论文部分内容阅读
基于位置的社交网络(Location-Based Social Network,LBSN)技术不断发展的同时也为用户带来丰富的信息,但用户很难从中找到自己感兴趣的信息。推荐系统旨在帮助用户发现其感兴趣的信息,是解决信息过载问题的重要工具。兴趣点推荐是基于位置社交网络推荐的一个分支,兴趣点推荐研究一方面可以为用户推荐一些感兴趣的地点,以此来丰富用户的生活体验;另一方面可以为商家吸引潜在的用户,提高商家的知名度,为商家带来丰厚的利益。本文首先总结了兴趣点推荐的研究现状,深入分析了现有兴趣点推荐算法的优缺点,并举例了几个较为典型的兴趣点推荐算法。同时,描述了兴趣点推荐受时间和空间特性的影响。然后,提出了基于隐语义模型的混合高斯聚类推荐模型。详细分析了用户签到数据的空间特性,发现用户总是在较少的几个“中心点”附近进行签到,在此基础上,分别介绍了基于隐语义模型的推荐算法和基于混合高斯聚类的推荐算法。探讨了之前的一些研究存在的缺陷,例如在聚类过程中“中心点”离群和需要手动设置簇的个数等,利用了一个贪婪 EM(Expectation Maximization Algorithm)算法来克服这些缺点所带来的不良影响,得到了基于隐语义模型的混合高斯聚类推荐模型,并在公开的数据集Gowalla和BrightKite上分别进行试验并验证了算法的有效性。最后,提出了融合时空特性的兴趣点推荐模型。探讨了兴趣点推荐受时间特性的影响,并分析了用户行为随时间的变化具有差异性和连续性特征。在此基础上,对于差异性特征,根据每个时间段上用户的签到数据,对每个时间段上的签到数据分别利用矩阵分解算法进行签到流行度估计;对于连续性特征,采用了基于余弦相似度的连续时间段平滑处理,该方法克服了之前研究在处理连续性特征时所造成的数据稀疏性问题,最终得到了基于时间因素的兴趣点推荐算法。通过整合时空特性,提出了一个融合时空特性的推荐模型,提高了推荐的精度,并通过实验证明了所提出算法的可行性和有效性。