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。
LBSN环境下基于反k近邻查询的推荐系统研究与实现
这是一篇关于基于位置的社交网络,反k近邻查询,数据流,空间文本数据库的论文, 主要内容为随着大数据时代的到来,基于位置的社交网络(Location-Based Social Network,LBSN)服务平台得到了迅速的发展。基于反k近邻查询的推荐技术在LBSN平台的服务中发挥着重要的作用。LBSN数据具有多元异构性、实时更新性和空间文本性,因此LBSN环境下反k近邻查询与传统反k近邻查询相比存在数据规模大、数据更新频繁等问题。针对以上问题,本文提出了 LBSN环境下基于反k近邻查询的推荐系统。针对数据流环境下连续双色反k近邻查询问题,本文首先提出了一种MHTree(Min-Heap-Tree)索引。其作用是在数据更新时高效维护结果集。以此为基础,本文提出了六区域环(Six-Region-Ring,SRR)查询处理算法,实现了对高质量数据的筛选。最后,本文提出一种数据预处理的方式高效维护候选用户集和验证设施集,提高了算法更新的性能。针对距离-关键字相似度约束的双色反k近邻查询问题,本文提出了一种基于关键字多分辨率网格树(Keyword Multiresolution Grid Rectangle-Tree,KMG-Tree)过滤-验证查询处理框架。该框架首先提出了一种KMG-Tree索引,实现了对空间文本数据库的高效管理。以此为基础,本文提出了一种Six-Region-Optimize算法实现了对KMG-Tree索引的高效剪枝,提高了查询效率。最后,本文利用阈值φr为查询点筛选出少量质量更高的对象。最后,本文使用德国(Germany,GE)和北京(Beijing,BJ)的部分地理空间位置信息以及一个模拟数据集(Simulated Data,SD)分别对SRR算法和Six-Region-Optimize算法进行仿真实验,证明了本文所提算法的有效性、实用性和稳定性。本文还实现了 LBSN环境下基于反k近邻查询的推荐系统,该系统支持数据流环境下连续双色反k近邻查询和距离-关键字相似度约束的双色反k近邻查询两种推荐方法。
基于矩阵分解及张量分解的信息融合POI推荐算法研究
这是一篇关于基于位置的社交网络,矩阵分解,高阶奇异值分解,张量分解,POI推荐的论文, 主要内容为网络的飞速发展以及移动设备的普及推动了基于位置的社交网络(Location Based Social Network,LBSN)平台的使用,为个性化的兴趣点(Point-of-Interest,POI)推荐系统带来了巨大的发展前景。同时,POI推荐系统给用户提供了更为丰富的出行计划,也为企业和商家创造了更多的商机。协同过滤算法作为推荐系统中使用最为广泛的算法之一,但是其仍存在准确性不够高,数据稀疏,可扩展性差以及冷启动问题。此外,考虑到用户出行受到多方面因素影响,需建立并挖掘更多因素间的联系,本文提出了一种基于矩阵分解及张量分解的信息融合POI推荐算法。本文分别采用矩阵分解和张量分解模型充分结合各个影响因子为用户提供符合其个性的兴趣点推荐。首先,分析了当前POI推荐系统的国内外研究状况,介绍了其从协同过滤模型到矩阵分解模型再到张量分解模型的发展史。其中,具体描述了协同过滤算法的三大分类及各分类中算法的优缺点,还描述了目前流行的矩阵分解算法的分类、概念和意义以及张量分解模型的定义和分解方法。接着,为了缓解数据稀疏和改善用户隐式反馈,本文先提出了一种基于社交关系挖掘的兴趣点推荐算法。利用签到记录中丰富的上下文信息(如时间、位置、朋友等)得到区域影响力、距离影响力和朋友影响力,并由此学习得到潜在兴趣点放入用户-地点矩阵分解模型中,预测得到访问概率的前N个兴趣点推荐给用户。其中,由于重点考虑了朋友影响力,我们深度挖掘了用户的社交圈,提出了三种不同定义的朋友关系:网络社交朋友、区域朋友和作息朋友。然后,鉴于用户出行受到多方面因素影响,当前POI推荐多数利用地点的地理位置和用户的社会关系,只考虑两种或三种影响因素,影响因素利用不够全面导致准确率难以提高。为了加强影响因素的联系性和全面性,提出了一种基于张量分解的多维信息融合的兴趣点推荐通用模型。模型分为用户画像和地点标签两部分,先利用社会关系、兴趣点类别和时间因素构造三阶张量作为标签偏好并定义用户常驻地用于刻画用户画像,再利用地理因素和流行度影响构造地点标签,分析两者影响程度并分配权重,得到每个用户的TOP-N个兴趣点进行推荐。最后,在Foursquare数据集上的实验结果表明,本文提出的算法不仅具有灵活的扩展性和较低的复杂度,可解决冷启动问题,实现本地和异地推荐,而且相比当前流行的兴趣点推荐算法获得了较为显著的准确率提升。
基于神经网络的兴趣地点推荐研究与应用
这是一篇关于兴趣点推荐,签到矩阵,神经网络,基于位置的社交网络,地点流行的论文, 主要内容为移动社交网络迅速发展,智能手机成为人们获取网络信息及沟通交流的主要移动设备。用户可以通过手机APP进行签到向好友分享自己所在的位置,利用海量的签到数据挖掘用户感兴趣的地点,可以为用户提供更好的出行体验。基于位置的社交网络兴趣点推荐是移动推荐系统一项重要的服务,兴趣点推荐能为用户提供更多有趣的地点,且能够带来潜在广告收益,因此兴趣点推荐成为了学术界和工业界研究的热点。兴趣点推荐为用户提供个性化服务,目前已有专家和学者对其进行了大量研究,但是以往的研究方法基本来自传统的推荐算法,没有考虑签到数据相似用户计算问题,以及高维度下签到数据稀疏性问题,以致推荐效果不理想。为解决上述问题,本文提出了基于用户签到矩阵的神经网络兴趣点推荐算法,主要内容如下:(1)分析了兴趣点推荐课题相关的研究背景意义与研究现状,以及算法存在的不足并提出解决方案。(2)针对用户签到数据相似用户计算问题,本文使用神经网络技术,计算用户间相似性,并结合地点流行度提出了一种融入地点流行度的POPDNN兴趣点推荐算法,在Gowalla数据集上的结果表明,POPDNN兴趣点推荐算法具有更好的推荐效果。(3)本论文考虑用户签到数据稀疏性问题,对用户与兴趣点双向分析,利用神经网络分别挖掘用户-兴趣点、兴趣点-用户潜在联系,为提高模型平滑性再融入非负矩阵分解技术,提出RBMNMF兴趣点推荐算法,在Foursquare数据集上进行了对比实验,实验结果表明,本文提出的RBMNMF算法具有更好的平滑性,并且评价指标都优于其他算法。(4)基于以上研究针对用户旅游出行需求,设计和实现了一个景点推荐原型系统Travel Go,该APP具有签到,分享照片,个性化推荐等功能,从用户签到矩阵中挖掘用户偏好,为用户进行个性化景点推荐。
基于用户长短期偏好的实时兴趣点推荐方法研究
这是一篇关于基于位置的社交网络,实时兴趣点推荐,长短期偏好挖掘的论文, 主要内容为随着网络技术的发展以及定位技术在人们生活中的广泛应用,基于位置的社交网络得到快速发展并逐步融入到人们的日常生活中。其中包含的地理位置信息为研究人们的行为模式,挖掘人们的移动规律,提供了丰富的数据支持。兴趣点推荐作为基于位置的社交网络的应用之一,在近年来受到很大关注。兴趣点推荐从用户的历史签到地点序列中,挖掘用户的兴趣偏好,从而为用户推荐其感兴趣的地点,省去了用户自己从众多地点中选取自己感兴趣地点的麻烦,为用户带来方便。现实生活中,兴趣点推荐往往根据用户的签到序列,为用户推荐其下一个可能访问的兴趣点,被称为下一个兴趣点推荐。目前多数下一个兴趣点推荐方法,往往关注用户签到序列对于接下来访问偏好的影响,但是忽视了用户的兴趣偏好随时间的变化,因而推荐结果无法匹配用户当前时间的实时兴趣,不仅影响了推荐结果的准确性,也对兴趣点推荐系统的实用性产生影响。因此,如何在签到序列影响的基础上,对用户的实时兴趣进行挖掘成为了实时兴趣点推荐中的一个关键问题。为了解决上述关键问题,本文提出了一个基于长短期记忆网络的实时兴趣点推荐算法,从用户的长期兴趣与短期兴趣两个方面对用户的兴趣偏好进行挖掘,具体内容如下:用户的长期偏好往往反映在其历史的活动规律之中,当前状态与历史相似状态很大可能拥有相近的兴趣偏好。基于该想法,本文采用一种非局部的网络模型框架,通过构建当前状态与历史状态的时间和空间相似性,对用户的长期偏好进行建模。同时,用户每天的活动规律,往往以一周为一个周期呈现出周期性,因此,本文采用了一个具有周期性的加权函数,来对用户的活动规律进行更好的表示。用户短期偏好具有很强的实时性,会随着时间的不同而改变,并且人们的偏好某种程度上会受大众偏好影响。因此,在建模用户短期偏好时,为每一时段引入了对应的转移向量,来表示相应时段大众偏好对用户产生的影响。此外,在进行最后的兴趣点推荐之前,根据地点类别的访问规律,将不符合当前时段人们生活规律的地点剔除掉,从而减小搜索空间,生成更加贴近用户生活规律的推荐列表。此外,我们设计了相关实验来验证模型各部分的有效性,并与基准方法在真实数据集上进行对比,验证了模型的有效性。
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：毕设驿站 ，原文地址：https://bishedaima.com/lunwen/48992.html
