本文關(guān)鍵詞：基于位置的社交網(wǎng)絡(luò)中地點推薦方法研究

  更多相關(guān)文章： 基于位置的社交網(wǎng)絡(luò) 協(xié)同過濾 聚類 位置推薦

【摘要】：隨著基于位置的服務(wù)與社交網(wǎng)絡(luò)的發(fā)展,兩者對于我們生活的影響越來越大,將他們結(jié)合起來應(yīng)用已經(jīng)成為一個非常熱門的互聯(lián)網(wǎng)趨勢。基于位置的社交網(wǎng)絡(luò)為線上虛擬世界的社交網(wǎng)絡(luò)與線下物理世界的位置信息提供了一個新平臺,使兩者能夠充分融合,發(fā)揮各自優(yōu)勢。在這個新平臺上收集了大量的用戶信息、好友信息、位置信息后,可以基于這些數(shù)據(jù)做個性化的推薦,比如活動推薦、路徑推薦等,在這其中一個重要的應(yīng)用就是位置推薦。然而位置推薦算法還不多,一些問題如數(shù)據(jù)稀疏性、冷啟動、簽到地點離常居地遠問題依然沒有很好的解決方案。為了解決上述問題,對基于位置社交網(wǎng)絡(luò)中的地點推薦進行研究,提出一個改進的推薦方法,此推薦方法考慮到了用戶的興趣偏好、朋友關(guān)系、位置語義與距離等因素。其中為解決冷啟動以及簽到地點離常居地遠問題,此方法在基于用戶的協(xié)同過濾算法的基礎(chǔ)上融合了朋友關(guān)系因素,提出了基于用戶和朋友關(guān)系的協(xié)同過濾算法。為解決數(shù)據(jù)稀疏問題,在上述的協(xié)同過濾算法的基礎(chǔ)上,集成了聚類算法,采用了K-medoids劃分法對地點根據(jù)語義與距離進行聚類,取兩個算法在推薦時的優(yōu)點進行互補。為了對所提出的方法進行驗證,在Foursquare數(shù)據(jù)集上以準確率、召回率、mAP作為度量依據(jù)進行實驗,從而證明改進的方法有效解決了常見問題,提高了推薦效果。此項研究的重點是相似度的計算。對于用戶間相似度采用興趣地點相似度、好友親密度進行度量,找到與目標推薦用戶相似的其他用戶,將他們喜歡的地點推薦給目標用戶,從而解決冷啟動等問題。對于地點間相似度采用詞頻-逆文檔頻率、余弦相似性對地點語義相似度進行度量,采用球面距離對距離相似度進行度量,從而對地點進行聚類,解決數(shù)據(jù)稀疏問題。
【關(guān)鍵詞】：基于位置的社交網(wǎng)絡(luò) 協(xié)同過濾 聚類 位置推薦
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-16
• 1.1 研究背景及意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-13
• 1.2.1 傳統(tǒng)的推薦10-12
• 1.2.2 基于位置服務(wù)的地點推薦12
• 1.2.3 基于位置社交網(wǎng)絡(luò)的地點推薦12-13
• 1.3 研究內(nèi)容及目標13-14
• 1.4 論文組織結(jié)構(gòu)14-16
• 第2章 相關(guān)技術(shù)與理論16-27
• 2.1 基于協(xié)同過濾的推薦方法16-21
• 2.1.1 推薦步驟16-19
• 2.1.2 基于用戶的協(xié)同過濾推薦19-20
• 2.1.3 基于物品的協(xié)同過濾推薦20-21
• 2.1.4 基于模型的協(xié)同過濾推薦21
• 2.2 相似性度量方法21-22
• 2.2.1 Jaccard相似系數(shù)21
• 2.2.2 余弦相似度21-22
• 2.2.3 Pearson相關(guān)系數(shù)22
• 2.2.4 歐氏距離相似度22
• 2.3 常用的聚類算法22-24
• 2.3.1 K-均值23-24
• 2.3.2 K-中心點24
• 2.4 地點推薦面臨問題的現(xiàn)有解決方法24-26
• 2.4.1 數(shù)據(jù)稀疏性24-25
• 2.4.2 冷啟動25
• 2.4.3 簽到地點離常居地遠25-26
• 2.5 本章小結(jié)26-27
• 第3章 基于用戶和朋友關(guān)系的協(xié)同過濾算法27-35
• 3.1 算法研究思路27
• 3.2 基于用戶的協(xié)同過濾算法27-30
• 3.2.1 用戶間的興趣地點相似度27-28
• 3.2.2 用戶對備選地點興趣度28-29
• 3.2.3 排序推薦29-30
• 3.3 基于朋友關(guān)系的協(xié)同過濾算法30-32
• 3.3.1 朋友關(guān)系因素30-31
• 3.3.2 用戶對備選地點興趣度31
• 3.3.3 排序推薦31-32
• 3.4 基于用戶和朋友關(guān)系的協(xié)同過濾算法32-34
• 3.4.1 混合相似度32-33
• 3.4.2 用戶對備選地點興趣度33
• 3.4.3 排序推薦33-34
• 3.5 本章小結(jié)34-35
• 第4章 地點推薦算法改進35-53
• 4.1 地點的聚類35-37
• 4.2 地點的語義相似度37-41
• 4.2.1 詞頻-逆文檔頻率與余弦相似性37-39
• 4.2.2 應(yīng)用TF-IDF計算地點的語義相似度39-41
• 4.3 地點的距離相似度41-42
• 4.4 改進的地點推薦算法42-51
• 4.5 集成算法解決的問題51-52
• 4.6 本章小結(jié)52-53
• 第5章 實驗驗證與結(jié)果分析53-71
• 5.1 實驗環(huán)境53-54
• 5.2 實驗數(shù)據(jù)54-56
• 5.2.1 數(shù)據(jù)來源54
• 5.2.2 數(shù)據(jù)抓取54-55
• 5.2.3 數(shù)據(jù)處理55-56
• 5.3 推薦效果評測方法56-59
• 5.3.1 準確率與召回率56-57
• 5.3.2 mAP57-58
• 5.3.3 評測指標在地點推薦中應(yīng)用58-59
• 5.4 算法實驗59-65
• 5.4.1 實驗需要驗證的算法59
• 5.4.2 參數(shù)的確定59-61
• 5.4.3 UF與基于用戶協(xié)同過濾算法61-62
• 5.4.4 C與傳統(tǒng)協(xié)同過濾算法62-64
• 5.4.5 UFC與C算法64-65
• 5.5 各算法解決問題的效果65-68
• 5.5.1 數(shù)據(jù)稀疏65-66
• 5.5.2 冷啟動66-67
• 5.5.3 簽到地點離常居地遠近67-68
• 5.6 本章小結(jié)68-71
• 結(jié)論71-73
• 參考文獻73-77
• 攻讀碩士學(xué)位期間取得的研究成果77-79
• 致謝79

，

本文編號：661520