论文部分内容阅读
随着移动互联网及信息技术的迅速发展和现代移动智能终端的广泛应用,衍生出大量的移动对象位置信息,兴趣点推荐服务因其帮助用户从海量信息中及时、有效地获得感兴趣的内容得到国内外研究人士的普遍关注。传统的兴趣点推荐系统往往只考虑了移动对象对地点的位置偏好信息,忽略了移动对象轨迹数据的分散性和信息分布的低密度性,使轨迹的信息提取难度高、兴趣点推荐系统地点分析功能精度差。基于此,本文设计并实现了一种基于时空聚类的兴趣点推荐系统,通过将时空信息转化为轨迹数据,同时增加轨迹的情景标签,对比用户历史兴趣点及用户间运动规律和行为模式的相似性,最终实现一个高准确率的兴趣点推荐系统。本文主要研究工作如下:(1)研究使用基于轨迹分段的层次聚类算法(A Hierarchical Clustering Algorithm Based on Trajectory Segmentation,HCTS)对轨迹数据进行预处理。通过基础数据清洗算法并改进层次聚类算法,形成初步聚类结果,从而剔除海量轨迹数据中的冗余点和异常点,为实现下一步聚类算法提供真实有效的轨迹数据和参数,提高时空轨迹数据聚类质量。(2)研究使用基于多标签选择的时空轨迹聚类算法(A Clustering Algorithm Combining Multi-label Selection in Spatio-Temporal Trajectories,MS-SMoT)进行轨迹数据聚类分析。MS-SMoT算法结合时空轨迹的时间属性和空间属性,获取移动对象在不同时间段的地理位置信息,自适应调整聚类半径大小并准确提取移动对象在单条轨迹中的兴趣点(Point of Interest,POI)。该算法提高了聚类算法的准确性及用户地点相似性度量的有效性,为基于时空聚类的兴趣点推荐系统提供了基础数据。(3)设计实现基于时空聚类的兴趣点推荐系统。结合用户地点相似度及用户间余弦相似度,设计基于相似度融合的兴趣点推荐算法(Point of Interest Recommendation Algorithm Based on Similarity Fusion,SFR),构建线性兴趣点推荐系统框架。同时设计并实现兴趣点推荐系统,为用户提供更准确适用的兴趣点及其他辅助性信息的推荐内容,保证了系统的自适应性和稳定性。通过对兴趣点推荐系统的功能测试和性能测试,验证了本文兴趣点推荐系统能够为用户提供符合兴趣偏好的地点信息,并在复杂场景下具备较高的实用性。