分經(jīng)歷進行比較而得出的。本工作依據(jù)用戶評分行為的相對性、比較性與時效性等特點,利用了位置社交網(wǎng)絡中用戶的評分與相應的時間戳信息,對用戶評分行為進行建模,細致刻畫用戶的評分心理。本工作利用經(jīng)濟學中基于效用理論的選擇模型來構建優(yōu)化函數(shù),并設計了一個基于集合輸入的隨機梯度下降算法來學習用戶的興趣偏好,最終利用該學習所得偏好為用戶進行地點推薦。該工作通過在兩個真實數(shù)據(jù)上的實驗,進一步驗證了我們方法的有效性。3)基于用戶多角度興趣建模的地點推薦。不同用戶的興趣偏好有可能截然不同,即便是兩個對某一地點評分相同的用戶也有可能擁有不同的興趣偏好。這是由用戶興趣的多角度特性導致的,用數(shù)學語言描述,即用戶在多角度興趣上的數(shù)學分布不同。該工作基于此假設,利用點評文本信息與評分數(shù)據(jù),將用戶在文本中反應出的顯式興趣與基于傳統(tǒng)隱因子模型表示出來的隱式興趣結合起來構建統(tǒng)一的效用函數(shù),并使用該效用函數(shù)擬合評分數(shù)據(jù),使用梯度下降算法學習在此基礎上構建出的損失函數(shù)從而得出用戶的顯式與隱式興趣偏好,進而為用戶推薦地點與商家。該工作在兩個真實的數(shù)據(jù)集上開展實驗,實驗結果表明我們的方法優(yōu)于目前已有的方法,并在一定程度上解決了冷啟動問題。此外,基于該研究理論工作我們開發(fā)了一款手機APP,為用戶推薦各個興趣方面的商家,該應用在可視化等方面有良好的展示效果。4)基于多源信息融合建模的地點推薦。位置社交網(wǎng)絡中包含豐富的多源異構信息,通過挖掘這些信息,可以提高地點推薦系統(tǒng)的準確性。本工作針對社交關系、地理位置以及點評文本等信息,建立了一個概率隱因子模型,為多源信息融合提供支撐。具體來說,模型中分別使用核密度估計來對地理位置信息建模,使用基于好友的協(xié)同過濾方法來處理社交關系,利用主題模型來抽取文本中的用戶對商家的顯式興趣,并最終使用概率隱因子模型來表示隱式興趣,從而將多源信息融合起來。真實數(shù)據(jù)集上的實驗表明了我們的多源信息融合方法明顯在推薦準確率指標上優(yōu)于已有算法。除此之外,由于模型的模塊化,我們的方法也具有很好的魯棒性。
【關鍵詞】：位置社交網(wǎng)絡 推薦系統(tǒng) 用戶行為建模 興趣偏好
【學位授予單位】：中國科學技術大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.3
【目錄】：

• 摘要5-7
• ABSTRACT7-17
• 第一章 緒論17-29
• 1.1 論文研究背景17-19
• 1.1.1 推薦系統(tǒng)的發(fā)展歷程17-18
• 1.1.2 推薦系統(tǒng)的主要技術18-19
• 1.1.3 推薦系統(tǒng)的商業(yè)應用19
• 1.2 研究問題與挑戰(zhàn)19-22
• 1.2.1 研究問題19-20
• 1.2.2 面臨挑戰(zhàn)20-22
• 1.3 工作概述與貢獻22-25
• 1.3.1 論文概述22-25
• 1.3.2 論文貢獻25
• 1.4 本文章節(jié)安排25-27
• 1.5 本章小結27-29
• 第二章 相關工作綜述29-39
• 2.1 經(jīng)典推薦系統(tǒng)29-33
• 2.1.1 主要研究方法29-32
• 2.1.2 實際應用與系統(tǒng)32-33
• 2.2 地點推薦系統(tǒng)33-37
• 2.2.1 公開數(shù)據(jù)集33-34
• 2.2.2 基于社交網(wǎng)絡的方法34-35
• 2.2.3 基于地理信息的方法35
• 2.2.4 基于文本挖掘的方法35-36
• 2.2.5 基于時間分析的方法36
• 2.2.6 基于混合模型的方法36-37
• 2.3 本章小結37-39
• 第三章 基于興趣圈中社會關系挖掘的地點推薦39-55
• 3.1 引言39-41
• 3.2 問題定義41-42
• 3.3 基于興趣圈與社會關系的模型42-47
• 3.3.1 傳統(tǒng)矩陣分解模型與興趣圈42
• 3.3.2 基于朋友關系的建模42-43
• 3.3.3 基于專家影響的建模43-44
• 3.3.4 聯(lián)合模型44-47
• 3.4 實驗分析47-52
• 3.4.1 實驗設置47-48
• 3.4.2 與基準算法的比較48-50
• 3.4.3 模型參數(shù)影響50
• 3.4.4 冷啟動問題評測50-52
• 3.5 小結52-55
• 第四章 基于用戶比較評分行為建模的地點推薦55-73
• 4.1 引言55-58
• 4.2 問題定義58-60
• 4.3 用戶評分行為建模60-64
• 4.3.1 用戶評分的比較行為60-61
• 4.3.2 用戶評分的選擇模型61-62
• 4.3.3 模型的優(yōu)化問題62
• 4.3.4 模型的學習與推理62-64
• 4.4 實驗分析64-71
• 4.4.1 實驗設置65-67
• 4.4.2 與基準算法的比較67-68
• 4.4.3 模型中時間窗口影響的分析68-69
• 4.4.4 模型中參數(shù)影響的討論69-70
• 4.4.5 收斂迭代的測評70-71
• 4.5 小結71-73
• 第五章 基于用戶多角度興趣建模的地點推薦73-97
• 5.1 引言73-76
• 5.2 問題定義76-78
• 5.3 效用理論下用戶多角度興趣建模78-83
• 5.3.1 效用理論78-80
• 5.3.2 參數(shù)的先驗80-81
• 5.3.3 模型的優(yōu)化問題81-82
• 5.3.4 模型的學習與推理82-83
• 5.4 基于多角度興趣地點推薦的應用框架83-86
• 5.4.1 離線部分83-85
• 5.4.2 線上部分85-86
• 5.5 實驗分析86-95
• 5.5.1 實驗設置86-89
• 5.5.2 與基準算法的比較89-91
• 5.5.3 冷啟動問題評測91
• 5.5.4 算法效率分析91-93
• 5.5.5 用戶多角度興趣案例分析93-94
• 5.5.6 用戶多角度興趣的商家推薦應用94-95
• 5.6 小結95-97
• 第六章 基于多源信息融合建模的地點推薦97-117
• 6.1 引言97-100
• 6.2 問題定義100-101
• 6.3 基礎101-102
• 6.3.1 傳統(tǒng)地理位置信息模型101-102
• 6.3.2 基于用戶的協(xié)同過濾模型102
• 6.3.3 傳統(tǒng)概率隱因子模型102
• 6.4 基于多源信息融合的地點推薦模型102-111
• 6.4.1 情境信息建模102-108
• 6.4.2 概率隱因子聯(lián)合模型108
• 6.4.3 模型的學習與推理108-111
• 6.5 實驗分析111-115
• 6.5.1 實驗設置111-112
• 6.5.2 與基準算法的比較112-114
• 6.5.3 模型魯棒性討論114-115
• 6.6 小結115-117
• 第七章 總結和展望117-121
• 7.1 文章結論和成果117-118
• 7.2 未來工作展望118-121
• 參考文獻121-129
• 致謝129-133
• 在讀期間發(fā)表的學術論文與取得的研究成果133-135

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 ;基于位置的手機社交網(wǎng)絡“貝多”正式發(fā)布[J];中國新通信;2008年06期

2 曹增輝;;社交網(wǎng)絡更偏向于用戶工具[J];信息網(wǎng)絡;2009年11期

3 ;美國:印刷企業(yè)青睞社交網(wǎng)絡營銷新方式[J];中國包裝工業(yè);2010年Z1期

4 李智惠;柳承燁;;韓國移動社交網(wǎng)絡服務的類型分析與促進方案[J];現(xiàn)代傳播(中國傳媒大學學報);2010年08期

5 賈富;;改變一切的社交網(wǎng)絡[J];互聯(lián)網(wǎng)天地;2011年04期

6 譚拯;;社交網(wǎng)絡:連接與發(fā)現(xiàn)[J];廣東通信技術;2011年07期

7 陳一舟;;社交網(wǎng)絡的發(fā)展趨勢[J];傳媒;2011年12期

8 殷樂;;全球社交網(wǎng)絡新態(tài)勢及文化影響[J];新聞與寫作;2012年01期

9 許麗;;社交網(wǎng)絡:孤獨年代的集體狂歡[J];上海信息化;2012年09期

10 李玲麗;吳新年;;科研社交網(wǎng)絡的發(fā)展現(xiàn)狀及趨勢分析[J];圖書館學研究;2013年01期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 趙云龍;李艷兵;;社交網(wǎng)絡用戶的人格預測與關系強度研究[A];第七屆（2012）中國管理學年會商務智能分會場論文集（選編）[C];2012年

2 宮廣宇;李開軍;;對社交網(wǎng)絡中信息傳播的分析和思考——以人人網(wǎng)為例[A];首屆華中地區(qū)新聞與傳播學科研究生學術論壇獲獎論文[C];2010年

3 楊子鵬;喬麗娟;王夢思;楊雪迎;孟子冰;張禹;;社交網(wǎng)絡與大學生焦慮緩解[A];心理學與創(chuàng)新能力提升——第十六屆全國心理學學術會議論文集[C];2013年

4 畢雪梅;;體育虛擬社區(qū)中的體育社交網(wǎng)絡解析[A];第九屆全國體育科學大會論文摘要匯編(4)[C];2011年

5 杜p，

本文編號：937946