資源描述：
《基于mapreduce的lbsn興趣點推薦算法研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。
1、分類號TP391密級公開UDC004.62學位論文編號D-10617-308-(2016)-02034重慶郵電大學碩士學位論文中文題目基于MapReduce的LBSN興趣點推薦算法研究英文題目TheLBSNPOIRecommendationAlgorithmBasedonMapReduce學號S130201036姓名李海廣學位類別工學碩士學科專業(yè)計算機科學與技術指導教師袁正午教授完成日期2016年5月26日重慶郵電大學碩士學位論文摘要摘要移動互聯(lián)網(wǎng)的高速發(fā)展和快速普及使人們養(yǎng)成了隨時隨地上網(wǎng)的習慣，4G技術的快速發(fā)展和應用更是使這種上網(wǎng)習慣得到鞏固和加強，這也催生出了一種新的互
2、聯(lián)網(wǎng)商業(yè)模式：基于位置的社交網(wǎng)絡服務?；谖恢玫纳缃痪W(wǎng)絡服務提供商給用戶在社交平臺上提供簽到服務，這也是一種位置共享服務，當一個社交網(wǎng)絡用戶發(fā)布自己位置后，該用戶的好友可以在社交平臺上看到這個位置及這個位置所代表的商家，好友的消費決策會因此產(chǎn)生一定的改變。正是由于這個原因，當社交網(wǎng)絡服務提供商收集到足夠多的簽到數(shù)據(jù)后就可以利用個人偏好和好友關系對用戶進行位置推薦。當前的位置推薦算法主要是結(jié)合用戶的簽到位置和簽到時間使用協(xié)同過濾推薦方法為用戶推薦感興趣的地點，然而在對簽到點進行聚類時使用的密度聚類方法大多時間復雜度很高，對時間維度的處理也比較粗略，因此本文在運行速度和推薦準確度兩
3、個方面對傳統(tǒng)的興趣點推薦算法進行改進。首先，本文引入網(wǎng)格劃分思想對DBCSAN密度聚類算法進行改進，使聚類的對象不再是單個的簽到點，而是一個個包含很多簽到點的網(wǎng)格，每個網(wǎng)格在裝入簽到點之后即判斷其是不是稠密網(wǎng)格，這樣以來大大減少了判斷一個聚類對象是否是稠密簽到點的時間，而且使聚類對象的遍歷數(shù)量得到了很大的縮減。在對時間維度的處理方面，本文按照人們的生活工作時間規(guī)律將時間維度劃分為若干個時間段然后進行聚類，而不是按照傳統(tǒng)的連續(xù)時間聚類，這種改進使推薦算法計算出的用戶相似度更準確。最后本文采用MapReduce對基于網(wǎng)格的聚類算法進行改進，從而進一步提高推薦算法的運行速度。通過將傳
4、統(tǒng)的興趣點推薦算法、改進后的基于網(wǎng)格的興趣點推薦算法和基于MapReduce的興趣點推薦算法進行實驗對比，證明了本文的改進使推薦速度和推薦精度兩個方面都有所提升。關鍵詞：簽到位置，簽到時間，聚類，網(wǎng)格，并行化I重慶郵電大學碩士學位論文AbstractAbstractTherapiddevelopmentandrapidspreadofmobileInternetmakepeopledevelopahabitofsurfingtheInternetanytimeandanywhere,andtherapiddevelopmentandapplicationof4Gtechnolo
5、gymakethissurfinghabitstobeconsolidatedandstrengthened,whichalsogavebirthtoanewInternetbusinessmodel:Location-basedSocialNetworkingService.Location-basedSocialNetworkingServiceprovidersprovidecheck-inservicetousersonthesocialnetworkplatform,whichisalocationsharingservice.Afterasocialnetworku
6、serpublishedhisownlocation,hisfriendscanseethislocationandthebusinessesrepresentedbythislocationonthesocialnetworkplatform.Suchbehaviorwouldhavesomeimpactonhisfriends'consumerdecision-making.Forthisreason,whenasocialnetworkserviceproviderhascollectedenoughcheck-indata,itcanusethepersonalpref
7、erenceandfriendshiptorecommendlocationtousers.Currentlocationrecommendationalgorithmmainlyusecollaborativefilteringmethodtorecommendplaceofinteresttouserscombinewithuser'scheck-inlocationandcheck-intime.However,thedensityclusteringmethodusedforclus
