6篇关于POI推荐的计算机毕业论文

今天分享的是关于POI推荐的6篇计算机毕业论文范文, 如果你的论文涉及到POI推荐等主题,本文能够帮助到你

POI推荐中的跨域融合和隐私保护方法研究

这是一篇关于POI推荐,跨域推荐,隐私保护,社交网络,注意力机制的论文, 主要内容为随着互联网的推广以及数据收集的急剧增长,信息过载导致用户搜索信息困难,直接降低了用户体验,于是推荐系统作为有效的信息筛选工具受到了广泛的关注。基于位置的兴趣点(Point-of-Interest,POI)推荐不同于传统的商品推荐,对于位置和时间都有严格的要求,用户签到能力的有限性使得位置数据相对于传统的商品推荐来说极度稀疏,并且往往需要融合用户的上下文信息以实现更为有效的推荐。用户出于对隐私信息的担忧,往往不愿意分享自己的签到数据,这也为POI推荐平台收集用户的签到数据造成了一定的困难。此外,随着用户和项目的数量剧增,冷启动问题也日益严重,成为降低推荐效率的一个重要因素。为了解决以上问题,POI推荐领域大多通过融合该领域的用户评论文本、时间、位置因素来缓解POI推荐领域的数据稀疏性问题,基于多维度数据跨域融合的方法大部分都是通过设置一个线性的权重来控制他们的影响,并且很少有跨域融合的方法考虑用户的隐私保护问题。因此,本文针对POI推荐中跨域融合的隐私安全问题展开了研究,集成联邦学习框架提出了隐私保护的跨域POI推荐方法,能够有效的融合多维度数据的同时,保护用户的隐私安全,主要研究工作如下。(1)首先,本文提出了一种基于联邦学习和隐私保护的POI跨领域推荐方法,一方面旨在将辅助领域的数据进行关联融入用户兴趣分析,以改善数据稀疏和冷启动情况下的推荐精度问题。并且以电子商务领域的数据为例进行了重点分析。另一方面针对数据融合中的隐私问题,集成联邦学习框架,将用户历史数据保存在本地进行分析,然后将加密的潜在特征分布用于知识的迁移,以保护用户的隐私信息。在该方法中,我们将所有的用户数据保存在客户端本地,只交互加密后的潜在特征分布。服务器端用一个改进后的神经网络训练密文状态的潜在特征实现两个领域的特征对齐。(2)其次,针对跨域之间的复杂关联,我们进一步考虑多源数据融合场景,将用户在电子商务领域和社交网络领域的信息进行融合,并引入注意力机制来关注不同关联信息的重要程度。使得服务器能够自适应地学习用户的偏好,形成一个多源的跨域智能POI推荐算法,同时保证用户的隐私安全。(3)然后,本文设计了相应的跨域融合和隐私保护算法,并从隐私安全性和算法复杂度两方面对算法的性能进行了理论分析,证明本文提出的方法能够有效的保护跨域POI推荐中的隐私安全。(4)最后,本文首先基于公开数据集Movielens和Four Square进行了实验验证,并对比现有方法从Precision和Recall两个方面评估了推荐结果的精确度。然后基于Epinions和Four Square数据集验证了融合社交网络领域的跨域推荐方法,并且对比了模型的运行时间。实验结果表明本文方法能够有效的改善POI推荐在数据稀疏情况下的推荐精度问题,还能一定程度上降低模型的运行时间。

LBSN中融合辅助信息的POI推荐模型的设计与实现

这是一篇关于LBSN,POI推荐,图嵌入,图神经网络的论文, 主要内容为随着各类通讯设备以及定位技术的日渐成熟,基于位置的社交网络(Location-based Social Network,LBSNs)也乘着这股东风逐渐发展起来。LBSNs的用户可以通过平板、手机等移动设备对访问的地点进行签到并分享给其他的用户;每个用户也可以通过其他用户的分享发现自己可能感兴趣的兴趣点(Point-of-interest,P OI)。但与此同时,LBSNs每天产生的大量的用户签到数据(check-in)也给用户的信息检索带来了很大的挑战。因此,如何从庞大的签到数据中筛选出有用的信息,并为用户提供精准的个性化POI推荐成为了推荐系统领域一个炙手可热的话题。本文针对现存POI推荐模型中存在的数据稀疏,冷启动等问题,采用融合社交关系、地理信息以及POI类别等辅助信息的方式来提高POI推荐的性能。针对用户访问POI时不同层次的兴趣偏好纠缠在一个统一的嵌入表示中难以解释的问题,本文采用基于图神经网络的嵌入传播机制和邻居路由机制来学习用户访问PO I时的多个潜在的兴趣分布。本文的研究内容如下:(1)LBSN中基于社交关系和POI类别的POI推荐算法。针对POI推荐中数据十分稀疏和可解释性差的问题,提出了一个LBSN中类别感知的POI推荐模型CASGD。CASGD使用改进后的随机游走算法,在LBSN中学习融合了社交关系的POI嵌入表示,并作为下游神经网络的初始值。使用了两个基于LSTM的编码器,分别用来学习用户关于POI和POI类别的偏好;基于POI类别和地理位置信息对候选的POI集合进行筛选,得到当前时刻用户最感兴趣的TOP-K个POI类别。考虑了三个特定的相关性:用户和POI之间的相关性、用户和POI类别之间的相关性以及POI与用户当前偏好表示的相关性,对用于推荐的POI进行排序。实验表明,CASGD模型提高了POI推荐的性能。(2)LBSN中基于多兴趣感知的POI推荐算法。为了更好地区分用户在访问POI时不同的兴趣偏好对最终决定做出的贡献,本文提出了一个基于图神经网络的多兴趣感知的POI推荐模型MIAPD,从更细粒度的层面学习相关的兴趣偏好分布。MIAPD模型将初始特征向量分割成多个块,对应多个潜在的兴趣偏好,并建立相应的兴趣感知图。使用邻居路由机制和嵌入传播机制可以在不同的兴趣感知图中收集到与第K个兴趣偏好相关的信息,并同时对用户、POI嵌入表示进行迭代更新。MIAPD模型最终可以得到解耦后的用户、POI多兴趣嵌入表示,以及一组可解释的兴趣偏好感知图。实验表明,对冗杂的兴趣偏好进行建模提高了POI推荐结果的可解释性以及POI推荐的性能。

基于临时社交网络的团体行程规划方法研究

这是一篇关于临时社交网络,行程规划,POI推荐,多样性推荐的论文, 主要内容为临时社交网络的概念已在旅馆、音乐会、运动会等场景中使用,人们在短时间内因为共同的兴趣或目的到同一个地方,参加同一个活动。用户使用其社交网络帐户在特定热门地点加入临时社交网络从而组成一个社交团体。团体行程规划和POI推荐是当前临时社交网络中的热门研究方向。现有研究对单用户行程规划定义了丰富的应用场景和约束条件,但对团体行程规划的问题定义不够完整,目前,租车旅行变得非常普遍,一辆汽车通常可以包含至少4位乘客,与朋友一起包车旅行可以提高用户的满意度,帮助这些用户节省交通时间、旅行费用。行程中到达POI时的拥挤程度会影响用户体验。并且在现有的行程规划系统中,每个POI被视为一个顶点,实际上将覆盖范围较大的POI(例如杭州西湖、杭州乐园)作为一个POI推荐给用户,但是忽略了用户到达这个POI附近的子POI(例如西湖:断桥、苏堤、岳庙)以及具体参观顺序。但如果一开始为用户推荐细致到每个商铺、子POI的行程,既浪费了推荐系统的计算成本,又给用户过于严格的行程约束的压力,因为在实际旅行过程中,行程时间会因不确定因素而改变。因此本文提出了一种临时社交网络用户分组和团体行程规划方法,帮助用户在临时社交网络中与兴趣爱好和空闲时间相似的用户组建包车分组,通过预测到达时POI拥挤程度,为包车分组推荐避免拥挤的行程。为了给用户提供POI全面、路线精确、交互灵活的旅行服务,本文提出基于行程的POI推荐和子行程规划方法,为用户预测未来可能经过的子POI,在行程中为用户推荐多样性的周边子POI(店铺、餐馆等),并为整体行程嵌入子行程,从而细化行程。最后,基于Foursquare和Flickr爬取的真实社交网络数据集的实验结果表明,临时社交网络用户分组和团体行程规划方法能为用户推荐高质量的包车分组和行程。基于行程的POI推荐和子行程规划方法在能在保证推荐相关度的同时,有效地提供具有多样性的POI推送并为用户提供更精确的行程规划。

LBSN中用户偏好和嵌入增强的POI推荐技术研究

这是一篇关于POI推荐,基于位置的社交网络,谱图理论,神经网络,嵌入学习的论文, 主要内容为随着移动互联技术和移动设备GPS定位技术的不断进步,社交网络(Social Network)和基于位置的服务(Location Based Services)逐渐融合形成基于位置的社交网络(Location Based Social Network,LBSN)。LBSN平台移动社交数据的爆炸式增长以及时空上下文的多样变化使得用户面临了信息过载和选择困难等问题,难以快速定位出自己感兴趣的位置点,因此兴趣点(Point-Of-Interest,POI)推荐应运而生。它旨在解决信息过载,挖掘用户个性化偏好,为用户推荐其感兴趣的POI。但是,POI推荐系统面临时空上下文多变、用户和POI签到矩阵极具稀疏和非线性交互建模等问题,依然难以被有效解决。随着深度学习技术的迅猛发展,越来越多的深度学习技术开始应用于POI推荐并取得了明显的成效。因此,本文基于深度学习技术开展了LBSN中用户偏好和嵌入增强的POI推荐模型的研究,完成的主要工作如下:(1)在用户的偏好增强和嵌入表示中,目前的研究大多采用融合LBSN中上下文信息进行建模,如果不能进行有效的挖掘提取,会造成数据维度的增大从而导致原本稀疏的数据更加稀疏。其次,传统基于矩阵分解的协同过滤算法往往难以挖掘出用户和POI之间的非线性交互关系。针对以上问题,提出了基于用户签到社交偏好的POI推荐模型PSC-SMLP(Preference enhanced Spectral Clustering and Spectral enhanced Multi-Layer Perceptron)。模型通过挖掘LBSN中签到信息和社交信息的空间特性提取用户偏好;将谱图理论和神经网络结合构建嵌入层,挖掘用户和POI之间的非线性交互,以深层学习用户的个性化偏好,优化推荐质量。(2)进一步的,考虑到LBSN中用户的签到序列中POI之间往往具有高度相关性,通过用户签到序列挖掘POI的时空上下文信息可以更好地建模POI的嵌入表示。因此,本文在PSC-SMLP模型的基础上,提出了融合用户签到序列时空特性的POI推荐模型—PSC-TTGR(Transformer enhanced Temporal POI Embedding and Geo Preference Ranking Factorization Machine)。在PSC捕获用户偏好的基础上,模型通过融合时间信息和地理空间信息学习具有时空特性的POI嵌入表示,并对POI进行偏好排序,从而能够构建更为丰富的偏好关系,用以训练排序模型,最终为目标用户生成候选推荐列表。(3)选取了Gowalla、Yelp等数据集开展上述模型的实验验证。实验结果表明,PSC-SMLP和PSC-TTGR较对比算法在准确率、召回率等推荐评价指标上均获得提升,PSC-TTGR相对于PSC-SMLP也获得了更好的性能。

基于群组关系的推荐算法研究与应用

这是一篇关于推荐系统,群组关系,POI推荐,群组推荐,并行化的论文, 主要内容为互联网的飞速发展早已解决了用户在信息获取上的困难,然而“物极必反”,互联网上的信息量早已超出了用户的需求。这些信息中,夹杂了大量用户所不需要的信息,从而产生了“信息过剩”的问题。针对这一问题,最早出现的解决方案是信息检索系统,其典型的代表就是搜索引擎。但是搜索引擎最大的问题在与缺少上下文信息,因此无法产生“千人千面”的个性化结果,而且要求用户提供准确的检索需求。而个性化的推荐系统的出现,则很好地弥补了搜索引擎的这一短板。推荐系统最早使用于电商平台,电商平台能够收集大量的用户相关数据,推荐系统通过对这些相关数据的挖掘,就可以获取用户的兴趣和需求,做到真正意义上的“投其所好”。对于电商来说,“投其所好”的意义会直接反映在经济效益上。近些年,正是由于这种利益的驱动,使得推荐系统发展十分迅速。然而个性化推荐推荐,也并非是完美无缺的。近年来,其局限性也逐渐被显现出来。现实中,许多日常活动是由多个用户以群组的形式参与的,因此,本文将研究方向转向了面向群组的推荐系统,充分利用用户之间的群组关系,侧重于考虑群组偏好进行推荐。关于群组的概念,目前大致可分为两种,一种是根据用户自然真实的社会关系而形成的社会化网络群组,而另一种是通过挖掘用户潜在的属性等,根据用户属性的相似度划分出来的群组。针对以上两种不同类型的群组,本文主要进行了以下内容的研究:1.对基于位置的社会化网络中的社交网络进行了研究,提出了一种能够有效利用基于位置社会化网络中用户的签到信息、社交群组关系,签到地点的位置信息的POI(point-of-interests)推荐算法,并将其并行化实现。2.针对没有显式群组关系的用户,利用与用户相关的物品的文本信息以及用户的历史评分记录,设计了一种基于内容的群组推荐算法,利用LDA(LatentDirichletAllocation)主题模型,将用户根据其相关的文本信息进行基于内容的分组,并利用LFM(Latent Factor Model)隐语义模型结合群组与内容的匹配度,预测群组用户对于物品的评分。3.以LGM(Latent Group Model)算法为基础,对该算法进行了并行化改进,提出了 PLGM(Parallel Latent Group Model),提出了在 Spark分布式计算平台上的并行策略,实现了算法的并行化,极大地提高了算法的可扩展性以及计算能力,从而提高了算法的实用价值。4.设计并实现了针对不同推荐场景的推荐原型系统,完成了系统前台及后台的开发,集成了上述的多种推荐算法,为用户提供了友好的可视化的算法展示操作平台,还原了真实的推荐场景。