基于异质社交网络的POI个性化推荐系统设计与实现
这是一篇关于兴趣点,异质社交网络,逻辑回归,推荐系统的论文, 主要内容为随着定位技术的不断发展,使得POI(Point of Interest,兴趣点)个性化推荐成为推荐领域中的热门研究点之一。目前POI推荐研究中存在需求多样性、数据量巨大、数据稀疏、推荐精准度低等多项弊端。本文通过严格的算法计算与实验对比,得出了一种较优的设计方案,以下为本文主要研究内容:(1)深入研究POI理论技术基础,将异质信息网络与基于位置的社交网络相结合,在一定程度上改善了用户数据稀疏性问题,并挖掘了用户POI偏好。(2)本文提出了理论分析和系统验证相结合的思想,探索异质信息网络和POI个性化推荐相结合的理论,设计实现了基于异质社交网络和逻辑回归算法的POI个性化推荐系统,为POI个性化推荐研究提供创新思路。(3)本文构建了异质社交网络模型,重点研究与设计了基于异质社交网络的POI推荐。并最终设计了 POI推荐系统,实现了数据库、Web服务、系统处理等模块。解决了用户的个性化需求问题,提高了 POI个性化推荐系统的准确性。(4)采用了公开数据集进行严格实验对比验证,得出了本文的算法在准确率与召回率指标上有较好的改进提升。并且采用了多维度测试用例对系统进行测试验证,得出了本文的推荐系统具有一定优越性与先进性。POI的推荐是有益于用户和企业的基于位置的社交网络服务。近年来,一些POI推荐算法已经提出,但尚缺乏系统的设计和实现。本文在提出基于元路径选择的POI推荐算法的同时,设计了 POI推荐系统,验证了本文系统的稳定性与算法的优越性。POI个性化推荐技术的研究会大大提高POI推荐的应用与开发效率,不仅能增强用户对POI推荐服务的黏性,还能宣传和推广POI并产生丰厚的商业价值,从而对用户、POI推荐服务的提供者及POI周边商户带来更大利益,因此POI个性化推荐的研究具有巨大的社会意义与经济意义。
LBSN中融合多源信息的兴趣点推荐算法研究
这是一篇关于位置社交网络,兴趣点,信任关系,协同过滤的论文, 主要内容为随着嵌入无线通信和位置传感器的移动设备的迅速发展,基于位置的社交网络(Location Based Social Network,LBSN)越来越火热,兴趣点(Point Of Interests,POI)推荐应运而生,帮助用户在其活动区域内寻找用户喜欢的兴趣点。但随着信息量的不断扩大甚至产生信息过载,用户对系统的各项推荐性能要求越来越高,如何为用户提供更高效的兴趣点推荐成为了目前研究的热点。以下为本文的主要工作和创新点:1.兴趣点推荐是推荐系统的关键研究之一,传统的算法只利用用户签到信息进行推荐,且对于签到信息只单纯地考虑签到和没签到,而忽略了用户签到的次数、用户签到的时间因素以及用户之间信任关系。为提高兴趣点推荐的准确性,提出一种融合邻居选择策略和信任关系的兴趣点推荐算法(UGT)。对于签到信息处理,采用签到次数来代替传统的0/1签到,并对签到信息添加时间权重;对于用户信息,提出一种邻居选择策略来捕获用户偏好,只选择目标用户的直接朋友或间接朋友作为邻居集;对于用户之间的信任关系,首先分析用户的属性,然后给出社会地位的计算方法,重构信任度的计算方法;最后将多种因素进行线性组合后得到推荐结果。通过在两个真实数据集上进行验证,结果表明该兴趣点推荐算法在准确率和召回率上有了显著的提升。2.随着web中用户数量的指数增长,大多数推荐系统的可扩展性不高。为了改善推荐系统中的可扩展性问题,提出一种基于k-d树的协同过滤推荐算法(UBKDT)。该算法使用分层的空间分区数据结构k-d树,根据用户位置对系统的用户空间进行分区,并通过测量各区域中的空间自相关指数来验证分区算法的正确性,然后将所得区域的数据用于预测目标用户在候选兴趣点上的签到次数。将协同过滤推荐算法分别应用于各个子区域的签到数据中,而不是应用于整个签到数据中,这样可以大幅减少算法的运行时间。通过实验对比,UBKDT算法不仅有良好的推荐准确性,还为用户提供更加快速的推荐,增强了系统的可扩展性。
基于异质社交网络的POI个性化推荐系统设计与实现
这是一篇关于兴趣点,异质社交网络,逻辑回归,推荐系统的论文, 主要内容为随着定位技术的不断发展,使得POI(Point of Interest,兴趣点)个性化推荐成为推荐领域中的热门研究点之一。目前POI推荐研究中存在需求多样性、数据量巨大、数据稀疏、推荐精准度低等多项弊端。本文通过严格的算法计算与实验对比,得出了一种较优的设计方案,以下为本文主要研究内容:(1)深入研究POI理论技术基础,将异质信息网络与基于位置的社交网络相结合,在一定程度上改善了用户数据稀疏性问题,并挖掘了用户POI偏好。(2)本文提出了理论分析和系统验证相结合的思想,探索异质信息网络和POI个性化推荐相结合的理论,设计实现了基于异质社交网络和逻辑回归算法的POI个性化推荐系统,为POI个性化推荐研究提供创新思路。(3)本文构建了异质社交网络模型,重点研究与设计了基于异质社交网络的POI推荐。并最终设计了 POI推荐系统,实现了数据库、Web服务、系统处理等模块。解决了用户的个性化需求问题,提高了 POI个性化推荐系统的准确性。(4)采用了公开数据集进行严格实验对比验证,得出了本文的算法在准确率与召回率指标上有较好的改进提升。并且采用了多维度测试用例对系统进行测试验证,得出了本文的推荐系统具有一定优越性与先进性。POI的推荐是有益于用户和企业的基于位置的社交网络服务。近年来,一些POI推荐算法已经提出,但尚缺乏系统的设计和实现。本文在提出基于元路径选择的POI推荐算法的同时,设计了 POI推荐系统,验证了本文系统的稳定性与算法的优越性。POI个性化推荐技术的研究会大大提高POI推荐的应用与开发效率,不仅能增强用户对POI推荐服务的黏性,还能宣传和推广POI并产生丰厚的商业价值,从而对用户、POI推荐服务的提供者及POI周边商户带来更大利益,因此POI个性化推荐的研究具有巨大的社会意义与经济意义。
基于时空行为知识图谱的兴趣点推荐方法
这是一篇关于兴趣点,推荐系统,知识图谱,循环神经网络,图神经网络的论文, 主要内容为兴趣点推荐技术可以根据用户的历史行为向用户推荐其当前感兴趣的兴趣点,解决信息过载问题,在各种基于位置的服务中发挥着重要作用。兴趣点推荐的目标是,根据用户的历史签到信息和当前时空上下文,为用户推荐最符合其当前偏好的兴趣点。目前兴趣点推荐研究主要面临以下挑战:1)用户行为同时与时间和空间关联,时空行为模式复杂难以捕捉;2)用户签到数据稀疏,用户偏好难以学习。目前已有众多研究提出了基于不同技术路线的兴趣点推荐方法,尽管取得了一定成果,但还不能很好地同时解决这两个问题。因此本文围绕时空行为建模和数据稀疏性问题对兴趣点推荐任务进行了一系列研究。本文的主要工作如下:(1)针对时空行为建模问题,提出了一种基于个性化时空循环神经网络的兴趣点推荐方法PSTR。本文设计了一个体现用户时空行为模式的时空相似度函数,PSTR根据时空相似度函数对循环神经网络的历史隐藏状态进行聚合,从而显式地对以天、周、月为周期的时间行为模式和聚集性空间行为模式进行捕捉,借鉴相似历史隐藏状态下用户的行为。同时,PSTR根据时间衰减的用户偏好计算方法来计算用户对兴趣点的动态偏好,并将偏好相似度函数作为权重融入隐藏状态聚合过程,从而使推荐结果更个性化。(2)针对数据稀疏性问题,提出了一种基于时空行为知识图谱的兴趣点推荐方法KGR。本文首先在用户签到记录和社交信息的基础上构建了一个新颖的时空行为知识图谱,并使用知识图谱嵌入算法学习时空行为知识图谱中实体和关系的表征。KGR根据设计的语义相似度函数构造兴趣点转移图,通过对兴趣点转移图进行图卷积来丰富兴趣点表征,并将更新后的兴趣点表征作为个性化时空循环神经网络的输入,从而将时空行为知识图谱的信息融入循环神经网络,解决数据稀疏性问题。本文在多个广泛使用的签到数据集上,对上述两种兴趣点推荐方法进行了大量的实验验证和分析。实验结果表明,与当前其他先进的兴趣点推荐方法相比,本文提出的方法在所有评价指标上表现更佳,验证了方法的有效性和先进性。
基于社交关系和地理位置的兴趣点推荐系统设计与实现
这是一篇关于兴趣点,社交网络,地理位置,推荐系统,大数据的论文, 主要内容为随着移动定位技术的不断发展和社交网络的日益发达,结合地理位置的社交软件也越来越多。这其中就有着巨大的技术发展空间和商业发展前景。各种关于兴趣点推荐的算法研究成为了推荐领域的一个热门方向,同时,由于涉及海量数据的处理,各种大数据技术和推荐架构也在系统工程中得到了充分实践。如何提高推荐算法的准确率,同时设计出合理高效稳定的推荐架构,就成为了一个结合了智能算法和工程实践并且也有着强烈现实意义和需求的优良课题。以下为本文的主要工作:(1)结合用户的社交关系信息和地理位置信息,综合分析了用户之间的多种相似度以及用户活动区域的行为密集度,采用推荐领域传统的协同过滤算法模型和地理位置信息特征构建起离线训练模型与实时特征数据相结合的方案,设计出了本文的兴趣点推荐算法模型,并在真实数据集上进行了算法实验,证明了算法的有效性。(2)设计出了一个具有数据存储和预处理模块,离线推荐模型训练模块,在线推荐模型训练模块,用户交互模块一共四大模块的兴趣点推荐架构,可以从服务器中拉取请求和日志,进行数据清洗后保存在分布式存储系统并在计算平台上进行模型训练,实时获取用户位于某一地点的推荐请求,结合离线模型训练得到在线模型,根据模型得出推荐列表后在前端展示给用户。(3)实现了在本地物理机上的系统部署,对系统进行了功能性测试和性能测试,证明系统的功能性实现完好,性能稳定性良好。本文采用了软件工程化的方法对整体系统从需求分析,概要设计,详细设计,实现与测试等方面进行了详细描述,图例丰富,表格完备。最后本文提出了系统未来的改进方向。
基于位置社交网络的旅游景点推荐模型研究与系统实现
这是一篇关于个性化推荐,位置社交网络,兴趣点,旅游景点的论文, 主要内容为当今社会,科学技术不断发展和进步,其中定位技术日趋成熟,各类型的智能移动设备得到广泛应用,基于位置的社交网络(Location-based Social Network,LBSN)已经成为生活、工作、学习中非常重要的组成部分。在位置社交网络相关的服务中,位置推荐服务已经越来越得到重视和推广,兴趣点(Point of Interest,POI)推荐技术应运而生。兴趣点推荐技术在获取到用户的历史签到数据后,对获取到的数据深入分析,发掘用户的兴趣偏好,根据偏好为其提供推荐列表。本文主要对基于位置社交网络的旅游景点推荐相关模型和系统开展研究。首先分析用户的签到行为,在此基础上,对现有旅游景点推荐模型进行深入分析,针对存在的数据稀疏问题和冷启动问题,提出基于位置社交网络的旅游景点推荐模型,并开发相应系统。主要完成了以下两方面的工作:(1)提出了一种基于位置社交网络的旅游景点推荐模型。该模型融合社交关系影响因素、空间分布相似用户影响因素、旅游景点影响因素,引入二级朋友到协同过滤算法中,缓解了数据稀疏的问题,获得社交关系影响因素对推荐的影响。考虑旅游景点影响因素,对现有的协同过滤推荐模型存在准确率较低的情况进行改善,引入对用户影响力的发现,在获取用户影响力的基础上发现旅游景点影响力,对旅游景点影响进行深入的挖掘。同时考虑空间分布相似用户影响因素,在完成空间分布相似性计算的基础上发现空间分布相似用户影响力。最后综合三种因素的影响,计算用户受这些因素影响下访问某一旅游景点的概率,构建推荐列表。通过与不同的模型进行对比实验,实验的结果表明,本文提出的基于位置社交网络的旅游景点推荐模型在准确率和召回率以及F1值评价指标上均有着明显的提升,旅游景点的推荐效果得到了显著的提高。(2)开发了基于位置社交网络的旅游景点推荐系统。本文以上述推荐模型为核心,完成了基于位置社交网络的旅游景点推荐系统的设计与实现。在调研的基础上,对旅游景点推荐系统进行需求分析,确定了本系统的功能,主要包括登录注册、个人信息管理、旅游景点个性化推荐、旅游景点热度推荐、旅游分享、行业情况、政策法规、景点搜索、景点评价等功能。在实现了本文所提推荐模型后,进行系统的分析与设计,开发了基于位置社交网络的旅游景点推荐系统。开发的旅游景点推荐系统一方面可以很好地满足游客的期望,另一方面也能够提升旅游平台的用户黏性,具有良好的应用前景。
基于位置的社交网络中融合多维特征的兴趣点推荐研究及实现
这是一篇关于基于位置的社交网络,GRU,兴趣点,推荐系统的论文, 主要内容为随着移动终端设备的普及和无线定位技术的快速发展,根据用户的签到行为和历史访问记录可以为其推荐感兴趣的地点,进而在基于位置的社交网络中得以广泛应用。由于目前现有的基于协同过滤和矩阵分解的兴趣点推荐未能充分发挥时空特征的影响,使其不能较好地获取用户的动态偏好。本文使用基于位置的社交网络中用户签到数据,从用户连续签到行为的角度出发,分析用户连续签到行为中的序列特征、时空特征和上下文特征等信息,挖掘用户连续签到行为模式,为目标用户推荐兴趣点。本文的贡献总结如下:1.针对用户连续签到行为的序列特征信息和时空特征信息,提出一种融合用户连续签到行为的单向时空特征兴趣点推荐模型LAST-GRU(Latent Attention Spatio-Temporal Gated Recurrent Unit Network)。首先,为能够获取序列特征和时空特征信息,在传统门控循环单元(Gate Recurrent Unit,GRU)的基础上构建用于获取序列特征和时空特征信息的兴趣点推荐模型。其次,在模型中引入注意力机制用于获取用户行为偏好。最后,基于真实数据集Yelp对提出的模型进行实验验证。实验结果表明本文提出的模型相较于其他兴趣点推荐模型具有一定的优势。2.针对用户连续签到行为的上下文特征信息,提出一种融合用户连续签到行为的双向上下文特征兴趣点推荐模型ACST-Bi GRU(Attention Context SpatioTemporal Bidirectional Gated Recurrent Unit Network)。首先,以LAST-GRU兴趣点推荐模型为基础,构建正向和反向的双向网络结构用于获取上下文特征信息。正向网络结构用于获取上文特征信息,反向网络结构用于获取下文特征信息。其次,在模型中引入注意力机制用于获取用户动态行为偏好。最后,基于真实数据集Yelp对提出的模型进行实验验证。实验结果表明本文提出的模型相较于其他兴趣点推荐模型具有一定的优势。3.使用签到数据集Yelp,基于大数据技术实现融合多维特征的兴趣点推荐系统。同时,将本文提出的兴趣点推荐模型LAST-GRU和ACST-Bi GRU应用到兴趣点推荐系统中。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设向导 ，原文地址：https://bishedaima.com/lunwen/48499.html
