论文部分内容阅读
大数据时代,如何利用获取的数据,为用户进行个性化的推荐,具有广泛的应用前景和研究价值。LBSN(Location-based Social Network,基于位置的社交网络)是社交网络的一种,与传统的社交网络不同,LBSN除了传统社交网络中人与人的联系外,还可以跟踪和共享人的位置信息。例如,移动电话网络就是一个典型的LBSN,用户除了与其他用户的聊天之外,还与共享他所处的地理位置相关信息。近年来,社交网络日趋活跃,尤其是在年轻人群体中。然而,这很多时候仍然是基于网络的虚拟世界中。但是,随着无线网络和定位技术的发展,确定和共享移动中的个人的位置信息变得更加容易。在增加一个空间维度后,虚拟世界中的社交网络便回到了现实世界中。本文基于LBSN签到数据,研究推荐系统中的如下两个问题:1)基于LBSN的地理兴趣点(Point of Interest,POI)推荐问题。2)基于LBSN的个性化路径推荐问题。基于LBSN的地理兴趣点推荐问题是为用户提供个性化的地理兴趣点,比如景点、酒店和商场等。本文提出一种新的融合地理因子、用户因子和兴趣点因子影响的基于矩阵因子分解的兴趣点推荐模型GeoUFM(Geographical and User Factorization Method),模型通过采用结果评分的排序和实际数据的排序对比来充分使用稀疏的数据,提高目标函数对错排兴趣点的灵敏度。在处理目标函数中的不连续问题的时候,模型中采用了考虑兴趣点访问频次差异设计近似函数。通过在真实数据集上的测试,实验结果表明本兴趣点推荐模型在精确率和召回率方面,取得了较好的推荐效果。基于LBSN的个性化路径推荐问题是为用户提供个性化的地理兴趣点序列,即推荐给用户一条由地理兴趣点序列形成的路径。本文在基于LBSN的地理兴趣点推荐问题中对个性化兴趣点偏好挖掘基础上,提出了一种个性化路径推荐模型TRR(Travel Route Recommention)。在本个性化路径推荐模型框架中,将路径构建映射为一颗树的构建过程,树中的节点即为路径中的地理兴趣点,且地理兴趣点节点由对候选地理兴趣点的启发式搜索得到。整个模型综合考虑了个性化兴趣点偏好、兴趣点时域内的流行度和时空限制,使推荐贴近用户的偏好需求,且符合现实条件的限制。通过在真实数据集上的测试,实验结果表明本个性化路径推荐模型在命中率方面,取得了较好的推荐性能。