資源描述：
《面向lbsn的興趣點(diǎn)和路線推薦系統(tǒng)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、分類號(hào)UDC密級公開碩士研究生學(xué)位論文面向LBSN的興趣點(diǎn)和路線推薦系統(tǒng)申請人:明騫學(xué)號(hào):2161437培養(yǎng)單位:計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院學(xué)科專業(yè):計(jì)算機(jī)技術(shù)研究方向:社會(huì)網(wǎng)絡(luò)指導(dǎo)教師:朱敬華教授完成日期:2018年5月6日中文摘要隨著Web2.0、移動(dòng)定位技術(shù)的快速發(fā)展和智能手機(jī)的普及，近年來涌現(xiàn)了一大批基于位置的社交網(wǎng)絡(luò)，如Foursquare、FacebookPlaces和Gowalla等。基于位置的社交網(wǎng)絡(luò)將現(xiàn)實(shí)世界的地理位置引入到虛擬網(wǎng)絡(luò)中，用戶可以通過自身攜帶的智能終端進(jìn)行“簽到”，在虛擬網(wǎng)絡(luò)中留下自己真實(shí)的地理位置
2、信息，并可以將熱衷的興趣點(diǎn)和旅行體驗(yàn)分享給自己的好友。隨著互聯(lián)網(wǎng)的快速興起，在線購物和社交網(wǎng)絡(luò)的蓬勃發(fā)展，服務(wù)提供商獲取的數(shù)據(jù)稀疏性和分散性問題日益嚴(yán)峻。數(shù)據(jù)集中絕大多數(shù)數(shù)值缺失或者為零，導(dǎo)致絕大部分基于關(guān)聯(lián)分析的推薦方法推薦質(zhì)量和準(zhǔn)確度嚴(yán)重下降或者無法產(chǎn)生推薦。居心不良的用戶可以通過不正當(dāng)手段向基于位置的社交網(wǎng)絡(luò)中注入大量無用且虛假的信息來改變推薦結(jié)果，使得基于協(xié)同過濾的推薦方法容易受不良用戶的影響而產(chǎn)生錯(cuò)誤的推薦結(jié)果。而且基于協(xié)同過濾的推薦方法的時(shí)間開銷受用戶和項(xiàng)目數(shù)量影響，當(dāng)系統(tǒng)規(guī)模增長時(shí)，算法性能下降很快。針對傳統(tǒng)社
3、交網(wǎng)絡(luò)推薦中的痛點(diǎn)，傳統(tǒng)協(xié)同過濾推薦方法急需改變自身推薦方式和引入新的數(shù)據(jù)源來改善和提高推薦質(zhì)量。而另一方面，當(dāng)用戶訪問一個(gè)新的城市時(shí)，雖然有一些旅行指南網(wǎng)站可以提供很多內(nèi)容，如景點(diǎn)的照片、評論和詳盡的旅行游記。然而，讓用戶個(gè)人從繁雜、未經(jīng)加工處理過的原材料中獲取有用的信息，不僅費(fèi)時(shí)費(fèi)力，還會(huì)給用戶帶來煩躁的情緒。由此，自動(dòng)化和個(gè)性化的推薦深受用戶的期待和喜愛。特別是個(gè)性化推薦日益受到關(guān)注，因?yàn)槠淠苡行У恼嫌脩舻膫€(gè)人偏好（如文化、性格、習(xí)慣等），使用戶得到高滿意度的旅行體驗(yàn)。針對上述興趣點(diǎn)推薦和線路推薦研究中存在的挑戰(zhàn)和問
4、題，本文從以下兩個(gè)方面進(jìn)行研究：（1）本文將信任關(guān)系融入到興趣點(diǎn)推薦系統(tǒng)中，一方面社交網(wǎng)絡(luò)中的信任關(guān)系能體現(xiàn)出用戶間的相互影響力和偏好相似性；另一方面社交網(wǎng)絡(luò)中加入信任關(guān)I系后能有效改善傳統(tǒng)推薦方法的冷啟動(dòng)和易受惡意推薦攻擊等問題。本文分析了信任和不信任關(guān)系的傳播特征，給出信任度的表示和計(jì)算方法，提出一個(gè)融合用戶相似性，地理位置和信任關(guān)系的混合推薦系統(tǒng)。(2)本文利用用戶的歷史旅行記錄挖掘其個(gè)人偏好，并在滿足用戶時(shí)間和花費(fèi)限制條件下，尋找高滿意度的旅行線路。本文設(shè)計(jì)并提出了TripPlanner線路推薦系統(tǒng)，該系統(tǒng)首先構(gòu)建了
5、一個(gè)基于用戶和時(shí)間特性的興趣點(diǎn)評分模型，對所有興趣點(diǎn)進(jìn)行評分篩選出候選興趣點(diǎn)；然后通過基于狀態(tài)擴(kuò)展的混合線路挖掘算法在滿足用戶個(gè)人約束條件下進(jìn)行個(gè)性化的線路規(guī)劃；最后，為了提升線路挖掘算法的運(yùn)行效率，本文設(shè)計(jì)了兩種剪枝策略來縮短算法的運(yùn)行時(shí)間。關(guān)鍵詞：LBSN；POI推薦；協(xié)同過濾；信任關(guān)系；路線規(guī)劃；數(shù)據(jù)挖掘IIAbstractWiththerapiddevelopmentofweb2.0,mobilepositioningtechnologyandthepopularityofsmartphones,alargenumb
6、eroflocation-basedsocialnetworkshaveemergedinrecentyears,likeFoursquare,FacebookPlaces,andGowalla.Unliketraditionalsocialnetworks,LBSNhasintroducedlocationtagsthatallowuserstoleavetheirfootprintsinsocialnetworksanytime,anywhere,andsharetheirlovedpointsofinterestand
7、travelexperiencewiththeirfriends.Andwiththerapiddevelopmentofonlineshoppingandsocialnetworks,thesparsenessofdatahasintensified,andthequalityofrecommendationoftraditionalcollaborativefilteringmethodshavereducedalot,sometimesevenfailedtogetrecommendationresults.Disho
8、nestuserscanforgealargeamountofuserratinginformationtochangetherecommendationresult,leadtothecollaborativefilteringmethodismorevulnerabletomalici
