基于注意力机制的POI推荐系统研究
这是一篇关于推荐系统,兴趣点推荐,神经网络,注意力机制,时空信息的论文, 主要内容为在基于位置的社交网络服务(Location-Based Social Network,LBSN)中,人们通过签到的方式发布地理位置信息的同时,也能够使用推荐服务,因此LBSN迅速发展起来。其中兴趣点(Point-of-Interest,POI)推荐作为LBSN中的关键点,引起了广泛的研究。POI推荐通过历史签到序列,分析用户个性化偏好,为用户量身推荐合适的POI。在现实生活中,用户的签到行为通常发生在一个序列中,推荐系统通过用户的历史签到记录,来为用户推荐接下来可能去的POI。但是在用户的历史行为数据中,并不是所有的行为都能够为将来的推荐提供作用,并且能够影响下一步行为的数据权重也是不相同的;而且用户签到序列中的时空间隔信息有可能为用户的下一次行为提供了关键因素,但是现有POI推荐算法没有考虑有效利用用户签到地点之间的时间和空间间隔的信息,不能够准确地表达用户的偏好。针对以上问题,本文进行以下研究:(1)提出了融合注意力的矩阵分解POI推荐算法,在矩阵分解的基础上,增加了用户注意力,以更好地分析用户对不同地点的注意力数值,更准确地获取用户的偏好,从而更精确地进行推荐。其中注意力机制能够为用户签到地点分配不同的权重,有效捕捉用户签到地点之间的关系。在真实数据集上进行实验分析,实验结果表明该模型优于其他对比算法。(2)提出了融合时空网络和自注意力机制的POI序列推荐算法,将用户签到信息之间的时间和空间间隔信息融入门控循环单元网络,然后使用自注意力机制对签到地点分配权重,获得用户的权重序列,最后通过签到地点与候选地点的时间间隔和空间间隔匹配POI,为用户推荐一个包含三个连续地点的POI序列。在真实数据集上进行测试和验证,实验结果表明该模型优于之前提出的先进模型。(3)设计了一款兴趣点推荐系统平台,针对用户不同的需求分别进行功能开发,对需要进行POI序列推荐的用户使用融合时空网络和自注意力机制的POI序列推荐模型进行推荐,对普通POI推荐的用户使用融合注意力的矩阵分解POI推荐模型进行推荐,从而能够精准地对用户进行POI推荐,满足用户的个性化需求。
融合时空信息和个性化重要性的兴趣点推荐算法研究
这是一篇关于兴趣点推荐,兴趣点重要性,噪声过滤,时空信息,时间敏感性的论文, 主要内容为随着全球定位系统(Global Positioning System,GPS)、智能手机的高速发展,基于位置的社交网络(Location-Based Social Networks,LBSNs)已经吸引了来自工业界和学术界的大量关注。在LBSNs中,用户可以通过登记感兴趣的位置(如餐馆,旅游景点等)与他们的朋友分享信息。各大LBSNs平台希望利用丰富的社交关系、历史登记等信息来挖掘用户对地点的偏好,并向用户推荐其可能感兴趣的新地方。推荐新的有趣地点的任务被称为兴趣点(Point-of-Interest,POI)推荐。POI推荐系统在LBSNs中发挥了重要作用,它不仅能够为用户访问新的兴趣点提供个性化的服务,而且还可以为商家带来潜在的用户,提高销售量,实现用户与商家之间的双赢。兴趣点推荐系统中蕴含着丰富的多源异构数据,比如地理位置、时间上下文以及好友社交关系等信息,使用这些信息可以有效地提高兴趣点推荐算法的质量和效果。目前大多数研究主要在协同过滤的基础上加入各种影响因子进行推荐,但是在推荐的过程中依然存在噪声数据过滤不充分、兴趣点重要性不明确以及时间敏感性问题。针对这些问题,本文提出了一种融合时空信息和个性化重要性的兴趣点推荐算法(Rec SI),通过对用户的签到行为进行建模,预测用户的兴趣偏好,从而为用户进行兴趣点推荐。本文的具体研究工作总结如下:(1)个性化兴趣点重要性评估。针对传统推荐过程中分析兴趣点重要性时未考虑个性化用户的问题,本文通过引入用户社交关系网络,提出一种基于社交关系的个性化兴趣点重要性评估算法。该算法通过计算社交好友之间的相似程度和兴趣点对于社交好友的重要程度,来评估兴趣点对于目标用户的重要性。(2)噪声数据有效过滤。本文给出了一种基于地理信息的POI数据预处理算法,通过对空间维度的分析,将地理位置和兴趣点之间的吸引力设置为预处理条件,有效过滤数据集中的数据噪声。(3)时间敏感的用户偏好分析。由于在LBSNs中,不同的时间段内的用户对兴趣点的偏好程度是不同的,根据时间的敏感性和相似性,本文提出基于时间相似性的动态划分算法将每天的时间进行分段,然后在每个动态时间内通过兴趣点类别和兴趣点流行度计算用户的偏好。本文在Foursquare真实的签到数据集中对算法的性能进行验证,将Rec SI算法与目前有代表性的三种推荐算法进行比较,实验结果表明了Rec SI算法的精确率和召回率比最优的GCSR分别提高了12.5%和6%,验证了Rec SI算法的有效性。
南海时空信息互联网文本解析技术研究
这是一篇关于南海,互联网文本,时空信息,文本解析,信息系统的论文, 主要内容为南海是我国国家安全重要屏障、战略出海口及海上贸易和能源运输通道。当前,南海问题已逐渐发展成为涉及政治、军事、外交、经济等多个领域的热点问题,引发世界范围的广泛关注。全面、及时、客观掌握南海的军事、政治、经济等动态和资讯,持续跟踪主要利益和责任相关方在南海的重要行动和重大政策动向,是研究南海问题和推动南海局势持续改善的前提,也有助于维护南海地区的稳定、和平与繁荣。由于南海岛礁与内地之间交通通达不便,并且该地区的地缘政治环境错综复杂,南海动态信息获取较为困难。传统的南海问题研究使用的历史文献资料存在文献保存困难,需要人工梳理信息,使用效率较低,信息滞后和更新不及时等问题。互联网上大量的新闻报道为南海研究提供了更加广阔和及时的信息来源。但是网络新闻具有更新速度快、信息表达模糊、信息来源多样、内容动态化、数据格式非结构化等特点,使得计算机很难直接处理文本信息。并且南海相关的互联网文本内容涉及的主题丰富多样,包含的空间信息构成复杂,模糊文本与精确定位信息兼有,空间范围涵盖海洋与陆地,难以直接使用基本互联网文本信息解析方法处理。因此,本文以南海为研究区,根据南海新闻文本特点,建立了一套“主题新闻采集—非空间信息提取—空间信息提取—系统设计研发”的研究框架,提出一种空间信息提取与定位技术,打破了南海地区依赖历史文献资料和人工信息提取的传统研究模式,拓展南海研究的时空数据来源,为南海研究和相关部门单位对南海的科学管理提供有效的信息支持。主要研究结论如下:(1)提出互联网文本南海非空间信息提取方法。研究通过对时间信息在新闻文本中表达类型进行分析,将时间信息表达归纳总结为四种类型,基于时间词汇词典和规则库实现了文本时间信息提取;通过对南海新闻关键词词频分析将南海新闻分为军事、政治、法律、经济和能源五大类,构建基于朴素贝叶斯的文本分类器模型,实现南海相关新闻文本的自动分类;基于触发词和规则库实现了事件非时空属性信息提取。评价结果表明本文提出的非空间信息提取方法具有较好的提取效果。(2)提出互联网文本南海空间信息提取方法。研究将南海相关新闻文本中的空间信息分为南海专题地名、一般地名和经纬度三类,首先构建顾及层次关系-历史演变-多源融合的南海地名库,在此基础上,耦合专题地名与一般地名,提出集成南海地名词典、规则和CRF模型的文本空间信息解析技术,综合专题地名库和地理编码服务的文本空间定位技术,实现了南海互联网文本空间信息自动解析,文本模糊地名到空间精确坐标的转换。并借助核密度分析方法实现南海新闻事件空间集聚的探测。实验评估结果表明本文提出的文本空间信息解析技术提取南海互联网文本中地名具有较高的准确率和较全的覆盖率。(3)研发南海时空信息互联网文本解析系统。在对新闻文本信息解析技术研究基础上,将理论研究运用于实践,综合运用SSH框架、HTML5、CSS、JSP、Python、WebGIS等技术设计并开发了南海时空信息互联网文本解析系统。系统主要实现南海网络新闻快速采集、文本信息自动解析与结构化存储、时空信息和事件属性分步提取、事件信息地图可视化与空间分析等功能,系统的实际运行情况良好。论文还存在一些不足,在后续研究中,还需增加对其他语种的文本信息解析方法研究,数据来源也可以引入社交媒体和网络论坛等内容,南海相关事件类别划分体系和具体事件属性需求也需要进一步完善。
基于时空的信息物理系统服务推荐研究
这是一篇关于信息物理系统,长短期记忆,域感知因式分解机,服务推荐,时空信息的论文, 主要内容为随着信息物理系统的不断发展,服务数量日益增长,有许多服务都提供了相同的功能,如何在这些服务中为用户选择出合适的服务成为了当前热点研究的问题之一。本文基于用户与服务的时空信息提出了基于域感知因式分解机(FFM)的推荐模型(LBFFM)以及基于长短期记忆网络(LSTM)的混合推荐模型(LSTM-HPLT)以满足信息物理系统中用户调用服务的不同场景。首先,本文针对用户调用服务时产生的冷启动问题,构建了基于域感知因式分解机的服务推荐模型。冷启动问题面临的主要困难是该如何向无历史行为的新用户推荐服务,或如何将新服务推荐给用户。本文基于已有的数据进行独热编码,利用用户与服务的地理位置信息构建了基于距离权重的相似度,并筛选出相似的用户以及服务,将用户、服务、相似用户以及相似服务作为特征域构建特征矩阵,最后经由域感知因式分解机学习不同域与特征之间的关系,以提高对服务QoS值的预测精度。其次,本文针对用户调用服务产生的数据稀疏性问题,利用用户与服务的时空信息构建了基于长短期记忆网络的混合推荐模型。LSTM-HPLT使用相邻时间段的QoS均值填补空缺数据,以缓解数据稀疏,并且基于用户与服务的地理位置以及相似度筛选出最相似的若干个用户或服务,对与目标用户(服务)以及相似用户(服务)有关的QoS数据集合进行LSTM训练,并进行QoS值的预测,从而提升了服务推荐的准确性。最后,基于真实的信息物理系统的数据集进行大量实验,验证了 LBFFM以及LSTM-HPLT在实际数据中相较于其它方法有更好的效果,预测的结果在标准平均误差(NMAE)以及均方根误差(RMSE)指标下有更好的表现,能够有效地缓解服务推荐中冷启动以及数据稀疏的问题,并以此提高对用户的服务推荐的准确度。同时,基于LBFFM与LSTM-HPLT模型构建了信息物理系统服务推荐应用,以管理用户与服务的信息并根据这些信息有效提供不同应用场景下的服务推荐。
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。
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：毕设货栈 ，原文地址：https://m.bishedaima.com/lunwen/52983.html
