收藏本站
《南京理工大学》 2018年
收藏 | 手机打开
二维码
手机客户端打开本文

基于位置信息社交网络的推荐系统研究

夏彬  
【摘要】:随着基于位置信息社交网络(Location-Based Social Networks,LBSNs)的迅速发展,兴趣点推荐系统吸引了众多研究工作者。在LBSNs中,用户可以将自己的访问经历以带有地理位置信息的签到数据方式与好友分享。基于用户的历史签到数据,可以轻松地获取相应用户常去的区域(即地理位置)和常访问的兴趣点类型(如餐厅、商场和酒吧)。除此之外,拥有时序信息的签到数据不仅仅可以很直观地反映用户行动轨迹,也可以间接地描绘出用户的个性化偏好和生活模式。因此,通过对不同粒度用户群体的历史签到数据进行分析,兴趣点推荐系统即可为用户提供准确而又个性化的兴趣点推荐服务。然而,传统的推荐算法并没有充分利用上述提到的这些有意义的信息,从而只是基于最简单的推荐策略(如最流行的、最便宜的、最近的)为用户提供单调且大众化的推荐结果。此外,在传统的推荐系统研究中,研究工作者都假设收集的用户签到数据可以真实地反映用户的偏好或是仅仅存在简单的高斯随机噪声。事实上在实际推荐系统问题中,噪声签到数据往往是随机且无规律可循的,这种噪声数据恰恰对推荐系统的推荐性能产生了极大的影响。基于这些问题,本文详细介绍了推荐系统在过去的几十年中的发展和当前热门的推荐算法研究。通过这些最新推荐技术的介绍,研究工作者可以了解当前推荐系统的国内外研究现状和未来的发展趋势。此外,本文还对推荐系统的评测方法做了系统的介绍,其中,针对离线环境测试下的推荐算法评价指标做了详细地描述。为了有效地解决上述现有推荐系统中的问题,参考以往推荐系统方面的工作,本文旨在应用压缩感知和机器学习等理论知识与方法,在提升推荐系统推荐准确率的同时,保障推荐结果的个性化与多样性。本文工作的主要创新点有:(1)应用上下文敏感信息模拟用户的兴趣点选择,有效提升个性化推荐的性能;(2)构建矩阵补全最优化问题,有效克服结构化噪声数据对推荐性能的影响;(3)利用用户的生活模式,有效降低推荐性能对签到数据的依赖,并进一步提升推荐性能。具体工作可以归纳为以下几个方面:1)基于上下文信息的兴趣点推荐系统。为了充分利用上下文信息以提升推荐的性能,本文将兴趣点推荐问题视为一个排序问题并提出了一个基于内嵌空间排序支持向量机(Context-Based Venue Recommendation using embedded space ranking SVM,VRer)的推荐算法。本文通过挖掘历史签到数据获取用户的偏好信息,并应用该排序算法按照用户偏好与兴趣点属性等上下文信息匹配的重要性对兴趣点进行排序推荐。该工作的主要贡献为:(1)VRer可以基于用户的历史签到数据综合考虑不同上下文信息(如时间信息、兴趣点类别)以获取用户在不同环境下异质的偏好信息;(2)提出了一种基于内嵌空间的排序支持向量机,该方法能在保证排序结果准确性的同时,通过优化目标函数降低模型训练的时间成本;(3)在Foursquare的签到数据集上比较了VRer与其他基准推荐算法之间的性能,实验结果表明提出的推荐算法VRer在的准确性与个性化上比传统推荐算法具有更好的表现。2)基于噪声鲁棒性的兴趣点推荐系统。为了提升噪声签到数据下推荐性能的鲁棒性,本文将兴趣点推荐问题转换为矩阵补全问题,并提出了基于线性Bregman迭代的矩阵补全(Linearized Bregman Iteration for Matrix Completion,LBIMC)推荐算法。该推荐算法将签到数据中存在的结构化噪声以约束的形式体现在优化问题中,并通过求解优化问题补全用户-兴趣点签到矩阵以达到推荐的目的。该工作的主要贡献为:(1)将兴趣点推荐问题转化为矩阵补全问题,并基于压缩感知理论对该优化问题进行有效求解;;(2)在求解优化问题过程中,将签到数据中的结构化噪声加以约束,使推荐系统具有一定程度的噪声鲁棒性;(3)Foursquare的签到数据集上对比了LBIMC与其他同类推荐算法的性能,实验结果表明LBIMC拥有更好的推荐准确性、噪声鲁棒性和推荐多样性。3)基于用户生活模式的兴趣点推荐系统。为了提升现有推荐系统个性化推荐的性能,本文参考了用户的生活模式并基于用户的时序历史签到数据提出了一种基于注意力的循环神经网络(Attention-based Recurrent Neural Network,ARNN)推荐算法。ARNN充分利用了用户历史签到数据中的时序信息对用户的生活模式进行建模,并以此为基础向用户提供准确的个性化兴趣点推荐。该工作的主要贡献为:(1)基于用户个人生活模式(即用户偏好信息),提出的推荐算法可以提供个性化的兴趣点推荐结果;(2)与传统的TopN推荐算法不同,提出的推荐算法可以为用户提供基于时序的访问计划推荐;(3)在Foursquare签到数据集将ARNN与同类循环神经网络算法以及其它相关的基准推荐算法进行了推荐性能对比,实验结果表明ARNN在TopN推荐上拥有更好的推荐准确性,而访问计划推荐在推荐准确性上比传统的TopN推荐方式拥有更好的表现。
【学位授予单位】:南京理工大学
【学位级别】:博士
【学位授予年份】:2018
【分类号】:TP391.3

手机知网App
【相似文献】
中国期刊全文数据库 前10条
1 刘强;;推荐系统的商业价值[J];软件和集成电路;2019年04期
2 王月星;;国内旅游推荐系统研究进展[J];商场现代化;2017年10期
3 常亮;曹玉婷;孙文平;张伟涛;陈君同;;旅游推荐系统研究综述[J];计算机科学;2017年10期
4 王毅;;网络推荐系统的三大挑战——从用户体验出发[J];清华管理评论;2013年06期
5 王海明;;基于大数据下电子商务商品推荐系统的分析[J];环球市场信息导报;2017年27期
6 ;电商推荐系统进阶[J];IT经理世界;2013年11期
7 王霞;;电子商务推荐系统评述[J];福建电脑;2006年08期
8 傅孟如;姜素兰;闵娅萍;;VAX—11/750机学生测评、推荐系统的设计与应用[J];计算技术与自动化;1989年03期
9 张佳威;;美团推荐系统实证系统[J];农家参谋;2018年11期
10 洪文兴;王宁;陈毅伟;周绮凤;李涛;;大数据时代的人才推荐系统[J];大数据;2017年02期
中国重要会议论文全文数据库 前10条
1 张燕;李燕萍;;基于内容分析和点击率记录的混合音乐推荐系统[A];2009年通信理论与信号处理学术年会论文集[C];2009年
2 高梦晨;;推荐系统用户感知调研[A];工业设计研究(第六辑)[C];2018年
3 李成;胡文丽;;推荐系统体验模型探索——以视频推荐为例[A];工业设计研究(第六辑)[C];2018年
4 李成;冯青青;;推荐系统准确度衡量方案——引入权重概念[A];工业设计研究(第五辑)[C];2017年
5 王晓光;施玉海;尹亚光;;面向广电的节目推荐系统研究[A];中国新闻技术工作者联合会2017年学术年会论文集(学术论文篇)[C];2017年
6 周小田;王宏志;郭翔宇;胡筱;董志鑫;李建中;高宏;;基于知识库的互联网商品信息分类与推荐系统[A];第29届中国数据库学术会议论文集(B辑)(NDBC2012)[C];2012年
7 汤娟梅;唐岭;;个性化英语阅读文章推荐系统的设计[A];计算机与教育:理论、实践与创新——全国计算机辅助教育学会第十四届学术年会论文集[C];2010年
8 王雪;董爱华;吴怡之;;基于RFID技术的智能服装推荐系统设计[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年
9 张玉连;张波;张敏;;改进的个性化信息推荐系统的设计与实现[A];2005年全国理论计算机科学学术年会论文集[C];2005年
10 王君;许洁萍;;层次音乐推荐系统的研究[A];第18届全国多媒体学术会议(NCMT2009)、第5届全国人机交互学术会议(CHCI2009)、第5届全国普适计算学术会议(PCC2009)论文集[C];2009年
中国重要报纸全文数据库 前5条
1 记者 周源;知意图发布推荐系统Etu Recommender[N];网络世界;2012年
2 本报记者 邹大斌;大数据:电商新武器[N];计算机世界;2012年
3 本报记者 冯卫东;网络导购:找出你的最爱[N];科技日报;2007年
4 本报记者 邱燕娜;精准推荐 一客一市场[N];中国计算机报;2012年
5 张秋明;用数据是新技能[N];福州日报;2015年
中国博士学位论文全文数据库 前10条
1 夏彬;基于位置信息社交网络的推荐系统研究[D];南京理工大学;2018年
2 蒋伟;推荐系统若干关键技术研究[D];电子科技大学;2018年
3 练建勋;基于多样化内容数据的个性化推荐系统[D];中国科学技术大学;2018年
4 曹渝昆;基于神经网络和模糊逻辑的智能推荐系统研究[D];重庆大学;2006年
5 王宏宇;商务推荐系统的设计研究[D];中国科学技术大学;2007年
6 颜端武;面向知识服务的智能推荐系统研究[D];南京理工大学;2007年
7 刘龙;一个能实现个性化实时路径推荐服务的推荐系统框架[D];中国科学技术大学;2014年
8 杨东辉;基于情感相似度的社会化推荐系统研究[D];哈尔滨工业大学;2014年
9 高全力;上下文感知推荐系统关键问题研究[D];西北大学;2017年
10 尹航;信息推荐系统中的协同过滤技术研究[D];东北大学;2012年
中国硕士学位论文全文数据库 前10条
1 蔡健;基于用户特征的无人超市推荐系统设计与实现[D];浙江工业大学;2019年
2 周强;推荐系统中冷启动问题的研究[D];武汉理工大学;2018年
3 王欢;基于移动终端的人才推荐系统的设计与实现[D];厦门大学;2018年
4 林雨辉;利用深度学习构建基于内容的音乐推荐系统[D];厦门大学;2018年
5 黄洁;沉默螺旋理论及其在推荐系统中的应用[D];厦门大学;2018年
6 孙爽博;多场景推荐系统核心算法研究[D];西南石油大学;2018年
7 韩修龙;基于兴趣流的混合推荐系统研究[D];西南石油大学;2018年
8 贺明慧;基于Spark的上车点推荐系统的设计与实现[D];北京交通大学;2018年
9 马靖;考虑用户偏好的停车场车位推荐系统设计与实现[D];河南大学;2018年
10 赵新晨;基于日志分析的销售推荐系统的设计与实现[D];南京大学;2015年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026