基于位置社交网络的兴趣点组合推荐算法研究

随着智能手机的普及和基于用户地理位置信息服务的增多,用户数据量呈爆发式增长,海量数据之间的稀疏性成为了限制基于位置社交网络(Location-Based Social Network,LBSN)的推荐系统性能的一个主要因素。基于此,文章提出了一个基于位置社交网络的兴趣点组合推荐模型(Geographical LightGCN,GLGCN),该模型由协作偏好模块和地理偏好模块两部分组成,其中,协作偏好模块使用图卷积网络深度挖掘用户和兴趣点的嵌入表示,获取用户的协作偏好;地理偏好模块结合兴趣点的相关性和用户轨迹,使用基于门控循环单元(Gate Recurrent Unit,GRU)的序列模型捕获用户的序列偏好。文章将两个模块的推荐分数以线性加权的方式进行组合,得到最终推荐结果。实验表明,相较于现有其他算法,文章提出的组合推荐算法具有更优秀的性能。

一种基于位置社交网络融合多种情景信息的兴趣点推荐模型

针对现有位置社交网络兴趣点推荐的研究工作主要集中在挖掘兴趣点的情景信息:时间信息、地理位置和评论信息,其中评论信息对用户偏好的影响尚未充分研究的情况,提出一个统一兴趣点推荐模型。其融合了用户偏好模型和上述三种情景信息,对用户偏好建模采用基于签到次数的度量方法,同时对评论信息采用基于潜在狄利克雷分配主题模型来挖掘用户偏好。实验结果表明,该模型在推荐准确率等多种评价指标上都取得了更好的结果。

位置社交网络的潜在好友推荐模型研究

为了提高位置社交网络的服务便捷性和用户感受度,与位置相关的推荐服务越来越具有重要意义和应用需求。提出的潜在好友推荐模型主要是根据签到位置的相似度及好友相似度进行潜在用户推荐。通过用户的好友关系、签到特性及签到历史记录,计算用户在各个位置兴趣点的位置权重,再分别利用位置权重及好友关系计算用户的位置相似度和好友相似度,最后根据用户位置和好友关系的综合相似度进行潜在用户推荐。实验结果表明,提出的潜在好友推荐模型是切实有效的。

基于位置社交网络的地点推荐算法

目前基于协同过滤的地点推荐算法存在难以准确估算用户偏好、推荐结果准确性不高等问题。改进了传统协同过滤中相似用户计算方法,在迭代过程中分别计算用户相似度和地点相似度的值,并不断交叉调整对方的值,直至收敛。该方法能够在稀疏的数据集下准确计算用户相似性。此外,在top-N推荐阶段,同时考虑了用户的兴趣度和推荐地点离用户所在地距离的影响,并设置阈值控制二者的权重,自适应地产生推荐结果。实验表明,与其它方法相比该方法能够获得更好的推荐效果。

基于位置社交网络的个性化兴趣点推荐

兴趣点(point-of-interest,POI)推荐是基于位置的社交网络(location-based social networks,LBSN)中一项重要的服务。针对目前推荐算法存在的噪声数据影响推荐质量、用户个性化程度低的问题,提出了一种个性化联合推荐算法。提出了引入POI的位置因素去除不可能或可能性较小的POI,形成初步候选集;综合考虑POI的类别、流行度及用户的社会行为,增加用户个性化的程度,提高推荐结果的质量。在Foursquare真实签到数据集上的实验证明了提出的联合推荐算法与目前先进的算法相比,准确率提高11%,召回率提高8%。

基于位置社交网络的高效定位算法

基于位置社交网络(Location-Based Social Network,LBSN)服务使得用户能够利用位置服务发现附近的人.原始的LBSN服务为用户提供确切的相对距离,而这种做法已被证实易于遭受三角定位攻击.为防御此类攻击,当今LBSN服务普遍采用以带宽的方式来报告距离.本文利用数论,通过技巧性地摆放虚拟探针,伪装地理位置,提出了一种不受地理位置限制、高精度、易于实现的定位目标算法.作为概念验证,本文使用微信进行实验最终验证了该攻击算法在实际部署中的有效性.本文的研究旨在呼吁LBSN服务提供商改进位置隐私保护技术,唤醒公众充分认识LBSN软件所带来的潜在隐私泄露.

位置社交网络中区域多样性增强推荐算法

针对基于协同过滤算法的top-N推荐列表中往往能够获得离用户较近且感兴趣的地点,但这些地点所属区域比较单一,提供的服务功能类似,甚至出现推荐列表中所有地点属于同一区域,无法增强用户体检的问题,提出了一种新的推荐方法,在保证推荐列表准确率的前提下,通过调节区域的权重来提高推荐地点的多样性.实验证明,该方法不仅具有较低的时间复杂度和高度的可扩展性,而且与其他方法相比能够获得更好的推荐效果.

基于位置社交网络的兴趣点推荐系统研究综述

兴趣点推荐是近年来位置社交网络和推荐系统领域研究的热点之一,了解兴趣点推荐在位置社交网络方面的发展现状,有利于为下一步的研究提供方向。对国内外兴趣点推荐系统的相关文献进行梳理,首先介绍了兴趣点推荐系统的概念,并从影响推荐的因素、推荐方法和推荐存在的问题三方面探讨其与传统推荐的区别。然后提出了兴趣点推荐系统的基本框架,该框架包含了数据来源、推荐方法和算法评价三个核心部分。以该框架为基础,介绍了影响兴趣点推荐的多种因素,归纳了现有的兴趣点推荐算法,总结了算法的评价指标。同时对代表性工作进行了分析介绍,详细总结了各种方法的研究内容与特点,并评价了其优势与不足。最后对该领域所面临的挑战和潜在的研究方向进行了总结与展望,给出了未来的研究趋势和发展方向。

基于位置社交网络的上下文感知的兴趣点推荐

随着基于位置社交网络(Location-Based Social Networks,LBSN)的快速发展,兴趣点(Point-of-Interest,POI)推荐为基于位置的服务提供了前所未有的机会.兴趣点推荐是一种基于上下文信息的位置感知的个性化推荐.然而用户-兴趣点矩阵的极端稀疏给兴趣点推荐的研究带来严峻挑战.为处理数据稀疏问题,文中利用兴趣点的地理、文本、社会、分类与流行度信息,并将这些因素进行有效地融合,提出一种上下文感知的概率矩阵分解兴趣点推荐算法,称为TGSC-PMF.首先利用潜在狄利克雷分配(Latent Dirichlet Allocation,LDA)模型挖掘兴趣点相关的文本信息学习用户的兴趣话题生成兴趣相关分数;其次提出一种自适应带宽核评估方法构建地理相关性生成地理相关分数;然后通过用户社会关系的幂律分布构建社会相关性生成社会相关分数;另外结合用户的分类偏好与兴趣点的流行度构建分类相关性生成分类相关分数,最后利用概率矩阵分解模型(Probabilistic Matrix Factorization,PMF),将兴趣、地理、社会、分类的相关分数进行有效地融合,从而生成推荐列表推荐给用户感兴趣的兴趣点.该文在一个真实LBSN签到数据集上进行实验,结果表明该算法相比其他先进的兴趣点推荐算法具有更好的推荐效果.

位置社交网络中谱嵌入增强的兴趣点推荐算法

为了有效地捕捉LBSN中丰富的签到、社交等多维上下文信息的空间特性,并深层挖掘用户和POI之间的非线性交互,提出了一种谱嵌入增强的POI推荐算法——PSC-SMLP,设计了偏好增强的谱聚类算法PSC和谱嵌入增强的神经网络SMLP。在2个经典数据集上与现有的POI推荐算法相比,PSC-SMLP可以深层学习用户对POI的个性化偏好,在准确率、召回率、nDCG、平均精度等指标中均获得较大提升。

位置社交网络上的图表示学习

随着在线社交网络的普及,基于位置的社交网络(Location-Based Social Networks,LBSN)积累了海量数据,且因其包含丰富的时空、语义信息已被广泛应用在挖掘用户行为偏好的研究上,但传统的手工提取LBSN特征的方法有很大局限性且耗时耗力.近几年来,图表示学习在推荐系统、知识图谱等领域成功应用,彰显了其强大的非线性拟合和表示学习的能力.然而,现有图表示学习大多集中在静态、同构的网络上,难以同时考虑时间、位置信息、社交关系来捕捉LBSN中复杂的结构和用户偏好,以致无法高效提取LBSN中的有效信息.因此,本文提出面向LBSN的两阶段图表示学习框架TGE-LBSN(Two Stages of Graph Embedding on LBSN),即将LBSN转化成异构网络结构,设计了LBSN上的图表示学习算法自动提取LBSN的特征,得到蕴含有效信息的节点向量表示,并利用社交领域的预测、推荐任务检验其有效性.首先,依据时间对LBSN的签到(Check-in)超边进行有偏采样,第一阶段设计了IVGS(Initial Vector Generation Stage)算法,利用好友边与Check-in超边共同生成包含位置、特征信息的初始节点向量.其次,在第二阶段将LBSN依据签到时间划分成不同子图,分别进行各个子图下的异构网络层结构信息聚合操作.在第一阶段结果的基础上,提出了面向LBSN的选择聚合邻居策略SAN(Select Aggre⁃gated Neighbors),选取有代表性的邻居节点完成聚合操作,进而完成子图向量生成算法SVG(Subgraph Vector Generation)得到子图中节点的向量表示.最后,依据任务设定损失函数,结合注意力机制为各子图学得自适应权重,从而得到节点的最终向量表示,进而完成社交领域的预测推荐任务.本研究分别在真实的LBSN数据集上以及时序社交网络与基准方法进行了大量的对比实验,并采用ROC曲线作为评价标准,实验结果验证了本文所提算法TGE-LBSN能高效地自动提取LBSN的有效信息并保留在节点的嵌入向量中,且在社交领域的好友预测任务上比现有模型在AUC值方面最高可提升42%,在兴趣点推荐任务上AUC取值相较于对比算法最高可达到7%的提升.

基于位置社交网络的用户相似性建模

融合了社交化、本地化、移动化三位一体的提供多种应用的服务的位置社交网络正逐步改变着人们的生活、实现着社交大众化。本文对位置社交网路中用户相似性进行了分析,并且给出了位置社交网络中用户相似性计算过程,具有一定的理论和实践意义。

位置社交网络的个性化位置推荐

为了有效改善位置社交网络的用户体验,提出了一种个性化位置推荐服务模型.综合考虑了用户的签到行为特点、用户特征及位置兴趣点的语义特征,并将蚁群算法与改进的混合协同过滤算法有效结合起来进行个性化位置推荐,以此提高个性化位置推荐的质量和效率.实验结果表明,提出的位置推荐模型的召回率、准确率和平均绝对误差值都明显优于已有方法.

基于位置的社交网络用户签到及相关行为研究

Web2.0时代,空间定位技术不断成熟,使得基于位置的社交网络(LBSN)快速发展。LBSN用户的典型行为是签到以及针对签到地进行评论等。探索用户签到及相关行为的规律及背后动机,可以更好地了解用户的需求,发现系统设计与用户需求的不匹配之处,这对LBSN类应用的设计和开发具有一定的指导意义。利用在线数据抓取工具GooSeeker抽样国内典型的LBSN嘀咕网的用户数据。通过对获取的数据进行处理、分析,获知用户签到行为特点。同时关注用户发布的签到地评论的内容,并且使用分类工具SVMCLS将用户对麦当劳的评论划分为不同的倾向级别,从而得到用户对麦当劳的主观情感倾向性。结果发现嘀咕网用户签到的时间和地点存在规律性特征。用户趋向于在签到地做出正面的评论,并且评论的内容比较简短。这些发现有助于LBSN类系统设计和开发人员更好地了解用户,获知用户的需求,最终完善自己的设计,为用户提供更好的应用服务。

基于位置的社交网络中双重异质社区的聚类与关联方法

近年来,异质信息网络特别是基于位置的社交网络(Location-Based Social Networks,LBSN)中的社区发现已成为新兴的研究热点.然而,目前大多数社区发现研究仅考虑基于同质结构的社交网络,显然都已无法有效融合LBSN这种异质网络所包含的多模实体及其多维关系.为了应对该挑战性问题,本文提出了一种新的双重社区聚类与关联方法(Communities Clustering and Associating Method,CCAM),该方法先在LBSN的社交媒体层上,通过信息熵度量用户发布主题之间的相似性,进而再将相似用户兴趣聚类问题转换成求解基于模糊聚类的目标函数以获得重叠的兴趣主题簇结构.然后在地理位置层中,将用户-位置签到关系网络形成的二分图转换为超图模型,并采用超边聚类方式得到用户关于地理位置的兴趣点特征簇.最后,在兴趣主题簇与地理位置簇之间借助中间用户层的社交关系建立这两层异质簇间的关联性表示模型,并通过随机梯度下降法求解模型的局部最优解.在两个真实数据集Foursquare(NYC)和Yelp上的实验结果表明,本文提出的CCAM方法有效融合了用户-媒体发布关系、用户间社交关系、用户-位置签到关系等多维度关系,能准确获得LBSN中紧密关联的用户兴趣主题簇与地理位置簇,使得这双层社区结构不仅在外部结构特征与兴趣内聚性指标上都优于传统算法,并且还在兴趣主题推荐与位置兴趣点推荐方面的平均准确率提高至少32%.

在线社交网络中的位置服务研究进展与趋势

在基于位置的社交网络中,用户通过发布嵌入了位置数据的媒体信息获得服务,如位置或好友推荐、旅行路线推荐等。用户和位置都是网络的主体,位置作为桥梁将用户的虚拟网络世界与现实世界联系起来。综述了基于位置的在线社交网络中的位置信息获取、用户识别、位置识别、信息的共享与传播及位置隐私的相关研究,预测了基于位置的在线社交网络未来的研究趋势。

空间自我:位置服务技术下社交网络用户的身份认同构建——以咕咚应用为例

地理定位技术与移动通讯的融合,使人类传播从抽离物理空间的虚拟连接状态重新在地化,社交网络用户的地点实践被纳入身份认同构建过程。本文以咕咚应用为研究对象,采用网络民族志方法,考察基于地理位置的社交网络如何聚合用户的线下实践与线上传播,分析两种空间实践对用户身份认同的构建机制,并以此为基础反思"细分服务+网络社交"模式下,媒介技术对人类社会结构和行为方式的影响。

基于位置的社交网络链接预测特征研究

基于位置的社交网络(Location-Based Social Network,LBSN)提供了用户在线网络关系和签到行为双重信息,连接了虚拟网络和现实生活。本文结合传统的基于网络结构和空间位置相似性的LBSN链接预测方法,从签到时间和频率2方面提出新的链接预测特征,通过Brightkite网络数据统计分析证明其预测有效性。综合多种指标建立LBSN链接预测框架,实验结果表明加入这2类指标后预测准确率有明显提高。

社交关系与地理位置信息融合的GRU兴趣点推荐模型

针对兴趣点推荐中上下文信息(即社交关系)考虑不足的问题,提出了一种融合社交关系与地理位置信息的GRU(Gated Recurrent Unit)兴趣点推荐算法—SG-GRU。首先构造用户和兴趣点之间的带权异构图,根据用户社交关系强度、签到序列以及地理位置信息,设计了新的边权重计算方法对异构图进行优化,并通过图嵌入对用户和兴趣点进行了形式化表征,从而利用门控循环神经网络建立用户的序列兴趣偏好模型。最后,根据每个用户的兴趣点最终得分向用户推荐感兴趣的TOP-K兴趣点列表。在两个公开数据集Gowalla和Brightkite上进行了实验验证,结果表明,提出的SGGRU方法优于所给出的3个POI基准推荐模型,验证了推荐模型的有效性。

基于位置的社交网络中基于时空关系的超网络链接预测方法

针对基于位置的社交网络(LBSN)中因现有方法未能有效融合社会因素、位置因素以及时间因素的综合影响而导致链接预测准确度低的问题,提出了一种LBSN中基于时空关系的超网络链接预测方法。首先,针对LBSN中网络的异构性以及用户间的时空关系特性,将网络划分成"时空-用户-位置-类别"四层超网络,降低影响因素间的耦合性;其次,考虑到边权值对网络的影响,通过挖掘用户影响力、隐关联关系、用户偏好以及节点度信息,对子网的边权值进行定义和量化,构建四层加权超网络模型;最后,在加权超网络模型的基础上,定义超边及加权超边结构,挖掘用户之间的多元关联关系进行预测。实验结果表明,所提方法较基于同构和异构的链接预测方法在准确率、召回率、F1值以及AUC上具有一定的提升,其中AUC指标较基于异构的链接预测方法提升了4.69%。