移动情境感知环境下的商品管理和推荐系统
这是一篇关于情境感知,基于位置的服务,个性化推荐,并行计算的论文, 主要内容为随着无线通信和无线移动终端设备的爆炸式普及,移动电商逐渐成为人们关注的热点,作为物流工程领域的一个重要分支,它将移动通信技术和信息处理技术相结合,使用户能够实现随时随地的购物交易,商家实现有效地商品管理和商品推荐。同时信息技术的迅速发展和信息内容的日益增长,“信息过载”问题愈来愈严重,给人们带来很大的信息负担。研究移动情境感知环境下商品信息管理和推荐系统,通过对终端的感知数据进行预处理,聚合、推理,生成情境知识。通过对用户的喜好,消费历史等情境信息做进一步处理,以掌握用户的消费心理,为用户提供个性化的推荐式服务,播放商品广告、商品促销信息同时,根据用户经常搜索的内容和用户的位置信息,推送周围商家的商品信息。能够有效解决信息孤岛问题。提出了移动情境感知环境下的商品管理和推荐系统,移动终端运用LBS技术和图像文字识别技术将现场购物的信息传入云端,使用在云端部署的多台服务器形成的“商品信息云”,完成对信息存储和运算。移动终端可以对所购商品进行相应的评论和反馈,进一步增加信息的真实有效性。云端使用基于数据挖掘的搜索引擎技术提供对商品基于价格、质量、购买地远近的信息反馈。采用基于Map-Reduce的计算架构进行用户群体聚类,形成推荐规则,更好地为用户进行个性化的推荐。对原型系统的功能进行了测试,表明本文提出的移动情境感知环境下的商品管理和推荐系统能够满足各种实际需求,有效的为用户提供个性化的推荐。
移动情境感知环境下的商品管理和推荐系统
这是一篇关于情境感知,基于位置的服务,个性化推荐,并行计算的论文, 主要内容为随着无线通信和无线移动终端设备的爆炸式普及,移动电商逐渐成为人们关注的热点,作为物流工程领域的一个重要分支,它将移动通信技术和信息处理技术相结合,使用户能够实现随时随地的购物交易,商家实现有效地商品管理和商品推荐。同时信息技术的迅速发展和信息内容的日益增长,“信息过载”问题愈来愈严重,给人们带来很大的信息负担。研究移动情境感知环境下商品信息管理和推荐系统,通过对终端的感知数据进行预处理,聚合、推理,生成情境知识。通过对用户的喜好,消费历史等情境信息做进一步处理,以掌握用户的消费心理,为用户提供个性化的推荐式服务,播放商品广告、商品促销信息同时,根据用户经常搜索的内容和用户的位置信息,推送周围商家的商品信息。能够有效解决信息孤岛问题。提出了移动情境感知环境下的商品管理和推荐系统,移动终端运用LBS技术和图像文字识别技术将现场购物的信息传入云端,使用在云端部署的多台服务器形成的“商品信息云”,完成对信息存储和运算。移动终端可以对所购商品进行相应的评论和反馈,进一步增加信息的真实有效性。云端使用基于数据挖掘的搜索引擎技术提供对商品基于价格、质量、购买地远近的信息反馈。采用基于Map-Reduce的计算架构进行用户群体聚类,形成推荐规则,更好地为用户进行个性化的推荐。对原型系统的功能进行了测试,表明本文提出的移动情境感知环境下的商品管理和推荐系统能够满足各种实际需求,有效的为用户提供个性化的推荐。
基于用户偏好的组合兴趣点推荐
这是一篇关于基于位置的服务,推荐系统,空间关键字查询,倒排索引,用户偏好,转移概率的论文, 主要内容为近年来,随着移动互联网的快速发展,基于位置的服务(Location-Based Service,简称LBS)得到了广大用户的青睐。通过LBS应用,用户可以在兴趣点(Point of Interest,简称POI)签到、评论和分享内容。然而,随着LBS应用的发展,如何从海量数据中迅速、准确地获取符合用户偏好的兴趣点信息,已成为兴趣点服务商和用户共同关注的主要问题之一。本文研究了基于用户偏好的组合兴趣点推荐方法,主要工作如下:1.针对现有的兴趣点查询方法没有考虑用户偏好和最佳访问时间的问题,本文提出了基于多关键字和用户偏好的组合兴趣点查询方法。首先,给出了一种面向集合的关键字偏好查询(Collective Keywords Preference Query,简称CKPQ)问题,旨在找到一组覆盖所有查询关键字、满足用户偏好并具有较高可访问性的兴趣点。然后,针对CKPQ问题,设计了一个成本函数来计算候选组合兴趣点的访问成本。最后,提出了一种基于IR树的高效查询算法,通过两个剪枝策略不断缩小查询空间,以提高查询算法的效率。2.针对用户兴趣的多样性问题,本文提出了基于兴趣点相似度和个性化转移概率的组合兴趣点推荐方法。实际上,用户对一个兴趣点的偏好会受到许多因素的影响,本文设计了一种基于评分预测模型的初始兴趣点推荐方法,同时考虑了用户所在位置、上下文信息(如时间、地理位置等)和兴趣点流行度对用户偏好的影响。基于初始兴趣点,进一步提出了基于个性化转移概率的下一个兴趣点推荐方法。该方法结合轨迹相似近邻和时间上下文信息为每个用户构建转移概率矩阵,并通过评分预测模型得到下一个兴趣点,最后将其和初始兴趣点一同推荐给用户。3.本文使用真实的数据来验证提出的两个方法。针对基于兴趣点相似度和个性化转移概率的组合兴趣点推荐方法,利用从Yelp提取的多伦多市的22389名用户对26520个兴趣点的签到数据进行了大量的实验,结果证明本文方法在运行效率和查询结果上的有效性。针对基于兴趣点相似度和个性化转移概率的组合兴趣点推荐方法,从Foursquare提取了旧金山市的938名用户对1463个兴趣点的签到信息并进行了实验,结果表明本文方法比对比方法具有更高的准确率。
基于梯度提升算法的WiFi室内定位研究
这是一篇关于基于位置的服务,WiFi,特征提取,特征选择,K近邻算法,随机森林,XGBoost的论文, 主要内容为近年来,随着无线网络的快速普及和移动智能终端的广泛使用,LBS(基于位置服务)的需求迅速增长。目前,LBS已经迅速发展并普及到了社会生活的方方面面,定位技术已与LBS的发展紧密联系在一起。随着现代社会的不断发展,城镇化进程加快,大型建筑日益增多,人们80%以上的时间在室内环境中度过。各种移动通讯设备的快速普及,餐饮、购物、娱乐、地铁交通成为人们重要的生活方式,使得室内定位导航成为生活中不可或缺的部分。由于WiFi技术的快速发展,基于无线局域网和信号接收强度的室内定位技术利用现有的公共WLAN基础设施,不需要任何其他专业设备,只需要特定的定位软件即可实现定位。基于WLAN的室内定位技术成本较低,可以满足室内定位对定位精度的要求,已成为研究热点。本文首先基于电商平台的用户WiFi数据和位置信息,在原有特征群的基础上分析处理之后对原始数据特征提取,找出影响用户定位的关键特征。本文提出了基于信息增益的AP选择算法。提取出切合业务场景的特征群,以此来最大限度地还原出用户真实的行为习惯。其次,利用基于梯度提升树模型的特征选择减少数据维度,降低计算的复杂度,以此得到特征重要性的排序结果。最后,使用不同的特征组合检验模型,利用K近邻算法、随机森林与XGBoost对模型进行交叉验证。XGBoost对梯度提升树进行了扩展和改进,使得XGBoost的算法速度更快,准确率也更高。针对KNN中需要手动设置K的数值的缺陷,本文使用管道方法,即一次性输入多个k值,不仅节省了时间,还能更快的找出最好的k值。本文对XGBoost改进主要是对XGBoost的模型中正则化的改进以及对于模型参数的调节,以得到一个最好的实验结果。实验表明,本文提出的改进的XGBoost的算法在定位用户的准确度和运行效率都得到了提升。
基于用户偏好的组合兴趣点推荐
这是一篇关于基于位置的服务,推荐系统,空间关键字查询,倒排索引,用户偏好,转移概率的论文, 主要内容为近年来,随着移动互联网的快速发展,基于位置的服务(Location-Based Service,简称LBS)得到了广大用户的青睐。通过LBS应用,用户可以在兴趣点(Point of Interest,简称POI)签到、评论和分享内容。然而,随着LBS应用的发展,如何从海量数据中迅速、准确地获取符合用户偏好的兴趣点信息,已成为兴趣点服务商和用户共同关注的主要问题之一。本文研究了基于用户偏好的组合兴趣点推荐方法,主要工作如下:1.针对现有的兴趣点查询方法没有考虑用户偏好和最佳访问时间的问题,本文提出了基于多关键字和用户偏好的组合兴趣点查询方法。首先,给出了一种面向集合的关键字偏好查询(Collective Keywords Preference Query,简称CKPQ)问题,旨在找到一组覆盖所有查询关键字、满足用户偏好并具有较高可访问性的兴趣点。然后,针对CKPQ问题,设计了一个成本函数来计算候选组合兴趣点的访问成本。最后,提出了一种基于IR树的高效查询算法,通过两个剪枝策略不断缩小查询空间,以提高查询算法的效率。2.针对用户兴趣的多样性问题,本文提出了基于兴趣点相似度和个性化转移概率的组合兴趣点推荐方法。实际上,用户对一个兴趣点的偏好会受到许多因素的影响,本文设计了一种基于评分预测模型的初始兴趣点推荐方法,同时考虑了用户所在位置、上下文信息(如时间、地理位置等)和兴趣点流行度对用户偏好的影响。基于初始兴趣点,进一步提出了基于个性化转移概率的下一个兴趣点推荐方法。该方法结合轨迹相似近邻和时间上下文信息为每个用户构建转移概率矩阵,并通过评分预测模型得到下一个兴趣点,最后将其和初始兴趣点一同推荐给用户。3.本文使用真实的数据来验证提出的两个方法。针对基于兴趣点相似度和个性化转移概率的组合兴趣点推荐方法,利用从Yelp提取的多伦多市的22389名用户对26520个兴趣点的签到数据进行了大量的实验,结果证明本文方法在运行效率和查询结果上的有效性。针对基于兴趣点相似度和个性化转移概率的组合兴趣点推荐方法,从Foursquare提取了旧金山市的938名用户对1463个兴趣点的签到信息并进行了实验,结果表明本文方法比对比方法具有更高的准确率。
基于梯度提升算法的WiFi室内定位研究
这是一篇关于基于位置的服务,WiFi,特征提取,特征选择,K近邻算法,随机森林,XGBoost的论文, 主要内容为近年来,随着无线网络的快速普及和移动智能终端的广泛使用,LBS(基于位置服务)的需求迅速增长。目前,LBS已经迅速发展并普及到了社会生活的方方面面,定位技术已与LBS的发展紧密联系在一起。随着现代社会的不断发展,城镇化进程加快,大型建筑日益增多,人们80%以上的时间在室内环境中度过。各种移动通讯设备的快速普及,餐饮、购物、娱乐、地铁交通成为人们重要的生活方式,使得室内定位导航成为生活中不可或缺的部分。由于WiFi技术的快速发展,基于无线局域网和信号接收强度的室内定位技术利用现有的公共WLAN基础设施,不需要任何其他专业设备,只需要特定的定位软件即可实现定位。基于WLAN的室内定位技术成本较低,可以满足室内定位对定位精度的要求,已成为研究热点。本文首先基于电商平台的用户WiFi数据和位置信息,在原有特征群的基础上分析处理之后对原始数据特征提取,找出影响用户定位的关键特征。本文提出了基于信息增益的AP选择算法。提取出切合业务场景的特征群,以此来最大限度地还原出用户真实的行为习惯。其次,利用基于梯度提升树模型的特征选择减少数据维度,降低计算的复杂度,以此得到特征重要性的排序结果。最后,使用不同的特征组合检验模型,利用K近邻算法、随机森林与XGBoost对模型进行交叉验证。XGBoost对梯度提升树进行了扩展和改进,使得XGBoost的算法速度更快,准确率也更高。针对KNN中需要手动设置K的数值的缺陷,本文使用管道方法,即一次性输入多个k值,不仅节省了时间,还能更快的找出最好的k值。本文对XGBoost改进主要是对XGBoost的模型中正则化的改进以及对于模型参数的调节,以得到一个最好的实验结果。实验表明,本文提出的改进的XGBoost的算法在定位用户的准确度和运行效率都得到了提升。
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：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/51998.html
