資源描述:
《基于lbsn簽到數(shù)據(jù)的用戶行為預(yù)測與興趣點推薦》由會員上傳分享,免費在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、rI1.罕i.‘I:..M:罕巧.^銅.:VM舅-I...單^碼誦密-.1|^晏‘'V:V’.培;M^卷、滬脅議...‘.;巫?禱考r秦像^古恰..‘,..'.:.':;<4;r,::...;餐,-..-廁.V.謹(jǐn).,苗纏:;.s論文^亂腳^獅J‘,'管.羞篇^II凈獲'.?琴.:.巧.%學(xué)號誦-姓.名刑rr導(dǎo)師憾雖|...^綿類別,獅±類型日靴?。牐保牐?;^域化.^..^f;做o:齡i期.il販r..v...為.>’.法
2、.,../八;..:義:_1.-若某;冷-古.'壤‘作;1M知革南京郵電大學(xué)學(xué)位論文原創(chuàng)性聲明本人聲明所呈交的學(xué)位論文足我個人在導(dǎo)師指導(dǎo)下進(jìn)行的研兜工作及取得的研究成果。1>,盡我所知,除了文中特別加^^示注和致謝的地方外論文中不包含其他人己經(jīng)發(fā)表或撰寫過。的研究成巧,也不包含為獲得南京郵電乂學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料一與我同工作的同山對本研巧所做的化何貢獻(xiàn)均己在論文中作了明確的說明并表示丫謝意。一本人學(xué)位論文及涉及相關(guān)資料若巧不實,愿意承擔(dān)切和關(guān)的法律責(zé)任。研究牛.巧
3、旅墨U蝴:如占,9南京郵電大學(xué)學(xué)位論文使用授權(quán)聲明本人授權(quán)南京郵化火學(xué)可lii■保留并向國家有關(guān)部口或機(jī)構(gòu)送交論文的復(fù)印件和電子文料可;允巧論文被查閱和借閱;可W將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索;論采用影印、縮印或掃巧等復(fù)制手段保存、匯編本學(xué)位論義。本文電了文檔的內(nèi)容和紙質(zhì)-致義涉的內(nèi)容相。論文的公布(包括刊登)授權(quán)南京郵化大學(xué)研究生院辦理。密學(xué)位論文么解密后適用本按權(quán)書。研心少義究生簽名;夏如矣導(dǎo)師簽名:如《瑪I.I期:如UserBehaviorPredictionandPointofInterestRecomm
4、endationBasedonLBSNCheck-inDataThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegreeofMasterofEngineeringByWangKaiciSupervisor:Prof.ZouZhiqiangFebruary2016摘要最近幾年,基于位置的社交網(wǎng)絡(luò)(Location-basedsocialnetwork,LBSN)迅速發(fā)展并積累了海量的數(shù)據(jù),為個性化的興趣點推薦研究提供了重要的數(shù)據(jù)基礎(chǔ)。用戶的移動行為本質(zhì)上是從某個<時間,位置>轉(zhuǎn)移
5、到另一個<時間,位置>的時空序列,但現(xiàn)有研究未充分發(fā)掘時空序列特征對推薦的重要作用。為深入研究時空序列的特征,本文提出了興趣點推薦系統(tǒng)AMGR(AdditiveMarkovchainandGravitymodelbasedRecommend),該系統(tǒng)利用加權(quán)馬爾可夫鏈預(yù)測用戶時空序列的概率,并結(jié)合重力模型進(jìn)行興趣點推薦。論文的主要工作如下三點:(1)基于加權(quán)馬爾可夫鏈的用戶行為預(yù)測。首先,從歷史簽到數(shù)據(jù)中抽取用戶的簽到時空序列,建模為位置轉(zhuǎn)移圖(Location-LocationTransitionGraph,LLTG圖)。LLTG增量更新簽到數(shù)據(jù)流的時間為常數(shù)數(shù)量
6、級,是一種實時在線模型。在LLTG圖的基礎(chǔ)上,論文應(yīng)用加權(quán)馬爾可夫鏈預(yù)測時空序列的概率,加權(quán)馬爾可夫鏈在預(yù)測問題上相比一階馬爾可夫鏈和傳統(tǒng)的n階馬爾可夫鏈,準(zhǔn)確度和效率都更高。(2)基于重力模型的興趣點推薦。在興趣點推薦方面,論文引入重力模型,該模型綜合考慮了簽到的時空因素,好友關(guān)系以及興趣點熱門程度,并用他們計算已簽到興趣點和新興趣點之間的吸引力。之后,將重力模型算出的吸引力作為加權(quán)馬爾可夫鏈轉(zhuǎn)移概率的權(quán)重,最終得到用戶對新興趣點的訪問概率,并為用戶推薦其中top-k個概率最高的興趣點。重力模型和加權(quán)馬爾可夫鏈的結(jié)合使得AMGR系統(tǒng)實現(xiàn)了綜合時空因素,好友關(guān)系,興
7、趣點熱門度以及序列因素影響的推薦方法。(3)AMGR系統(tǒng)的驗證。為了對AMGR系統(tǒng)進(jìn)行驗證,本文以Gowalla和Brightkite收集到的大數(shù)據(jù)量的真實簽到記錄作為實驗數(shù)據(jù)進(jìn)行了實驗。實驗結(jié)果表明,AMGR的推薦準(zhǔn)確率分別達(dá)到0.31和0.22,召回率達(dá)到0.21和0.12。該結(jié)果與最新的位置推薦方法相比,準(zhǔn)確率和召回率都有明顯提高,具有更優(yōu)的推薦效果。關(guān)鍵詞:簽到,時空序列模式,重力模型,加權(quán)馬爾可夫鏈,興趣點推薦IAbstractWithrapiddevelopmentoflocation-basedsocialnetwork,massivelocati