基于混合轨迹相似度的个性化位置推荐算法研究与实现
这是一篇关于位置社交网络,个性化位置推荐,混合轨迹相似度,核密度估计的论文, 主要内容为位置社交网络(Location-Based Social Network,LBSN)是指利用用户的签到信息,将线上社交网络和线下物理世界相结合,提供给用户一个融合虚拟世界和物理世界的全新平台,将虚拟世界信息在真实世界服务中分享与推荐。位置推荐系统通过挖掘用户习惯偏好、社交关系及位置地理信息,帮助用户发现感兴趣的位置,节省了时间与精力,还为位置提供商吸引更多用户群体。位置推荐系统广泛应用于各种app服务,如地图出行及旅行推荐等。但位置推荐系统仍面临诸多问题,例如,缺乏在海量数据中精确快速提供个性化推荐服务的能力,难以面对数据稀疏性问题及推荐位置不合理不可达等。这些问题对位置推荐系统的发展及推广产生了限制。因此本文拟针对上述问题,通过综合考虑用户的兴趣偏好、移动特征、地理影响及访问行为等特征,建立用户个性化兴趣偏好模型及个性化地理分布模型,提出基于混合轨迹相似度的个性化位置推荐算法,主要研究内容如下:(1)由于原始轨迹数据密集且庞大,本文将原始轨迹数据提取为停留点及位置,减少数据量并保留用户的位置信息。基于词频统计思想感知位置语义,得到地理空间及语义空间中的两种轨迹,解决了海量数据时计算复杂耗时的问题。(2)为满足用户个性化需求,基于超链接诱导搜索算法的思想建立用户个性化兴趣偏好模型。针对数据稀疏性问题,考虑轨迹的语义距离、地理距离、时间信息、语义熟悉度及位置流行度,提出了基于用户个性化兴趣偏好模型的混合轨迹相似度评估方案,从相似移动特性的好友数据中评估并挖掘位置。(3)在实际推荐的过程中,存在推荐位置距离过远而产生的不合理推荐问题,本文将地理因素对用户访问行为的影响建模为个性化距离分布影响,基于核密度估计建立用户个性化地理分布模型,模拟用户对不同距离推荐位置的访问行为。(4)联系混合轨迹相似度评估方案及用户个性化地理分布模型,模拟用户访问行为及移动特征,计算用户访问备选推荐位置的概率,经排序后向用户推送最终的位置推荐结果。综上所述,本文构建用户个性化兴趣偏好模型,满足了用户的个性化需求;根据混合轨迹相似度评估用户的相似好友,解决了数据稀疏性问题;建立个性化地理分布模型,确保推荐位置合理可达。经实验证明,本文提出的个性化位置推荐方案,在海量数据及数据稀疏性的场景中均具备更好的推荐性能。本文研究成果将对社交网络和推荐系统的智能化发展和广泛应用提供理论指导和技术支持。
基于位置社交网络的多元兴趣点推荐模型研究
这是一篇关于位置社交网络,兴趣点推荐,多元因素,融合模型的论文, 主要内容为基于位置的社交网络(Location-Based Social Network,LBSN)规模日渐扩大,人们乐于在LBSN上进行签到,同时分享自己的位置信息和社交关系。LBSN上的签到行为生成大量的位置社交数据,其对用户提供个性化服务具有重要价值。为了让用户更易获得符合其偏好的位置信息,兴趣点(Point of Interest,POI)推荐应运而生。兴趣点推荐面临着数据稀疏、个性化不足等问题,在推荐性能和多样性方面存在性能改进空间。本文针对上述问题开展研究,主要研究内容与贡献如下:(1)针对用户签到信息中包含的多元因素,提出了基于地理、社交以及相似度三元因素融合的兴趣点推荐模型。该模型针对用户签到记录分布的特点,充分考虑用户当前地理位置,从用户签到记录中提取用户及地点的隐式特征;结合推荐目标,赋予社会因素具体语义;综合用户的历史行为,采用余弦相似度作为衡量标准来计算用户间的相似度。最后,通过因子相乘的方式将三因素融合,生成一个高性能的兴趣点推荐模型。(2)针对以往兴趣点推荐系统中未充分考虑时间因素影响的问题,提出了一个嵌入时间因素的改进兴趣点推荐模型。对基于位置的社交网络上的用户签到时间段的分布规律进行分析,引入平滑因子解决了用户签到时间数据的稀疏性问题,准确捕捉用户签到信息中的时间因素。在考虑地理、社会、相似度因素的基础上,将获得的时间因素融入兴趣点推荐模型中,进一步提升模型性能。(3)利用用户连续签到地点具有很高关联度的特点,在传统兴趣点推荐基础上,提出了一个融合用户个性化偏好和地理因素的全新连续兴趣点推荐模型。将用户签到行为定义为四阶张量,通过张量分解对用户的个性化偏好进行建模,解决用户连续签到数据稀疏的问题。此外,引入贝叶斯个性化排序算法,对推荐模型的参数进行求解优化。本文基于Gowalla真实数据集设计实验,将提出的三种模型与基线以及当下流行的方法进行了对比分析,验证了本文提出模型的优势。
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。
基于位置社交网络的兴趣点推荐研究
这是一篇关于位置社交网络,兴趣点推荐,图神经网络,自注意力机制,社会影响,顺序影响的论文, 主要内容为近年来移动定位技术日渐完善,智能手机、手环等移动终端愈发流行,为位置社交网络快速发展提供了必要条件,从而为现实物理世界与虚拟互联网世界的连接开辟了道路。在此基础上,现实生活中基于位置社交网络的服务也日渐丰富,例如Foursquare、Yelp和美团等。兴趣点推荐一方面可以为用户推荐一些感兴趣的地点,丰富用户的生活体验;另一方面可以为商家带来更为丰厚的经济效益,因此成为了工业界和学术界的研究热点。兴趣点推荐为用户提供个性化服务,近几年已有许多专家和学者进行了大量研究。然而,大多数现有兴趣点推荐算法还存在以下问题:现有兴趣点推荐算法依赖用户与兴趣点交互产生的反馈信息,通过挖掘用户签到时间特征、签到地理位置特征为用户进行兴趣点推荐,忽略了用户签到记录的顺序影响,没有考虑签到位置之间的相关性。在实际应用中,用户之间的显式社交信息(用户之间明确的信任关系)非常稀疏,而多数基于社会影响的推荐系统性能有限,究其原因在于并没有合理利用用户隐式社会信息(不同用户签到相同兴趣点)。本文针对上述问题,研究了两种解决方法。具体的工作内容包括:(1)提出CG-SAGCN模型建模基于地理协同偏好的兴趣点推荐模型。该方法通过图神经网络学习兴趣点之间的内在联系,并利用GRU网络建模用户历史签到记录中的顺序影响,结合注意力机制学习不同签到位置的影响,为用户推荐下一个可能感兴趣的签到位置。(2)提出DSAGN模型建模用户签到记录的顺序影响和社会影响。挖掘每个用户签到记录之间的时间特征、地理位置特征,通过分析每个用户和其朋友之间的行为相关性建模社会影响,利用自注意力机制模拟签到记录的顺序影响,挖掘用户和其朋友签到之间的全局依赖性,为用户推荐其下一次签到位置。通过在真实数据集上与多个方法进行对比,实验结果显示,本文提出的方法在多个评估指标上具有更好的推荐效果。
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。
位置社交网络中融合时空背景的兴趣点推荐研究
这是一篇关于推荐系统,兴趣点,位置社交网络,时空信息,长短期行为依赖的论文, 主要内容为下一个兴趣点(POI)推荐对于提升用户生活的丰富性,帮助服务提供商获得更多的经济收益是不可或缺的。下一个兴趣点推荐使用用户在基于位置社交网络上的签到信息以进行推荐。现有的基于深度学习的方法在通过捕获用户的行为依赖来提升推荐模型的性能方面是显而易见的。然而,现有的基于循环神经网络(RNNs)变体的方法缺乏与其上下文的充分交互,同时将POI序列当成一个笔直的串行管道;另一方面,大多数基于注意力的方法关注用户签到序列中的全局的POIs,即使某些注意力的权重很小;针对位置社交网络中POI推荐场景所存在的问题,本文提出了更高效高性能的推荐算法以提升用户体验,本文的研究内容总结如下:(1)针对现有的基于RNNs的方法缺乏与其上下文的充分交互,同时忽略了不同重视的非连续POI对于理解用户行为的重要性。本文提出了一种基于形变LSTM和注意力网络的时空模型(STMLA)。STMLA模型构建并行结构,通过形变LSTM和多头注意力网络处理用户的签到序列,在选择性考虑不同重要程度的非连续因素的同时,可以实现更好的上下文交互。STMLA算法明确地结合时间和空间信息来捕捉用户的长期和短期行为依赖,并结合空间信息构建了地点跳跃算法。(2)针对大多数基于注意力的方法都关注全局POIs序列,即使大多数被赋予的权重很小以及用户签到序列存在用户访问的非主观因素。本文提出了一种基于位置扩展算法和门控深度网络(即ST-PEGD)的新型时空模型,用于下一个POI推荐。具体来说,通过结合时空因素,本文设计了一个门控深度网络生成辅助二进制门来捕获用户的长期行为依赖。此外,在捕获用户的短期行为依赖时,本文使用位置扩展算法使RNNs在进行POI序列跳跃选择时的上下文交互更加充分。(3)针对目标用户的兴趣点序列被输入笔直的串行管道,没有充分考虑目标用户签到轨迹之间相似性的问题,本文在ST-PEGD的基础上进行了改进,提出了ST-PEGDS模型。具体来说,通过多头自注意力机制增强模型选择用户签到序列中有用信息的能力,让二进制门的生成更加准确;通过设计非局部网络计算用户签到轨迹序列之间的相似性,以更好的发挥时间信息对捕捉用户长短期行为依赖的作用。通过在几个真实世界数据集上的大量实验,证明了本文提出的模型在下一个POI推荐任务中具有很好的性能表现。
基于位置社交网络的兴趣点推荐研究
这是一篇关于位置社交网络,兴趣点推荐,图神经网络,自注意力机制,社会影响,顺序影响的论文, 主要内容为近年来移动定位技术日渐完善,智能手机、手环等移动终端愈发流行,为位置社交网络快速发展提供了必要条件,从而为现实物理世界与虚拟互联网世界的连接开辟了道路。在此基础上,现实生活中基于位置社交网络的服务也日渐丰富,例如Foursquare、Yelp和美团等。兴趣点推荐一方面可以为用户推荐一些感兴趣的地点,丰富用户的生活体验;另一方面可以为商家带来更为丰厚的经济效益,因此成为了工业界和学术界的研究热点。兴趣点推荐为用户提供个性化服务,近几年已有许多专家和学者进行了大量研究。然而,大多数现有兴趣点推荐算法还存在以下问题:现有兴趣点推荐算法依赖用户与兴趣点交互产生的反馈信息,通过挖掘用户签到时间特征、签到地理位置特征为用户进行兴趣点推荐,忽略了用户签到记录的顺序影响,没有考虑签到位置之间的相关性。在实际应用中,用户之间的显式社交信息(用户之间明确的信任关系)非常稀疏,而多数基于社会影响的推荐系统性能有限,究其原因在于并没有合理利用用户隐式社会信息(不同用户签到相同兴趣点)。本文针对上述问题,研究了两种解决方法。具体的工作内容包括:(1)提出CG-SAGCN模型建模基于地理协同偏好的兴趣点推荐模型。该方法通过图神经网络学习兴趣点之间的内在联系,并利用GRU网络建模用户历史签到记录中的顺序影响,结合注意力机制学习不同签到位置的影响,为用户推荐下一个可能感兴趣的签到位置。(2)提出DSAGN模型建模用户签到记录的顺序影响和社会影响。挖掘每个用户签到记录之间的时间特征、地理位置特征,通过分析每个用户和其朋友之间的行为相关性建模社会影响,利用自注意力机制模拟签到记录的顺序影响,挖掘用户和其朋友签到之间的全局依赖性,为用户推荐其下一次签到位置。通过在真实数据集上与多个方法进行对比,实验结果显示,本文提出的方法在多个评估指标上具有更好的推荐效果。
位置社交网络中融合时空背景的兴趣点推荐研究
这是一篇关于推荐系统,兴趣点,位置社交网络,时空信息,长短期行为依赖的论文, 主要内容为下一个兴趣点(POI)推荐对于提升用户生活的丰富性,帮助服务提供商获得更多的经济收益是不可或缺的。下一个兴趣点推荐使用用户在基于位置社交网络上的签到信息以进行推荐。现有的基于深度学习的方法在通过捕获用户的行为依赖来提升推荐模型的性能方面是显而易见的。然而,现有的基于循环神经网络(RNNs)变体的方法缺乏与其上下文的充分交互,同时将POI序列当成一个笔直的串行管道;另一方面,大多数基于注意力的方法关注用户签到序列中的全局的POIs,即使某些注意力的权重很小;针对位置社交网络中POI推荐场景所存在的问题,本文提出了更高效高性能的推荐算法以提升用户体验,本文的研究内容总结如下:(1)针对现有的基于RNNs的方法缺乏与其上下文的充分交互,同时忽略了不同重视的非连续POI对于理解用户行为的重要性。本文提出了一种基于形变LSTM和注意力网络的时空模型(STMLA)。STMLA模型构建并行结构,通过形变LSTM和多头注意力网络处理用户的签到序列,在选择性考虑不同重要程度的非连续因素的同时,可以实现更好的上下文交互。STMLA算法明确地结合时间和空间信息来捕捉用户的长期和短期行为依赖,并结合空间信息构建了地点跳跃算法。(2)针对大多数基于注意力的方法都关注全局POIs序列,即使大多数被赋予的权重很小以及用户签到序列存在用户访问的非主观因素。本文提出了一种基于位置扩展算法和门控深度网络(即ST-PEGD)的新型时空模型,用于下一个POI推荐。具体来说,通过结合时空因素,本文设计了一个门控深度网络生成辅助二进制门来捕获用户的长期行为依赖。此外,在捕获用户的短期行为依赖时,本文使用位置扩展算法使RNNs在进行POI序列跳跃选择时的上下文交互更加充分。(3)针对目标用户的兴趣点序列被输入笔直的串行管道,没有充分考虑目标用户签到轨迹之间相似性的问题,本文在ST-PEGD的基础上进行了改进,提出了ST-PEGDS模型。具体来说,通过多头自注意力机制增强模型选择用户签到序列中有用信息的能力,让二进制门的生成更加准确;通过设计非局部网络计算用户签到轨迹序列之间的相似性,以更好的发挥时间信息对捕捉用户长短期行为依赖的作用。通过在几个真实世界数据集上的大量实验,证明了本文提出的模型在下一个POI推荐任务中具有很好的性能表现。
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。
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：毕设客栈 ，原文地址：https://m.bishedaima.com/lunwen/48975.html
