论文部分内容阅读
近年来,随着基于地理位置的社会网服务(LBSNs)在人们的生活中变得流行,POI(Point-of-Interest)推荐已经成为了一个值得重点研究的问题。POI推荐目的是向用户推荐他没有去过但可能感兴趣的点,对用户和商户都具有很高的价值。本文主要研究了基于时空信息和社会网的POI推荐问题,主要内容包含:首先,本文研究了基于社会网和地理信息的POI推荐算法,提出了结合用户兴趣和POI点的地理信息进行推荐的SROF模型。模型中考虑了不同种类的用户关系,比如用户相似性、社会网关系、邻居关系等;同时根据用户的登录记录对所有POI的地理位置进行聚类划分从而得出商圈区域,根据不同地点的地理信息以及和商圈的关系来计算用户从一个POI到另一个POI的概率。实验表明,SROF模型能在一定程度上提高推荐的准确率。其次,本文研究了基于时空信息的POI推荐算法,提出了 CTS模型。在模型中根据用户签到活动日志,计算用户之间的时间行为相似性,利用其对数据进行补充,在一定程度上解决了数据稀疏问题;同时根据用户不同时间的活动记录进行可达距离划分,对候选点集进行筛选并且考虑了不同时间段中不同POI的流行度。在CTS模型的基础上,结合之前的内容提出了 S-CTS模型。实验表明,CTS模型与S-CTS模型在进行实时POI推荐时具有良好的效果。再次,本文研究了基于地理类别和地理信息的POI推荐算法,对多类别地点进行了处理,结合矩阵分解技术提出了 GUP模型。模型中根据用户签到活动日志和地理位置的类别,通过矩阵分解的方法得到了用户偏好矩阵,将其与地理信息相结合进行POI推荐;同时结合上述方法的条件提出了 ST-GUP模型。实验表明,GUP模型与ST-GUP模型能在一定程度上提高推荐的准确率。最后,我们在多个真实数据集上对本文提出的五种模型进行POI推荐的性能比较。实验结果表明:S-CTS模型和ST-GUP模型的推荐性能好于其他三种模型,说明多种类型的数据信息联合起来同时考虑对POI推荐的影响会比较大,并且ST-GUP模型优于S-CTS模型。