论文部分内容阅读
随着智能手机的普及以及移动互联网的飞速发展,社交网络日益成熟。社交网络拉近了人们的距离,降低了人际交流成本。而定位技术的成熟催生了位置社交网络(Location-based Social Network, LBSN)。和传统的社交网络相比,位置社交网络中引入了地理因素。用户可以向他人分享自己访问过的地点。但是每日产生的海量信息使得用户难以轻易找到自己感兴趣的信息。在这种趋势下,基于位置社交网络的推荐系统对用户体验起到举足轻重的作用。位置社交网络中共有三种类型的推荐:(1)兴趣点推荐,向用户推荐一个他可能感兴趣的地点;(2)用户推荐,向用户推荐热门用户,潜在好友或者小组推荐;(3)活动推荐,根据用户的兴趣爱好,推荐用户有可能参加的活动。目前国内关于位置社交网络推荐的研究相对来说较少,其中兴趣点推荐使得线上活动与线下生活服务得到有效结合与互动,帮助用户用有限的精力安排合适的行程规划,对用户的日常生活有直接的影响,因此本文研究兴趣点推荐。目前的兴趣点推荐方法在推荐过程中经常遇到三个问题:异地推荐、同义地点和数据稀疏。本文首先研究当前主流的基于位置社交网络的兴趣点推荐方法,分析其面对的挑战,并针对现有问题在已有的理论基础上给出了两种不同场景下的兴趣点推荐方法。论文主要的贡献如下:(1)给出本地兴趣点推荐方法,把用户的本地推荐问题转化为概率问题,即计算用户在已知时间t访问某个兴趣点v概率,在本地推荐过程中考虑用户类别偏好、时间因素、距离因素以及地点的流行度。(2)给出异地兴趣点推荐方法,把用户的异地推荐问题转化为评分问题,在用户协同过滤的基础上进行兴趣点推荐。首先采用向导机制,计算出某城市某个类别地点的向导集合,然后计算用户和不同类别向导之间的相似度,根据向导的意见对用户进行推荐。其中用户的偏好由用户类别时序曲线表示,因此用户之间相似度的计算转化为曲线之间的相似度(3)在推荐过程中,充分利用兴趣点的类别(Category)属性。本地兴趣点推荐方法把用户在已知时间t访问兴趣点v的概率通过分别计算用户t时访问v所属类别cv的概率和在该类别cv所有兴趣点中访问兴趣点v的概率实现。在异地推荐过程中,引入兴趣点的类别(Category)信息,通过对用户访问过的兴趣点进行类别学习,量化用户的类别偏好,从而顺利解决异地推荐问题。另外类别信息的引入一方面可以将用户-地点矩阵转换为用户-类别矩阵进行降维;另一方面基于用户-类别矩阵进行协同过滤,可以解决同义地点问题。实验中选取Recalll@K为指标衡量推荐质量,利用Gowalla数据对本文提出的推荐方法和其他其三种典型推荐方法进行对比分析。结果表明,相对于另外三种方法,不管是在本地推荐或者异地推荐场景下,本文提出的兴趣点推荐方法效果更好,可以提供更优质的用户体验。