论文部分内容阅读
随着智能终端设备的广泛使用以及各种高精度定位技术的迅猛发展,基于地理位置的社交网络(LBSN)经历了一个快速发展的时期。在这一时期,LBSN中每时每刻都有大量的数据不断产生,由此导致了LBSN中的数据出现严重的过载。在这样的背景下,基于LBSN数据的个性化推荐系统应运而生。基于LBSN数据的个性化推荐系统将真实的物理世界和虚拟的网络世界结合起来,它通过分析用户在LBSN中产生的多维数据,对用户建立签到偏好模型,从而帮助用户从海量的地点中快速地发现符合用户特定偏好的地点。这不仅极大的节约了用户的时间和精力,同时可以帮助商家发现潜在的客户,把广告精准投放到潜在的客户手中,从而提高商家收入。为了给用户提供更加准确的推荐服务,本文对从多个角度对上下文信息建模,提出融合上下文信息和用户偏好的协同过滤算法模型以及改进的矩阵分解模型,并将它们嵌入到老人位置推荐系统中。本论文的主要研究工作如下。1.随着LBSN的迅猛发展,LBSN中产生了大量不同类型的数据,虽然数据量很大但是数据却非常稀疏。为了解决基于LBSN个性化推荐系统中存在的签到数据稀疏问题,本文通过分析LBSN中的多维异构数据,挖掘出了会对用户签到行为产生积极影响的签到数据上下文信息,并针对不同的上下文信息分别建模。最后提出了融合上下文信息和用户偏好的混合推荐算法。2.在推荐的领域中,大量的研究工作在处理显式反馈数据。在显式反馈数据的处理上,传统的矩阵分解技术取得了不错的成就,但是本文所研究的地点推荐属于隐式反馈数据推荐。虽然传统的加权矩阵分解模型可以解决隐式反馈数据的推荐问题,但是该模型求解速率低,时间复杂度高,不能满足实时高效的推荐需求,而且没有考虑到LBSN中数据的多样性对用户签到行为的影响。因此本文提出一种融合上下文信息的的矩阵分解模型,并使用元素级的最小二乘交替法将模型的复杂度降低了K倍。3.本文在Foursquare公开的数据集上,设计了一系列的实验对上述改进的两种算法进行了验证,并且与改进前的算法进行对比分析。实验结果证明改进后的算法不论在推荐结果准确性还是在推荐效率上都有较大的提升。4.为了在实际的系统中验证上述改进算法的有效性,并让老年人更快的发现感兴趣的位置点,使得老人可以更快更深入地参与社会生活和公共生活。本文设计并实现了老人位置推荐系统,并将改进后的算法嵌入到系统中。最后通过抽样调查的形式证明了该系统确实能帮助老人发现有吸引的位置点。