5篇关于地理位置的计算机毕业论文

今天分享的是关于地理位置的5篇计算机毕业论文范文, 如果你的论文涉及到地理位置等主题,本文能够帮助到你

基于用户位置分布的个性化推荐算法研究及系统实现

这是一篇关于推荐系统,地理位置,用户分布,用户偏好,协同过滤的论文, 主要内容为协同过滤作为电子商务发展至今应用最为广泛的个性化推荐算法之一,不仅为用户选择符合自身喜好的物品节省了许多时间与精力,还极大地提高了电商平台和卖家的经济利益。但是一方面现在个性化推荐系统仍旧存在很多问题亟待解决,例如数据的稀疏性、新用户或新商品的冷启动、推荐的准确性和多样性等问题。数据的稀疏性、新用户的冷启动、推荐的准确性和多样性等问题。另一方面,电子商务网站积累了大量用户行为的时间和空间的数据,但协同过滤等算法却并没有充分考虑到这些信息带来的影响,使得推荐结果的准确率无法得到更进一步的提升。本文考虑了物品用户位置分布的特征对物品相似性的影响,提出了改进的协同过滤算法。通过实验表明,该算法能够为用户产生精度更高的推荐列表的同时,推荐物品的多样性也有着优异的表现。我们的研究不但证明商品的用户分布特征也是协同过滤算法中应当考虑的度量商品相似性的一个重要因素,而且为电商平台如何有效地如何利用用户位置信息来提高推荐算法精度提供了有价值的思路。具体主要研究工作如下:(1)基于真实商品的用户分布进行分析,通过对比不同商品用户分布的差异性,总结和归纳其内在的规律并尝试性地探讨了这种差异性的可能产生的机理。在不同的地理位置环境下,用户有着不同的行为方式和偏好,这种偏好的差异会影响不同商品的用户分布规律,合理利用这一规律有助于理解用户偏好差异的产生机制并为高精度推荐算法的研究提供有效的思路。(2)为了研究商品位置分布的差异性对推荐算法精度的影响,本文提出距离分布系数这个指标来描述用户位置分布情况,并将这个指标作为表征物品的一个特殊属性。通过距离分布系数计算得出距离相似度之后,借助一个平衡因子融合评分信息计算得到混合相似度。在混合相似度的基础上,根据用户所处的位置利用K-Means算法将用户划分到不同的区域,然后在各区域利用协同过滤算法进行推荐,最后通过一个权值对所有获得的推荐列表进行加权,得到最终的推荐列表。通过在多个真实数据集上进行实验对比显示,本文所提出算法能有效的提高推荐的准确度和多样性。(3)通过对试验数据集的补充和完善,以及对用户位置信息的融合,我们设计了一个电影推荐系统,并将我们的算法应用到了该系统中。我们所设计的系统有几大特征,首先该系统能够利用新用户的地理位置产生推荐列表,从而缓解了新用户冷启动的问题;此外,系统所采用的推荐算法能够融合物品的空间分布特征和用户的位置信息,从而实现了更高精度的推荐。这些特征表明该电影推荐系统能够在有效提升用户体验的同时,也有较强的推广和应用价值。

基于用户位置分布的个性化推荐算法研究及系统实现

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。

基于社交网络和签到数据的兴趣点推荐系统设计与实现

这是一篇关于推荐算法,主题模型,社交网络,时间效应,地理位置的论文, 主要内容为随着互联网的发展,基于位置的社交网络(Location-Based Social Network,LBSN)服务得到了广泛地使用,如何在呈指数式爆炸增长的信息中帮助用户选择有用的消息已成为了重要的研究。与传统的推荐算法运用场景相比,LBSN中存在着更为复杂的上下文信息,例如用户出行时间信息、兴趣点地理信息、内容信息等,这些信息与用户出行的签到行为有着紧密的联系,如何充分利用这些上下文信息进行建模以更好地模拟用户出行的决策行为从而提高兴趣点推荐结果的质量是一个需要深入研究的问题。基于此,本文主要的研究内容有以下几个部分:(1)本文提出了一种新的时空主题模型STSTM(Sequential Temporal-Spatio Topic Model)。STSTM能探索根据时间改变的潜在主题以及潜在地区。即时间因素作为影响主题以及地区的上游因素。STSTM使用连续的时间而非离散化的时间作为建立模型。为了体现以往的签到选择对下次签到选择的影响,STSTM将每次签到的时序影响整合进模型中。通过利用潜在狄利克雷分配(Latent Dirichlet Allocation,LD A)模型挖掘潜在主题、时间间隔以及潜在地区的概率,与预测签到地点的时序影响相结合,产生下次签到的预测列表。该文在一个真实LSBN签到数据集上进行实验,结果表明该算法相比其他先进的兴趣点推荐算法具有更好的推荐效果。(2)本文提出了一个基于时间模式的联合概率生成模型TJM(Temporal Joint Model)来模拟用户在决策过程中的签到行为,该模型策略性地整合了上述因素,并就如何充分利用。为了证明该模型的适用性和灵活性,本文研究了它如何统一地支持两种推荐模式,即工作日推荐和假期推荐。本文在两个真实的大规模数据集上进行了大量的实验,从推荐有效性和推荐效率两个方面对模型的性能进行了评估,实验结果显示了它优于其他竞争对手;(3)为了利用签到评论这一特性,本文提出了基于用户社交网络与评论情感分析的主题模型(SAETM)。SAETM可以从两个角度捕获签到行为中的用户兴趣:用户社交网络与评论分析。首先利用潜在狄利克雷分配模型挖掘兴趣点相关的文本信息;然后通过用户社会关系构建社会相关性生成社会相关分数。最后利用概率模型将地理、时间、社会、兴趣的相关分数进行有效地融合,从而生成推荐给用户的推荐列表。该文章基于一个真实LBSN签到数据集进行试验,从推荐有效性对模型的性能进行了评估,实验结果显示了它比其他兴趣点推荐算法具有更好的推荐效果;(4)基于提出的三种兴趣点推荐模型的基础上,本文设计并实现了兴趣点推荐系统。该系统融合了多种个性化推荐算法,可结合用户的签到数据,为用户提供不同出行签到场景下的兴趣点推荐,满足用户的需求,提高用户体验。