發(fā)布時(shí)間：2024-05-21 05:36

　　隨著移動(dòng)定位技術(shù)的成熟以及智能手機(jī)、手環(huán)等移動(dòng)終端的普及,基于位置的社交網(wǎng)絡(luò)(Location-based Social Networks,LBSN)逐漸成為人們生活中不可缺少的組成部分。在LBSN中,位置推薦服務(wù)也被稱為興趣點(diǎn)(Point-of-Interest,POI)推薦。POI推薦通過(guò)分析用戶歷史簽到數(shù)據(jù),挖掘用戶偏好,預(yù)測(cè)用戶可能訪問(wèn)的位置地點(diǎn)。本文研究傳統(tǒng)推薦和深度推薦方法在POI推薦任務(wù)上的應(yīng)用,在對(duì)用戶簽到行為分析的基礎(chǔ)上,對(duì)現(xiàn)有方法做了大量的研究與改進(jìn),提出了兩種切實(shí)可行的改進(jìn)模型,并通過(guò)實(shí)驗(yàn)驗(yàn)證了模型的有效性。首先,提出了融合地點(diǎn)影響力的POI推薦模型。為緩解數(shù)據(jù)稀疏問(wèn)題,將2-度好友引入?yún)f(xié)同過(guò)濾算法中,獲取社交因素對(duì)簽到的影響;針對(duì)現(xiàn)有協(xié)同過(guò)濾算法推薦準(zhǔn)確率較低的問(wèn)題,構(gòu)建地點(diǎn)影響力模型,結(jié)合核密度估計(jì)方法深入挖掘地理位置因素的影響,提高推薦的準(zhǔn)確性;同時(shí)利用2-度好友簽到記錄構(gòu)建候選集,提升推薦效率。其次,提出了基于多特征表示和注意力機(jī)制的深度POI推薦模型。在研究深度推薦方法的基礎(chǔ)上,構(gòu)建POI及用戶特征的提取模型。具體地,使用約束矩陣分解方法獲取POI地理位...

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-4簽到位置展示Figure2-4Theshowofcheck-ininmap

碩士學(xué)位論文

圖2-6好友共同訪問(wèn)比例Figure2-6Thescaleofcommonvisitingfromfriends

會(huì)影響理論，用戶的行為會(huì)受到其他用戶的影響。相比于普通用戶，好友具有更強(qiáng)大的影響力，用戶傾向于朋友推薦的項(xiàng)目。為分析好友對(duì)用戶簽到的社交影響，本文簡(jiǎn)單計(jì)算用戶簽到POI與其好友訪問(wèn)的相似性，即用戶訪問(wèn)的POI數(shù)量占好友訪問(wèn)的比例。由于POI訪問(wèn)受地理位置限制，網(wǎng)絡(luò)的虛擬性導(dǎo)致好友....

圖5-3導(dǎo)入數(shù)據(jù)集Figure5-3Importdataset

碩士學(xué)位論文44試集。數(shù)據(jù)預(yù)處理界面，如圖5-4所示。圖5-3導(dǎo)入數(shù)據(jù)集Figure5-3Importdataset圖5-4數(shù)據(jù)過(guò)濾與劃分?jǐn)?shù)據(jù)集Figure5-4Datafilteringanddatasetsegmentation5.2.2簽到分析模塊在位置社交網(wǎng)絡(luò)推薦中，簽到....

圖5-4數(shù)據(jù)過(guò)濾與劃分?jǐn)?shù)據(jù)集Figure5-4Datafilteringanddatasetsegmentation

碩士學(xué)位論文44試集。數(shù)據(jù)預(yù)處理界面，如圖5-4所示。圖5-3導(dǎo)入數(shù)據(jù)集Figure5-3Importdataset圖5-4數(shù)據(jù)過(guò)濾與劃分?jǐn)?shù)據(jù)集Figure5-4Datafilteringanddatasetsegmentation5.2.2簽到分析模塊在位置社交網(wǎng)絡(luò)推薦中，簽到....

本文編號(hào)：3979680