轨迹语义表征与地点推荐研究
这是一篇关于轨迹语义,轨迹压缩,轨迹表征,地点推荐的论文, 主要内容为近年来,随着移动设备飞快普及与硬件存储、计算能力的飞快提升,每天都有海量的轨迹数和带地点标签的签到数据以惊人的速度产生。这些数据蕴含着着人们的移动规律以及出行模式,因而高效地对轨迹数据进行存储、压缩、表征以及知识挖掘将对现有经济、环境、交通等领域产生深远影响。在商业方面,探索如何从海量的用户轨迹或签到数据中挖掘出用户喜好信息,进而向用户推荐潜在的感兴趣地点,将使人们的生活得到极大的提升,也能为不同规模的商业经济带来巨大的效益。针对轨迹和地点数据的挖掘,研究者们根据自己的需求提出了各种轨迹压缩、表征以及地点推荐的算法。然而目前的算法在特定方面仍然存在缺陷,本文就此提出了解决方案。总观全文,本文的工作重心和创新点体现在以下三方面:第一、目前的轨迹压缩方法多以线条约简的思想为主,没有考虑轨迹的全局语义信息。部分考虑全局语义信息的工作不能在地图上语义稀疏和缺乏的地方工作。本文提出了一种高效且鲁班的全局轨迹压缩表征方式,将整个轨迹数据集表征为一个多粒度的地点网络。该网络可根据应用的需求将已知的额外地点信息包含进来以增强轨迹的表征压缩效果。这样一方面使得轨迹稀疏的区域的轨迹表征得到矫正,另一方面也能借助大量轨迹数据来探索和理解关键地点的语义信息。最后,四个真实数据集的实验展现了提出算法的实用性与高效性。第二、轨迹数据存在长度不一致、采样率不一致以及难以度量相似度的问题,使得在轨迹数据上的时空轨迹挖掘成为问题。结合多样化的地点挖掘需求,本文提出了一种将地点和轨迹表征成为隐向量的方法,使得地点与轨迹之间特定的语义相似度可以直接从其表征的隐向量之间的相似度中获得。这将大大提高地点检索和轨迹的效率。实验表明了该方法相对其他方法在语义检索上的优越性。第三、在社交网络中向用户推荐地点是一项很有价值的任务,然而目前的推荐系统多以基于矩阵分解的协同过滤为主,仅仅追求推荐的准确性,而没有探究推荐后面的原因,因此缺乏解释性。针对这一缺陷,本文提出一种改进型的局部分步矩阵分解。这种方法应用在地点数据集上将让产生的推荐隐因子具有更具体的含义,从而获取用户的信赖程度,也增强了研究者对于算法的理解。实验表明本文方法不仅在推荐准确度上媲美目前最好的推荐算法,也同时具有着其他算法不具有的良好的可解释性。
轨迹语义表征与地点推荐研究
这是一篇关于轨迹语义,轨迹压缩,轨迹表征,地点推荐的论文, 主要内容为近年来,随着移动设备飞快普及与硬件存储、计算能力的飞快提升,每天都有海量的轨迹数和带地点标签的签到数据以惊人的速度产生。这些数据蕴含着着人们的移动规律以及出行模式,因而高效地对轨迹数据进行存储、压缩、表征以及知识挖掘将对现有经济、环境、交通等领域产生深远影响。在商业方面,探索如何从海量的用户轨迹或签到数据中挖掘出用户喜好信息,进而向用户推荐潜在的感兴趣地点,将使人们的生活得到极大的提升,也能为不同规模的商业经济带来巨大的效益。针对轨迹和地点数据的挖掘,研究者们根据自己的需求提出了各种轨迹压缩、表征以及地点推荐的算法。然而目前的算法在特定方面仍然存在缺陷,本文就此提出了解决方案。总观全文,本文的工作重心和创新点体现在以下三方面:第一、目前的轨迹压缩方法多以线条约简的思想为主,没有考虑轨迹的全局语义信息。部分考虑全局语义信息的工作不能在地图上语义稀疏和缺乏的地方工作。本文提出了一种高效且鲁班的全局轨迹压缩表征方式,将整个轨迹数据集表征为一个多粒度的地点网络。该网络可根据应用的需求将已知的额外地点信息包含进来以增强轨迹的表征压缩效果。这样一方面使得轨迹稀疏的区域的轨迹表征得到矫正,另一方面也能借助大量轨迹数据来探索和理解关键地点的语义信息。最后,四个真实数据集的实验展现了提出算法的实用性与高效性。第二、轨迹数据存在长度不一致、采样率不一致以及难以度量相似度的问题,使得在轨迹数据上的时空轨迹挖掘成为问题。结合多样化的地点挖掘需求,本文提出了一种将地点和轨迹表征成为隐向量的方法,使得地点与轨迹之间特定的语义相似度可以直接从其表征的隐向量之间的相似度中获得。这将大大提高地点检索和轨迹的效率。实验表明了该方法相对其他方法在语义检索上的优越性。第三、在社交网络中向用户推荐地点是一项很有价值的任务,然而目前的推荐系统多以基于矩阵分解的协同过滤为主,仅仅追求推荐的准确性,而没有探究推荐后面的原因,因此缺乏解释性。针对这一缺陷,本文提出一种改进型的局部分步矩阵分解。这种方法应用在地点数据集上将让产生的推荐隐因子具有更具体的含义,从而获取用户的信赖程度,也增强了研究者对于算法的理解。实验表明本文方法不仅在推荐准确度上媲美目前最好的推荐算法,也同时具有着其他算法不具有的良好的可解释性。
基于时空特征和信任关系的地点推荐算法研究
这是一篇关于地点推荐,位置社交网络,卷积神经网络,排序学习的论文, 主要内容为随着智能终端的普及和位置社交网络的迅猛发展,人们每天都会产生大量带有地理标记信息的签到内容,但也产生了信息过载的问题。这些多源异构数据蕴涵着丰富的用户行为与个性化需求信息,使得地点推荐研究受到国内外学者的广泛关注。用户签到行为作为连接线上和线下世界的直接渠道,帮助发展了许多个性化的定位信息服务,因此精确且个性化的地点推荐显得格外重要。然而相比于商品推荐系统,用户签到过的地点相对过少,数据更为稀疏,可扩展性有限。本文对用户签到数据的特征属性进行分析,利用卷积神经网络和排序学习模型,对位置社交网络的地点推荐算法展开了深入探讨。首先探究了时间和空间特征影响下的地点推荐算法。首先通过从时间和空间层面对用户签到进行分析,对用户行为与时间和空间因素的关联进行研究;其次利用卷积神经网络构建地点的时间和空间特征表示,捕捉用户对地点的喜好,提升地点预测的准确度。接着探究了综合信任关系及评论文本的地点推荐算法。首先通过结合社交网络的信任关系,计算用户之间的信任度;其次将评论文本的主题信息影响融入相似度计算中,得到评论文本的相似度;最后提出了融合信任度与相似度的列表级排序学习模型,改善地点推荐列表的质量。本文利用卷积神经网络和排序学习模型挖掘用户签到和社交关系来提升推荐质量,有效地改善了位置社交网络的用户体验。地点推荐不仅有助于本地居民和游客探索城市中未知的有趣的地点,带来便捷舒适的生活体验;同时有助于商家发现和吸引潜在客户群,获得提升收益的机会。
基于时空信息的地点推荐算法研究与实现
这是一篇关于深度学习,数据挖掘,推荐系统,地点推荐的论文, 主要内容为地点推荐作为基于位置的社交网络的核心服务,目标为用户提供个性化和可靠的访问推荐服务。它借助用户在社交平台上的交互记录,分析和挖掘用户数据中的潜在访问偏好和模式信息,为用户推荐可能感兴趣的地点。近年来,移动互联网技术的发展催生指数级增长的用户数据以及日益复杂化的数据结构,这使得挖掘海量数据中的价值信息需求日益增长,也令学习用户行为规律并提供差异化数据推荐服务的推荐算法成为研究热点。本论文为基于时空信息的地点推荐算法研究与实现。现有研究工作缺少对时间-空间维度结合信息的深入挖掘,忽视了用户记录之间存在的复杂结构关联。本论文提出三种地点推荐算法,分别为推荐研究中的个性化问题、时序模式学习问题以及空间向量表示问题提出针对性解决方案。主要工作和创新性研究成果如下:1.针对个性化地点推荐,提出了一种基于时序图谱邻域的图卷积地点推荐算法。该工作将时序知识图谱引入地点推荐任务,建立多实体的异构时序图谱。对时序信息进行多层次的表示学习,能够考虑用户在时序和空间上的动态、个性化、地理因素上的偏好,有效提高个性化推荐性能。该算法在公开数据集中的Top-1准确率达到25.7%,高于同类方法20.7%的准确率,提升高达24.1%。2.针对时序模式学习,提出了一种基于多维周期性的时序卷积地点推荐算法。该工作首先对真实用户访问数据进行周期性行为研究分析。基于现象分析,建立一个以时序卷积为基础框架的神经网络模型。模型创新地将二叉树和线段树结构和时序卷积网络进行结合,设计了两种新的针对多间隔和多跨度的树形卷积模块。该算法的Top-5预测命中率达到47%,高于同类方法45%的命中率。同时也在真实案例中验证了算法学习周期性的有效性。3.针对空间向量表示问题,提出了一种多尺度向量映射的序列地点推荐算法。该工作针对空间位置关系进行多细粒度的空间表示,能够同时考虑多地理尺度级、空间局部和空间整体三个层次的向量表示,使得算法充分学习用户移动过程中的方向关系和空间布局,提高用户访问轨迹预测的准确性。算法Top-5的预测命中率达到46.3%,高于同指标下其他方法44.1%的命中率。综上,本论文所提出的基于时空信息的地点推荐算法,研究了地点推荐任务与图网络、卷积网络、以及向量表示方法在挖掘时空信息上的深入结合,并通过大量实验工作验证算法在真实数据集上的有效性,为地点推荐研究提供了重要参考价值。
轨迹语义表征与地点推荐研究
这是一篇关于轨迹语义,轨迹压缩,轨迹表征,地点推荐的论文, 主要内容为近年来,随着移动设备飞快普及与硬件存储、计算能力的飞快提升,每天都有海量的轨迹数和带地点标签的签到数据以惊人的速度产生。这些数据蕴含着着人们的移动规律以及出行模式,因而高效地对轨迹数据进行存储、压缩、表征以及知识挖掘将对现有经济、环境、交通等领域产生深远影响。在商业方面,探索如何从海量的用户轨迹或签到数据中挖掘出用户喜好信息,进而向用户推荐潜在的感兴趣地点,将使人们的生活得到极大的提升,也能为不同规模的商业经济带来巨大的效益。针对轨迹和地点数据的挖掘,研究者们根据自己的需求提出了各种轨迹压缩、表征以及地点推荐的算法。然而目前的算法在特定方面仍然存在缺陷,本文就此提出了解决方案。总观全文,本文的工作重心和创新点体现在以下三方面:第一、目前的轨迹压缩方法多以线条约简的思想为主,没有考虑轨迹的全局语义信息。部分考虑全局语义信息的工作不能在地图上语义稀疏和缺乏的地方工作。本文提出了一种高效且鲁班的全局轨迹压缩表征方式,将整个轨迹数据集表征为一个多粒度的地点网络。该网络可根据应用的需求将已知的额外地点信息包含进来以增强轨迹的表征压缩效果。这样一方面使得轨迹稀疏的区域的轨迹表征得到矫正,另一方面也能借助大量轨迹数据来探索和理解关键地点的语义信息。最后,四个真实数据集的实验展现了提出算法的实用性与高效性。第二、轨迹数据存在长度不一致、采样率不一致以及难以度量相似度的问题,使得在轨迹数据上的时空轨迹挖掘成为问题。结合多样化的地点挖掘需求,本文提出了一种将地点和轨迹表征成为隐向量的方法,使得地点与轨迹之间特定的语义相似度可以直接从其表征的隐向量之间的相似度中获得。这将大大提高地点检索和轨迹的效率。实验表明了该方法相对其他方法在语义检索上的优越性。第三、在社交网络中向用户推荐地点是一项很有价值的任务,然而目前的推荐系统多以基于矩阵分解的协同过滤为主,仅仅追求推荐的准确性,而没有探究推荐后面的原因,因此缺乏解释性。针对这一缺陷,本文提出一种改进型的局部分步矩阵分解。这种方法应用在地点数据集上将让产生的推荐隐因子具有更具体的含义,从而获取用户的信赖程度,也增强了研究者对于算法的理解。实验表明本文方法不仅在推荐准确度上媲美目前最好的推荐算法,也同时具有着其他算法不具有的良好的可解释性。
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：毕业设计客栈 ，原文地址：https://bishedaima.com/lunwen/56316.html
