發(fā)布時(shí)間：2020-03-30 21:03

【摘要】：互聯(lián)網(wǎng)經(jīng)過(guò)了幾十年的蓬勃發(fā)展,基于位置的社交網(wǎng)絡(luò)(Location-based Social Network,LBSN)已逐漸深入到每個(gè)人的生活中,針對(duì)用戶進(jìn)行個(gè)性化的興趣點(diǎn)(Point-of-Interest,POI)推薦研究也就變得愈來(lái)愈重要。通過(guò)學(xué)習(xí)用戶對(duì)興趣點(diǎn)的真實(shí)偏好來(lái)為用戶推薦其感興趣的興趣點(diǎn),不僅可以使用戶獲得便利,還可以為商家?guī)��?lái)巨大的經(jīng)濟(jì)效益。在基于位置的社交網(wǎng)絡(luò)中,用戶會(huì)對(duì)自己喜歡的興趣點(diǎn)進(jìn)行簽到并產(chǎn)生額外的信息,因此,將這些相關(guān)的信息融入興趣點(diǎn)推薦是提升推薦效果的關(guān)鍵。然而,以往的方法在對(duì)用戶進(jìn)行新興趣點(diǎn)推薦時(shí)大多忽略了好友對(duì)用戶的影響力,基于好友的協(xié)同過(guò)濾也沒(méi)有考慮到用戶的自身偏好。針對(duì)地理興趣點(diǎn)的Top-N推薦問(wèn)題,提出了一個(gè)基于深度神經(jīng)網(wǎng)絡(luò)的混合推薦模型——FSNR。該模型融合了用戶的歷史簽到記錄、用戶的社交關(guān)系、興趣點(diǎn)的地理位置等信息,從三個(gè)方面學(xué)習(xí)好友的影響力并建模用戶對(duì)興趣點(diǎn)的潛在偏好。具體而言,FSNR模型首先利用深度神經(jīng)網(wǎng)絡(luò)技術(shù)和潛在因子模型建模復(fù)雜的用戶交互,從隱式反饋中學(xué)習(xí)到用戶和興趣點(diǎn)的潛在表示。然后利用用戶的社交關(guān)系和用戶的活動(dòng)地理信息來(lái)學(xué)習(xí)用戶與好友的三種相似信息:簽到相似性、社交相似性和位置相似性,并且根據(jù)用戶相似度對(duì)用戶的決策產(chǎn)生影響。最后,將用戶對(duì)興趣點(diǎn)的偏好分?jǐn)?shù)和其好友的建議分?jǐn)?shù)進(jìn)行混合得出興趣點(diǎn)的最終推薦分?jǐn)?shù),選出前N個(gè)分?jǐn)?shù)最高的興趣點(diǎn)推薦給用戶。在三個(gè)真實(shí)的數(shù)據(jù)集上的實(shí)驗(yàn)將FSNR模型與其他的優(yōu)秀方法進(jìn)行準(zhǔn)確率和召回率的對(duì)比,并且分析了模型內(nèi)部參數(shù)對(duì)模型推薦效果的影響。實(shí)驗(yàn)結(jié)果表明,FSNR模型具有更好的推薦效果。
【圖文】：

推薦系統(tǒng)作為一種提取有效信息的方法，，可以結(jié)合用戶或物品的特征以及用戶與物品間的歷史交互記錄，模擬出用戶與物品之間的潛在關(guān)系，然后針對(duì)不同用戶的需求和喜好在大量可能的選擇中個(gè)性化地推薦給用戶書(shū)籍、音樂(lè)、視頻、商品等項(xiàng)目，現(xiàn)如今已經(jīng)在學(xué)術(shù)界和工業(yè)界取得了許多成功的應(yīng)用。譬如 Google、Baidu、Yahoo 等搜索引擎利用推薦系統(tǒng)使用用戶的搜索記錄和位置信息來(lái)調(diào)整搜索結(jié)果的排序；YouTube、優(yōu)酷等在線視頻網(wǎng)站會(huì)根據(jù)用戶的點(diǎn)擊和觀看歷史來(lái)預(yù)測(cè)用戶的喜好，合理選擇在首頁(yè)投放的視頻；Amazon、Netflix、Last.fm、淘寶等電商網(wǎng)站利用推薦系統(tǒng)通過(guò)用戶的點(diǎn)擊購(gòu)買(mǎi)記錄以及評(píng)分評(píng)論等信息，在首頁(yè)個(gè)性化地推薦商品；QQ、微信、Facebook、Twitter 等社交軟件利用社交信息和位置信息來(lái)推薦好友或者附近的用戶；Yelp、Foursquare、美團(tuán)、大眾點(diǎn)評(píng)等點(diǎn)評(píng)網(wǎng)站會(huì)使用用戶的簽到數(shù)據(jù)、評(píng)論數(shù)據(jù)、地理位置等信息分析用戶習(xí)慣，給用戶推薦喜好的餐館、咖啡廳等。由此可見(jiàn)，推薦系統(tǒng)能夠針對(duì)性地解決信息冗余問(wèn)題，在決策處理和提高商業(yè)水平方面起到了至關(guān)重要的作用。

華 中 科 技 大 學(xué) 碩 士 學(xué) 位 論 文 喜歡物品 1、2，用戶 3 喜歡物品 1、2、3，根據(jù)用戶的歷史物品戶 2 的偏好特征和用戶 3 的偏好特征最為相似。又因?yàn)橛脩?3 曾用戶 2 尚未接觸過(guò)物品 3，可以推測(cè)用戶 2 也有具有很大的概率品 3 推薦給用戶 2。于用戶的協(xié)同過(guò)濾僅僅使用用戶與物品的歷史交互信息，利用興于喜歡相同的物品這一統(tǒng)計(jì)結(jié)論，充分利用用戶主動(dòng)行為之間的薦。而且基于用戶的協(xié)同過(guò)濾重點(diǎn)關(guān)注在用戶之間的相似性，故品數(shù)量的環(huán)境中更適合使用基于用戶的協(xié)同過(guò)濾。物品 1
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP391.3;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 付青;王薇;;業(yè)余少兒常見(jiàn)問(wèn)題及其解決方案(3)[J];尚舞;2009年09期

2 趙雅坤;;談歷史教學(xué)中學(xué)生興趣點(diǎn)的培養(yǎng)[J];教育革新;2011年11期

3 張?zhí)┤?李瑭;;興趣點(diǎn)推薦在智慧旅游中的應(yīng)用[J];中國(guó)高新科技;2019年14期

4 孟祥福;毛月;張霄雁;趙路路;趙澤祺;;基于地理-社會(huì)-評(píng)論關(guān)系的典型化興趣點(diǎn)推薦方法[J];小型微型計(jì)算機(jī)系統(tǒng);2019年11期

5 白剛;;基于游客簽到數(shù)據(jù)的旅游興趣點(diǎn)挖掘[J];現(xiàn)代計(jì)算機(jī);2019年31期

6 劉磊;;《經(jīng)濟(jì)生活》興趣點(diǎn)教學(xué)[J];思想政治課教學(xué);2015年10期

7 葉紅英;;怎樣處理幼兒園科學(xué)活動(dòng)中的“預(yù)設(shè)”與“生成”[J];甘肅教育;2017年07期

8 李釗霞;;小組合作學(xué)習(xí),給課堂插上騰飛的雙翼[J];小學(xué)教學(xué)參考;2017年17期

9 孫麗;;探尋興趣點(diǎn),打造活力課堂[J];小學(xué)教學(xué)參考;2017年16期

10 彭林森;;以“問(wèn)題情境”激活“興趣點(diǎn)”[J];數(shù)學(xué)學(xué)習(xí)與研究;2017年11期

相關(guān)會(huì)議論文 前10條

1 徐慧;梁師健;楊林;;基于數(shù)據(jù)關(guān)聯(lián)的興趣點(diǎn)輔助定位研究[A];中國(guó)計(jì)算機(jī)用戶協(xié)會(huì)網(wǎng)絡(luò)應(yīng)用分會(huì)2017年第二十一屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會(huì)論文集[C];2017年

2 焦瑞;;芻議如何激發(fā)學(xué)生學(xué)習(xí)物理的興趣[A];中學(xué)教育科研2017年7-8期（總第218-219期）[C];2017年

3 凌賀飛;陳勇;鄒復(fù)好;許治華;李平;;基于Harris興趣點(diǎn)區(qū)域的圖像拷貝檢測(cè)算法[A];第八屆全國(guó)信息隱藏與多媒體安全學(xué)術(shù)大會(huì)湖南省計(jì)算機(jī)學(xué)會(huì)第十一屆學(xué)術(shù)年會(huì)論文集[C];2009年

4 戰(zhàn)明松;朱京海;袁玉靜;;大數(shù)據(jù)視角下的沈陽(yáng)市醫(yī)療資源配置研究[A];活力城鄉(xiāng) 美好人居——2019中國(guó)城市規(guī)劃年會(huì)論文集（05城市規(guī)劃新技術(shù)應(yīng)用）[C];2019年

5 詹潔;;從皮尤中心報(bào)告《十字路口的圖書(shū)館》看美國(guó)公共圖書(shū)館的發(fā)展現(xiàn)狀及方向[A];中國(guó)圖書(shū)館學(xué)會(huì)年會(huì)論文集（2016年卷）[C];2016年

6 吳坤t

本文編號(hào)：2608061