论文部分内容阅读
随着移动手机的普及与GPS定位技术的日益成熟,获取人们的位置信息越来越容易,基于位置的社交网络(Location-based Social Networks,LBSNs)越来越流行。为了解决LBSNs上的信息过载问题,快速发现用户感兴趣的地点并为用户提供个性化地点推荐成为学者们研究的重点。协同过滤算法因其简单、高效、可解释性强等优点得到广泛的应用,其推荐效果依赖用户的评分数据。在地点推荐中,协同过滤算法是基于用户-地点签到矩阵实现的。然而由于用户签到记录较少,而且用户签到记录中没有负样本,用户-地点签到矩阵稀疏性非常高,从而导致传统的协同过滤算法的推荐效果并不理想。为了缓解数据稀疏性对地点推荐中协同过滤方法的影响,本文对地点推荐方法进行了进一步研究,研究工作与成果具体如下:(1)针对数据稀疏性对地点推荐中基于近邻的协同过滤方法的影响,设计了一种基于用户时空相似性的地点推荐方法。基于时间对用户签到行为的周期性影响,通过将用户签到矩阵按时间进行分割的方法引入时间属性,根据用户-地点-时间矩阵计算时间感知的用户相似性。同时设计一种时间相似性计算方法,并根据时间相似性对用户-地点-时间矩阵进行填补,缓解了因为时间分割所引起的用户-地点-时间矩阵高稀疏的问题。基于用户签到行为的空间聚集性,通过多中心聚类算法发现用户签到的活跃区域,结合用户对活跃区域的偏好以及未签到地点与活跃区域中心的距离,计算用户的空间相似性。最后将时间感知的用户相似性与用户空间相似性结合得到用户时空相似性。(2)针对数据稀疏性对地点推荐中基于矩阵分解的协同过滤方法的影响,设计了一种基于用户偏好的地点推荐方法。首先通过结合用户地点类型偏好、地理位置限制以及地点热度计算用户对未签到地点的偏好,并基于用户偏好,按一定负正比例选择负样本,对用户-地点签到0/1矩阵进行填补。然后根据用户签到频次以及用户对未签到地点的偏好,构建权重矩阵。最后构建加权矩阵分解算法,并利用交替最小二乘法进行优化求解。(3)设计了相关的对比算法,并在真实的LBSNs数据集Foursquare数据集上进行了实验,实验结果表明,与对比推荐算法相比,本文所提出的推荐方法取得了更好的推荐效果。本文针对数据稀疏性对地点推荐中协同过滤方法的影响,分别提出了两种地点推荐方法,缓解了稀疏性对地点推荐的影响,具有一定的理论价值与实践价值。