移動(dòng)智能終端的普及和無線通信技術(shù)的發(fā)展極大的促進(jìn)了位置社交網(wǎng)絡(luò)的發(fā)展和廣泛應(yīng)用,例如Foursquare和Yelp等。位置社交網(wǎng)絡(luò)搭建了現(xiàn)實(shí)物理世界和虛擬網(wǎng)絡(luò)世界之間的橋梁,將人類社會帶入了數(shù)字化時(shí)代。位置社交網(wǎng)絡(luò)中,用戶作為信息的消費(fèi)者可以通過他人分享的信息學(xué)習(xí)到本地化相關(guān)的知識,在任何時(shí)間和地點(diǎn)發(fā)掘自己感興趣的商家和服務(wù);用戶還作為信息的生產(chǎn)者,可以在任何時(shí)間和地點(diǎn)通過智能終端的簽到行為分享他們的消費(fèi)體驗(yàn)。位置社交網(wǎng)絡(luò)中采集到的海量數(shù)據(jù)也為工業(yè)界和學(xué)術(shù)界對用戶行為和偏好的研究提供了前所未有的契機(jī),在此基礎(chǔ)上提供的推薦服務(wù)可以極大的提升用戶體驗(yàn)。近年來,基于機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)的推薦系統(tǒng)在理論和實(shí)踐上都獲得了快速發(fā)展。然而,由于缺乏對多媒體內(nèi)容信息和復(fù)雜上下文環(huán)境下用戶行為的深度挖掘和理解,使得推薦系統(tǒng)的質(zhì)量和性能仍然存在較大的提升空間。位置社交網(wǎng)絡(luò)中的興趣點(diǎn)推薦還存在諸多關(guān)鍵技術(shù)亟待解決,比如數(shù)據(jù)稀疏環(huán)境下的冷啟動(dòng)推薦、復(fù)雜上下文環(huán)境下的時(shí)序關(guān)系挖掘以及活動(dòng)推薦等。為了解決這些問題,本文通過對多模內(nèi)容信息的挖掘、復(fù)雜上下文環(huán)境下的時(shí)序關(guān)系挖掘以及用戶活動(dòng)偏好的挖掘,提出了一系列新... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：116 頁

【學(xué)位級別】：博士

【部分圖文】：

圖１－丨位置社交網(wǎng)絡(luò)層級結(jié)構(gòu)圖??位置社交網(wǎng)絡(luò)作為現(xiàn)實(shí)物理世界和虛擬網(wǎng)絡(luò)世界的橋梁，將人類社會帶入了數(shù)字??化信息時(shí)代

??第三章多模內(nèi)容信息融合的興趣點(diǎn)推薦??３．３深度多模排序?qū)W習(xí)模型??在這節(jié)中，首先詳細(xì)介紹了提出的深度多模排序推薦模型框架，然后對模型中的??各個(gè)部分（用戶偏好函數(shù)模型、多模特征提取模型）進(jìn)行了詳細(xì)的介紹，通過對模型??參數(shù)進(jìn)行估計(jì)學(xué)習(xí)用戶與ｙ趣點(diǎn)之間的內(nèi)在關(guān)系。最介紹了快速學(xué)習(xí)優(yōu)化算法。??＂＂＂＂Ｔ??／／Ｑ）?ｉ??＼ｑｊ?）——ＸｉｋＶ??ｉＥ｛１ｉ＾ｉｊｙ??ｖ？?？ｙ??Ｖ?ｊ，ｎ?￡｛１｜Ｖ｜］?Ｊ??圖３－１?ＤＭＲＬ模型架構(gòu)的圖形表示??３．３．１模型框架??本章提出的ＤＭＲＬ模型框架如圖３－１所示。所提出的推薦模型是一個(gè)基于排序?qū)W??習(xí)的模型框架，可以同時(shí)對用戶偏好的時(shí)間動(dòng)態(tài)性、空間地理影響和興趣點(diǎn)的語義特??征表示進(jìn)行建模。本章對圖３－１中不同組成部分用不同的顏色表示，高亮圓形表示觀??測變量，其他的圓形表示模型待估計(jì)的隨機(jī)變量。??首先，借鑒概率矩陣分解思想，將孤立的用戶和興趣點(diǎn)映射到Ｋ維實(shí)值稠密語義??空間，利用時(shí)間約束的用戶偏好模型捕獲用戶偏好的時(shí)間動(dòng)態(tài)性。因此，將用戶Ｗ在??時(shí)間狀態(tài)ｔｆｃ下的偏好特征向量定義為ＰＵ，同時(shí)，為每個(gè)興趣點(diǎn)定義潛向量％，從而，??用戶偏好的參數(shù)集合可表示為＜９（ｉ．ｅ．，０?＝?ｅ?Ｇ?Ｖ｝）。ＤＭＲＬ模型??根據(jù)給定的目標(biāo)用戶岣和時(shí)間狀態(tài)ｋ，利用用戶偏好模型函數(shù)對興趣點(diǎn)進(jìn)行??排序，返回排序靠前的興趣點(diǎn)給目標(biāo)用戶。其次，為了捕獲空間距離對用戶偏好的影??響，將興趣點(diǎn)的空間近鄰關(guān)系以空間正則化方式融入到用戶偏好模型函數(shù)〇￣；０）。??第三，為了克服冷啟動(dòng)推薦問題，本章構(gòu)建了深度多模網(wǎng)絡(luò)模型提取群體評論文本特??征和興趣點(diǎn)的視覺特征，通過非線

ｊ?ｘ?ｖ、＋．＊■：．，■＇＇；：ｗｎ＊：．』：?響?琴??：?＃?（？?＾Ｆ?＾ｐ??綰碼?ｆｉｇ？?贏??？？？．?ｖ：＊＊、》＊ｃ，ｔ?―?．＇？ｖｉ＊．，ｓ，．？ｗｒｒ＊，－＞?？：』?￣＂＾?＾?＾?＾Ｔ?ｈ－ｊ?????ＬＳＴＭ?自編碼?—？??公眾評論?視覺表示?籲??｜｜，?■?Ｗ?ｆｆｌ?＃??ｔｓ＾ｓａ＾１１２＾?—＇？—＾??必？興趣點(diǎn)共享語義表示??ＬＭ??呢?￣??興趣點(diǎn)圖片?卷積神經(jīng)網(wǎng)絡(luò)?全連接層??圖３－２多模深度學(xué)習(xí)模型框架圖??３．３．３多模特征提取模型??本節(jié)構(gòu)建了從興趣點(diǎn)的圖片和群體評論文本內(nèi)容提取語義信息的多模深度學(xué)習(xí)網(wǎng)??絡(luò)。所提出的網(wǎng)絡(luò)模型是包含三個(gè)子網(wǎng)絡(luò)的混合網(wǎng)絡(luò)模型，即：提取圖像特征的深度??卷積神經(jīng)網(wǎng)絡(luò)，提取群體評論的記憶自編碼網(wǎng)絡(luò)以及學(xué)習(xí)共享語義表示的多模融合網(wǎng)??絡(luò)。前兩個(gè)網(wǎng)絡(luò)結(jié)構(gòu)在提取興趣點(diǎn)高層語義表示過程中相互影響。所構(gòu)建的網(wǎng)絡(luò)模型??如圖３－２所示。接下來本節(jié)詳細(xì)介紹每個(gè)子網(wǎng)絡(luò)結(jié)構(gòu)。??（１）視覺表示學(xué)習(xí)??近年來，卷積神經(jīng)網(wǎng)絡(luò)在提取視覺特征方面表現(xiàn)出來很大的優(yōu)勢，被廣泛的應(yīng)用??于圖象分類、圖像分割和目標(biāo)檢測等領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)的底層學(xué)習(xí)圖像的一般性特??征，比如圖像的邊緣、顏色等，經(jīng)過逐層的特征提取過程可以對底層的一般性特征進(jìn)??行不斷的整合和提煉，并形成高層次、抽象的語義特征。經(jīng)過多層卷積過程便可以提??取更高層次的語義特征，這些提取的圖像特征可以被應(yīng)用于很多的領(lǐng)域，比如圖片分??類等。為了提取興趣點(diǎn)的視覺特征，本章利用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)ＶＧＧ提取興趣點(diǎn)??圖片的內(nèi)容特征。ＶＧＧ是牛津大學(xué)Ｖｉｓ


本文編號：3425201