LBSNs中基于用户活动和社交信任的好友及位置推荐算法

在基于位置的社交网络中,好友推荐主要是基于用户共同好友数量、用户行为偏好的相似性实现,而位置推荐则主要是基于地理位置进行空间聚类、用户间最长公共访问子序列实现,但目前推荐方法对用户行为偏好描述缺少语义活动信息支持,刻画用户间的关系也缺乏必要的个体信任关系描述,同时尚未综合利用第三方社交网应用中对位置的大众评分及个人评分,因而导致推荐质量不高.针对此问题,在综合考虑用户语义活动偏好、社交信任、位置合成评分以及物理距离等因素的前提下,提出FRBTA和LRBTA算法分别进行好友和位置推荐.实验结果表明,本文提出的推荐算法是可行且有效的.

基于改进随机森林算法的LBSN用户短期位置预测模型

针对已有的基于LBSN的用户短期位置预测模型性能较低的现状,提出了一种基于改进随机森林算法的LBSN用户短期位置预测模型SPMLIRFA.该模型对随机森林算法进行改进并应用于LBSN用户在短期内的位置预测问题中,SPMLIRFA模型的主要思想是将用户的位置预测问题抽象为对给定的候选位置的分类问题来实现.该模型将时间因素,空间因素,个人社交因素和社交群体的签到地点热门因素特征进行量化,通过计算特征量化值的Fisher比值来衡量特征的重要程度,训练样本则按照特征重要程度划分的比例来采样,再将该样本作为随机森林的训练集,生成模型后分类预测位置.实验结果表明,SPMLIRFA在用户短期位置预测问题上有着较好的泛化性和准确率.

基于LBSNS的社交传播模式及其前景分析

移位服务(LBS)与社交网站(SNS)的结合实现了"位置"与"社交"的交集,不仅能够为用户提供更加个性化服务和体验,同时也为社交网络的未来运营模式提供新的思路。本文基于移位服务(LBS)网站和网络社交服务(SNS)网站各自的发展状况,对移动社交网络服务(LBSNS)的传播模式和传播功能进行详细分析,并利用传播学原理探究LBSNS模式在传播过程中的特点,以期为LBSNS未来传播模式及其商业价值的开发提供有益借鉴。

基于LBSN中锚链接方法的链路预测模型

为了更好完成LBSN(基于位置的社交网络)多源异构数据链路预测的准确性,提出一种锚链接预测算法模型AL-P(Anchor Link-Predict)。该算法先获取LBSN中用户关系拓扑图(利用网络表示学习方法)和用户签到记录表示空间(利用矩阵分解方法),接着通过锚点链接将两种数据融合拼接,挖掘两种数据的潜在关系,然后输出两种数据融合操作后的用户向量表示,得到链路预测结果,最后实验分析AL-P模型比同类型现有的预测模型在不同的评估指标下明显提升链路预测效果。

基于LBSN的商业选址推荐系统的研究与实现

随着智能移动设备的发展和普及,空间定位技术不断成熟,基于位置的社交网络(Location-based Social Network,LBSN)得到了广泛应用。大量用户在LBSN签到,以及针对签到进行的评论不仅记录了用户的时空行为轨迹,也为研究用户行为模式和特征偏好提供了巨大的机会。提出一种基于LBSN签到数据的商业店铺选址推荐系统,首先分析用户在LBSN上的签到时间、签到地点、签到商铺类型3个方面的特征;然后提出4个影响商铺选址的因素:多样性、竞争性、相关性和客流性;最后实现商业选址推荐系统,并根据选址因素生成最优候选。并以此为基础进行相关实验来验证推荐结果,结果符合相关预期。

基于LBSN用户生成短文本的细粒度位置推测技术

利用用户生成短文本(User Generated Short Text,UGST)推测用户的细粒度位置对基于位置服务的应用有重要的意义。现有的细粒度位置推测方法较少引入UGST中的语义信息,且未考虑UGST中语义实体的权重,因此性能较低。针对这些问题,提出了一种基于位置社交网络(Location-based Social Network,LBSN)的UGST细粒度位置推测方法。该方法包括如下3个过程:1)使用Foursquare中的UGST构建实体和位置之间的关联模型,以解决位置标记稀疏问题;2)判断待推测位置的UGST中是否含有位置信息,过滤不包含任何位置语义信息的UGST,以消除噪声短文本的干扰;3)根据UGST内容推测可能的候选位置,并对每个候选位置进行排名,选择排名最靠前的位置作为推测位置。实验结果验证了所提方法的有效性。

基于LBSN大数据的旅游目的地类簇选点及热度分析

利用江苏省南京市手机用户微信LBSN大数据和原始气象数据,建立了一种基于CFSFDP聚类分析的旅游目的地的重点热门地点的识别方法,并结合TF-IDF文本分析法和ArcGIS地理信息技术对分析方法进行修正,对南京市紫金山和玄武湖一山一水两大旅游目的地进行类簇选点分析。在识别出具体景点之后再结合气象数据对其热度进行分析。结果表明:这种基于LBSN大数据的旅游目的地类簇点选取方法具有科学性和可行性,可以准确识别出目标区域内的热门景点,同时可以发现数据点越密集,LBSN大数据量越大,类簇点识别的准确性越高。旅游目的地的旅游热度在周末和旅游旺季,春夏两季数值较高。本文的研究结果可以在获取LBSN大数据的情况下,对相关部门进行旅游规划和游客出行提出科学性的指导。

基于预测的LBSN兴趣点推荐算法

兴趣点(Point-Of-Interest,POI)推荐是基于位置的社交网络中(Location-Based Social Networks,LBSN)一种重要的个性化推荐功能.本文提出基于预测的兴趣点推荐算法.该算法根据LBSN中用户历史POI数据分布学习用户出行行为,利用变阶的马尔科夫算法根据当前位置预测用户未来到达POI的语义信息,最终推荐时考虑用户签到次数的差异为用户推荐N个具有高兴趣度的POI.实验结果表明:本文提出的算法在准确率和召回率上均高于两个对比算法,说明该算法提高了兴趣点推荐效果,并可以有效的推荐给用户下一个访问的兴趣点.

LBSN中基于社区联合聚类的协同推荐方法

近年来,异质网络中的社区发现逐渐成为人们关注的研究热点,然而现有大多数非重叠或重叠的社区发现方法都局限于考虑单一类型的网络结构,而无法适用于包含多模实体及其多维关系的异质网络,基于位置的社交网络(location based social network,LBSN)作为最近兴起的一种新型异质网络,如何有效发现其含有多维关系的复杂社区结构对现有研究来说是一个挑战性的难题.为此,提出了一种融合用户与位置实体及其多维关系的社区发现方法MRNMF(multi-relational nonnegative matrix factorization),该方法通过建立基于非负矩阵分解的联合聚类目标函数,并考虑融入用户社交关系、用户位置签到关系以及兴趣点特征等多维度的影响因素,能同时获得紧密关联的用户模糊社区与兴趣点聚簇结构,以有效缓解推荐中的数据稀疏问题.在2种真实LBSN数据集上的实验结果表明,所提出的MRNMF方法同时在兴趣点与朋友这双重推荐上比其他传统方法具有更优越的推荐性能.

LBSN中融合信任与不信任关系的兴趣点推荐

兴趣点(POI,point of interest)推荐是位置社交网络(LBSN,location-based social network)重要的个性化服务,广泛用于热门景点推荐和旅游线路规划等。传统的基于协同过滤的推荐算法根据用户相似性和位置相似性进行推荐,未考虑推荐用户与目标用户间的信任关系,而信任关系有助于提高推荐系统的准确性、顽健性和用户满意度。首先分析了信任与不信任关系的传播特征,然后给出了信任度的表示和计算方法,最后提出了融合用户相似性、地理位置相似性和信任关系的混合推荐模型。实验结果表明,与传统协同过滤推荐方法相比,融合信任关系的混合推荐方法显著提高了推荐结果的准确性和用户满意度。

LBSN中结合相遇和拓扑结构的朋友推荐算法

利用基于位置的社交网络(LBSN)中的共享位置信息,提出一种结合相遇和拓扑结构的朋友推荐算法.该方法定义用户关系为相遇模型,通过考虑朋友间时间和空间的相遇特征,基于随机路点模型计算轨迹间在相同时间下的相遇频率作为用户相似度,结合拓扑相似度作为最终的推荐依据.实验结果表明,所提出的方法较传统基于拓扑的好友推荐算法准确率更高.

基于AR-LBSNS技术新型网络营销平台系统研究

随着互联网日新月异的发展,以电商为代表网络零售业务发展迅速,但退货、换货、投诉等弊端也来之汹涌,网店对实体店的压迫也对实体经济发展产生威胁。本文基于AR-LBSNS技术,对新型网络营销平台系统进行研究,应用AR技术,消费者可全景实现商品的立体体验与比较。针对所购物品,通过平台线上购买或预约根据区域化实体店导图进店购买。提高消费的满意度和实际成交率,促进电商的优化进步和实体经济的发展。

基于LBSN签到数据的用户特征分析

近年来,以微博、微信朋友圈、Foursquare、Gowalla、Facebook Place等基于位置的社交网络(Location Based Social Network,LBSN)得到迅速发展,庞大的用户群体每天都会通过这些服务产生大量的签到数据,这些异构的网络数据为研究用户的行为特征及潜在特征提供巨大的机遇与挑战。然而现有研究少有对LBSN签到数据进行具体描述与分析,以服务于兴趣点推荐为最终目的,利用Foursquare、Gowalla数据集从用户签到轨迹、用户签到频次、用户签到位置3个方面对用户签到数据进行分析、可视化,探索了用户签到数据中存在的空间特征及个性化行为。

LBSNs中的群体行程推荐方法

随着GPS设备(如智能手机、GPS导航仪、GPS记录仪等)的广泛应用,其产生的位置信息也越来越多。基于位置的社交网络(Location-Based Social Networks,LBSNs)推荐系统受到了更多的关注。旅游行程推荐是LBSNs中非常热门的研究课题之一,但是现有研究主要侧重向单个用户推荐旅游行程,缺乏向群体推荐行程的工作。因此提出了一种LBSNs中的群体行程推荐方法。该方法首先根据用户的签到记录,使用K-means和谱聚类方法挖掘用户群体及其偏好;然后综合考虑群体对行程的时间和价格的约束,设计了行程推荐算法向群体用户推荐符合其偏好的旅游行程;最后,使用新浪微博用户的真实签到记录进行实验分析,结果表明所提出的群体行程推荐方法具有良好效果。

基于LBSN的个性化旅游包推荐系统

旅游是人们生活中的重要部分,但是制定旅游计划是一件繁杂的工作。基于位置的社交网络(LBSN)的发展,提供了大量关于位置和活动的信息。为辅助用户制订旅游计划,本文提出一个基于LBSN的个性化旅游包推荐系统。该系统利用采集自LBSN的数据,建立地点和用户偏好模型,根据用户需求,在时空约束下生成旅游路线,形成旅游包推荐给用户。本文实现的原型系统能交互地获取用户旅游意向,实时生成多个旅游包供用户选择,对游客制订旅游计划具有一定的参考价值。

LBSN中融合类别信息的混合推荐模型

针对基于位置的社交网络(Location-Based Social Network, LBSN)中用户签到数据的高稀疏性问题及用户隐私问题,提出了一种混合推荐模型(SoGeoCat).首先,通过用户潜在兴趣点数据模型,学习用户的潜在兴趣点;其次,将用户的潜在兴趣点纳入融合类别信息的矩阵分解模型中并优化;最后,根据用户特征矩阵、兴趣点特征矩阵,提出推荐策略.基于Foursquare真实数据集,实验结果表明:(1)相比于其他几个推荐模型,该算法将用户的潜在兴趣点填充至用户-兴趣点矩阵中,可以有效地缓解数据稀疏性的影响;(2)该算法可保护用户家庭信息;(3)在推荐模型中纳入类别信息的影响能提高推荐效果.

基于地理偏好排序的兴趣点混合推荐模型

随着基于位置的社交网络(LBSN)迅速发展,作为缓解信息过载的有效手段,兴趣点(POI)推荐备受关注。由于用户签到数据是隐式反馈数据,且十分稀疏,为了有效地从用户签到数据中捕获用户POI偏好,提出了一个基于地理偏好排序的POI混合推荐模型。首先,考虑用户签到数据的隐式反馈特性及用户活动的空间约束,利用传统贝叶斯个性化排序(BPR)模型计算POI距离对POI排序的影响,提出加权BPR(GWBPR)模型;然后,针对用户签到数据的稀疏性,融合GWBPR模型和逻辑矩阵分解(LMF)模型,提出混合模型GWBPR-LMF。在两个真实数据集Foursquare和Gowalla上的实验结果表明,GWBPR-LMF模型的性能优于BPR、LMF、SAE-NAD(Self-AttentiveEncoderand Neighbor-Aware Decoder)等对比模型。与较优的对比模型SAE-NAD相比,GWBPR-LMF模型的POI推荐的精确率、召回率、F1值、平均精度均值(mAP)、归一化折损累积增益(NDCG)在数据集Foursquare上分别平均提升了44.9%、57.1%、78.4%、55.3%和40.0%,在数据集Gowalla上分别平均提升了3.0%、6.4%、4.6%、11.7%和4.2%。

基于改进位置社交的近邻知识推荐算法

信息过载是当前各类网络中存在的普遍问题,社交网络中通过推荐算法为用户推荐感兴趣的内容,但该类算法并不适用于学习网络中存在特定逻辑联系的知识点推荐。结合社交网络及LBSN网络中的兴趣点推荐算法,提出了一种面向学习网络相关知识点的改进LBSN推荐算法,通过学习网络中的相似用户计算及知识路径发现,为用户推荐当前学习相关的近邻知识点,并通过实验数据证明了学习网络中加入学习推荐对学习者效率及学习质量提升的效果。

一种面向获取空间信息的潜在好友推荐算法

随着社交网络的不断发展,朋友推荐已成为各大社交网络青睐的对象,在能够帮助用户拓宽社交圈的同时,可以通过新朋友获取大量信息.由此,朋友推荐应该着眼于拓宽社交圈和获取信息.然而,传统的朋友推荐算法几乎没有考虑从获取信息的角度为用户推荐潜在好友,大多是依赖于用户在线的个人资料和共同的物理空间中的签到信息.而由于人们的活动具有空间局部性,被推荐的好友分布在用户了解的地理空间,并不能满足用户通过推荐的朋友获取更多理信息的需求.采用用户在物理世界中的签到行为代替虚拟社交网络中的用户资料,挖掘真实世界中用户之间签到行为的相似性,为用户推荐具有相似的签到行为且地理位置分布更广泛的陌生人,能够增加用户接受被推荐的陌生人成为朋友的可能性,在保证一定的推荐精度的基础上,增加用户的信息获取量.采用核密度估计估算用户签到行为的概率分布,用时间熵度量签到行为在时间上的集中程度,选择可以为用户带来更多新的地理信息的陌生人作为推荐的对象,通过大规模Foursquare的用户签到数据集,验证了该算法能够在精度上保证与目前已有的LBSN上陌生人推荐算法的相似性,在信息扩大程度上高于上述已有算法.

一种基于评分矩阵局部低秩假设融合地理和文本信息的协同排名POI推荐模型

针对目前LBSN中,用户只对少数兴趣点进行签到,使得用户签到历史数据及其上下文信息(如评论文本)极其稀疏,同时传统的评分推荐系统只考虑用户和评分二元信息,具有一定的局限性。为此,提出一种基于评分矩阵局部低秩假设的局部协同排名兴趣点推荐算法。首先,假设用户—兴趣点矩阵在由用户—兴趣点对所定义度量空间中某些邻域内是低秩的;其次,对于地理信息建模采用一种自适应二维核密度方法;然后,对于文本信息利用潜在狄利克雷分配模型挖掘兴趣点相关的文本信息建模用户的兴趣主题;最后,基于局部协同排名模型将兴趣点的地理信息和评论文本信息有效融合。实验结果表明,该模型的性能优于主流先进兴趣点推荐算法。