异质图嵌入的地理不敏感时空兴趣点推荐方法

基于地理位置的社交网络(LBSN)规模日渐庞大,促进了兴趣点(POI)推荐业务快速发展。现有研究常直接引入POI地理空间距离难以模拟用户高度随机的行为路径,导致兴趣点推荐过程对地点位置距离度量较为敏感。同时,社交网络中用户稀疏的POI签到数据也容易对推荐精度产生巨大影响。针对以上问题,提出一种基于异质图嵌入的地理不敏感时空兴趣点推荐模型(GIPR)。首先,引入用户行为序列,构造行为POI时空拓扑图,使用权重空间路径表示相对位置距离,既符合用户行为特征,也降低了推荐过程对兴趣点间距离的敏感程度,进而增强推荐结果的可解释性。其次,面对异质且高度稀疏的交互数据,提出的GIPR推荐方法可从局部和全局对完整的LBSN异质图进行学习,融合更丰富的用户和POI特征。最后,经过注意力层提取用户的长短期偏好,实现更加个性化的兴趣点推荐。在两个大规模真实数据集Foursquare和Gowalla上的实验表明,GIPR方法具有更高的推荐精度与更强的可解释性。

基于地理-社会关系的多样性与个性化兴趣点推荐

当前的兴趣点推荐方法主要侧重于拟合用户-兴趣点评分矩阵来获取用户偏好,进而为用户推荐其满意度高的兴趣点集合.然而,该类方法得到的推荐结果之间通常比较相似,不具有多样性,实际上为用户推荐与其偏好相关但彼此之间又有一定差异性的兴趣点更有实际意义.针对上述问题,本文提出一种综合考虑兴趣点之间地理关系和社会关系的多样性与个性化推荐方法.首先,将兴趣点之间的地理关系与社会关系相融合,构建了兴趣点的地理-社会关系模型,以此评估兴趣点之间的相关度.然后,在兴趣点相关度矩阵基础上,提出了基于谱聚类的兴趣点多样性划分方法,从而得到若干个具有差异性的兴趣点集合.最后,提出了基于概率因子模型的兴趣点选取与个性化排序方法,从各聚类中选出满足用户偏好的兴趣点构成推荐列表.实验结果表明,本文方法不仅使兴趣点推荐列表具有多样性,同时也具有更高的推荐准确性,从而实现了兴趣点多样性与个性化推荐的有机融合.

基于用户兴趣和地理因素的兴趣点推荐方法

在基于位置的社交网络中,协同过滤作为目前应用最广泛的推荐技术,存在数据稀疏性和冷启动等问题。针对协同过滤算法的不足,提出了一种结合用户兴趣和地理因素的兴趣点推荐算法。该方法首先通过自适应带宽的核密度分布、朴素贝叶斯算法以及兴趣点的流行度挖掘用户的地理偏好,并根据地理偏好模型筛选出一部分候选推荐兴趣点;然后,为了克服协同过滤算法的数据稀疏性问题和用户冷启动问题,结合用户签到相似性、类别信息和用户信任度构建用户偏好模型进行兴趣点推荐;最后,使用Yelp数据集进行实验分析,结果表明所提出的基于用户兴趣和地理因素的兴趣点推荐模型取得了良好的推荐效果。

基于地理-社会-评论关系的典型化兴趣点推荐方法

当前兴趣点推荐大多利用兴趣点的位置信息和用户的社交关系提升推荐质量,忽略了兴趣点评论信息的重要性;此外,推荐的兴趣点之间通常比较相似,不具有代表性和差异性.针对上述问题,提出了一种新的兴趣点相关度评估模型,称为地理-社会-评论关系模型,并给出了一种新的评论文本相似度度量方法.根据兴趣点间的地理-社会-评论关系相关度,提出了基于谱聚类的兴趣点聚类方法和基于概率密度估计的兴趣点典型化选取方法,以便从每个聚类中选取一个具有代表性的兴趣点.对于选取的典型化兴趣点,提出了利用概率因子模型拟合用户访问兴趣点次数矩阵的方法对推荐结果进行个性化排序.实验结果表明,本文提出的相关度评估模型对兴趣点的相关度评估更合理,推荐结果在多样性和准确率方面都取得了更好的效果.

融合社交关系和局部地理因素的兴趣点推荐

兴趣点(Point-Of-Interest,POI)推荐是基于位置社交网络(Location-Based Social Network,LBSN)中一项重要的个性化服务,可以帮助用户发现其感兴趣的POI,提高信息服务质量。针对POI推荐中存在的数据稀疏性问题,提出一种融合社交关系和局部地理因素的POI推荐算法。根据社交关系中用户间的共同签到和距离关系度量用户相似性,并基于用户的协同过滤方法构建社交影响模型。为每个用户划分一个局部活动区域,通过对区域内POIs间的签到相关性分析,建立局部地理因素影响模型。基于加权矩阵分解挖掘用户自身偏好,并融合社交关系和局部地理因素进行POI推荐。实验表明,所提出的POI推荐算法相比其他方法具有更高的准确率和召回率,能够有效缓解数据稀疏性问题,提高推荐质量。

一体化POI(兴趣点)采集更新入库技术研究——以珠海市为例

该研究路线根据相关数据库标准及行业规范标准,科学合理地进行兴趣点数据库结构设计,提出了一体化数据处理的技术路线,整个流程覆盖从方案设计、数据采集、数据整理、数据监理、数据成果入库等多个环节,展现了珠海市陆地范围内POI点的采集、上图标绘、建库、及电子地图更新等工作,以保证数据符合用户方应用的需求。电子地图生产过程及涉密数据采集入库整理过程的技术路线也给同行业相关数据库建设项目的开展起到一定的示范作用,同时该研究也对兄弟单位从事相关工作的同行具有重要的参考价值和借鉴意义。

基于空间句法和POI兴趣点的合肥市快递物流点空间格局研究

当今世界互联网飞速发展,传统的城市规划分析方法受到来自大数据分析方法的强烈冲击,针对目前城市快递物流点的分布现状,在传统的空间句法模型基础上,将POI兴趣点结合GIS数据分析技术引入城市快递物流点的空间格局研究中,从而构建了传统数据分析与大数据分析有机结合的空间格局。通过对合肥市瑶海区、蜀山区、庐阳区以及包河区的研究发现:空间句法模型和POI大数据分析所得城市快递物流业的集聚区域在空间上并不完全一致;同时,通过快递物流点与居民点建立缓冲区分析,并针对快递物流点的布局提出决策意见,为方便居民生活和实现城市的可持续发展提供参考和借鉴。

基于兴趣点(POI)数据的松原市中心功能区定量识别

松原市作为吉林省次级中心城市,由于历史原因和松花江的阻隔,使得江南和江北两岸发展呈现出一种不平衡的发展状态,空间结构的松散迫切需求进行理性规划调整.本文借助地理信息系统(GIS)和空间句法理论,对兴趣点(POI)数据进行定量识别分析,以此探究城市功能分区的特征以及所存在的问题,并提出对松原市空间形态、功能布局、发展方向等方面的建议,以期逐步形成多中心组团式带形发展的空间发展格局,促进区域空间的整体发展.

基于潜在地理——社会关系感知的兴趣点推荐研究

针对已有的兴趣点推荐模型大都采用无地理空间限制的显式社会关系和隐式社会关系进行兴趣点推荐,而基于地理空间限制的显式社会关系和隐式社会关系对兴趣点推荐结果有着极为重要的影响。为此,提出了一种新型的基于潜在地理—社会关系挖掘的兴趣点推荐模型。使用核密度估计方法对用户签到行为可达的地理影响区域进行个性化分析,然后使用所提出的两跳随机游走算法挖掘用户之间的显式社会关系和隐式社会关系,把用户可达地理区域内的显式社会关系和隐式社会关系作为一个正则项融合到传统的矩阵分解模型中。两个真实数据集上的实验结果显示所提出的潜在地理—社会关系挖掘的兴趣点推荐模型优于文中所选择的其他4个兴趣点推荐对比方法。

引入兴趣点的地理加权人口空间分布模型研究——以天津市为例

针对传统方法解决城市内部人口空间分布问题的困难和不足,在分区建模基础上,提出了将兴趣点引入多元逐步、地理加权、混合地理加权方法,以天津市15区为实验区,进行模型验证。结果表明,兴趣点可以有效地反映人口空间分布现状,地理加权方法能更好地模拟人口的空间分布。

融合用户活跃度的上下文感知兴趣点推荐算法

为了提高兴趣点(point of interest,POI)推荐的准确性和个性化,提升用户对推荐结果的满意度,针对不同活跃度用户的特点,提出一种融合用户活跃度的上下文感知兴趣点推荐算法(A POI recommendation algorithm that integrates geographical,categorical,and temporal factors,while simultaneously considering user activity),简称AU-GCTRS。首先,为缓解数据稀疏性和冷启动问题,引入多维上下文信息;其次,通过挖掘用户签到频率、签到兴趣点数量和签到时间,将用户划分为不同活跃度的群体;最后,综合用户活跃度与上下文分数,将得分高的前K个兴趣点推荐给用户。在真实数据集上进行实验表明,AU-GCTRS算法比其他流行算法更有效地缓解了数据稀疏性和冷启动问题,提高了推荐准确率和召回率。

基于社交和地理信息的兴趣点推荐

目前基于用户的协同过滤兴趣点推荐模型认为两个用户之间对彼此的影响是相同的;同时,在计算社交用户相似度时仅仅考虑了用户的朋友集合,未考虑用户住所的地理信息。针对上述问题,提出了一种融合用户、社会和地理信息的兴趣点推荐(Fuse Users、Social and Geographic,FUSG)模型。将非对称用户影响和PageRank算法融入到基于用户的协同过滤算法中,挖掘用户偏好对兴趣点推荐系统的影响;结合社交用户之间的居住距离和用户的共同好友计算用户之间的相似度;利用地理信息挖掘用户签到的地理特征;将改进的协同过滤算法、社交信息与地理信息融合成FUSG模型,进行兴趣点推荐。在真实的数据集上的实验结果表明,FUSG模型不仅能够缓解冷启动问题,且与其他模型相比具有更高的推荐结果。

融合地理信息的兴趣点推荐

智能移动终端在大学校园内的迅速普及,使得校园无线局域网被广泛部署于图书馆、食堂、教学楼、宿舍等区域,推进了信息化校园的建设,为师生的校园生活提供了极大的便利,与此同时大学校园积累了大量基于位置的社交网络(LBSNs, Location-Based Social Networks)数据,如何利用LBSNs进行学生兴趣点(POI, Point-of-Interest)推荐已经成为一个研究热点。校园地理信息的高可用性为提高个性化兴趣点推荐的性能提供了机会,提高POI推荐性能,应解决两个主要挑战:首先,如何利用地理信息来获取用户个人信息、地理坐标和位置流行度等信息;然后如何将地理信息纳入推荐算法中。本文使用一种基于校园地理信息的Logistic矩阵分解(CGLMF, Campus Geographic Information based Logistic Matrix Factorization) POI推荐算法,该算法利用学生个人信息和校园地理信息,通过考虑学生的主要活动区域和该区域每个POI的相关性,提出一种有效的地理信息模型,然后将地理信息模型融合到Logistic矩阵分解中以此提高POI推荐性能,在校园真实学生Wi-Fi签到数据集上进行实验,结果表明该方法优于其他POI推荐方法。

融合相似度和地理信息的兴趣点推荐

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。由于用户签到行为具有高稀疏性,为兴趣点推荐的精确度带来了很大的挑战。针对该问题,提出了一种融合相似度和地理信息的兴趣点推荐模型,称为SIGFM。首先利用潜在迪利克雷分配(Laten Dirichlet Allocation,LDA)模型挖掘用户相关兴趣特征并进行相似性度量,利用Louvain Community Detection(LCD)算法与用户签到数据进行相似性度量,使两种相似度相融合;然后使用地理信息获取用户的签到特征;最后将融合相似度和地理信息结合到一起获得一个新的模型。在真实数据集上的实验结果表明,SIGFM模型有效解决了数据稀疏性与冷启动问题,优于其他POIs的推荐算法。

基于兴趣点(POI)数据的地铁站周边商业空间活力分级与耦合性研究——以天津市中心城区为例

地铁站周边商业空间分布与活力分级有着特殊的内在特征,基于兴趣点(POI)数据分析对地铁站周边商业活力兴趣点进行分类,构建地铁站与商业空间活力的耦合协调度模型,分析两者之间的内在耦合协调规律,为地铁站周边商业空间活力的提升及地铁站的科学合理布局提供技术支持。

初中生学习地理的兴趣点研究

提高学生学习地理兴趣；须创建和谐的师生关系；实施网络教学；用知识竞赛激活地理课堂；活用各种趣味语言。

地理分层结构与社会关系的兴趣点推荐

随着基于地理位置的社交网络的兴起,兴趣点(POI)推荐引起了人们的许多关注。POI推荐向用户推荐他们可能感兴趣但没有访问过的地方,从而解决用户“下一步去哪”的问题。本文提出新的用户相似性度量、全局影响力以及热门POI的概念。综合考虑了多个影响因素之间的关系,以地理分层结构的矩阵分解模型(HGMF)为基础,提出新的POI推荐算法HGS-MF。在Yelp和Gowalla社交网络数据集上对HGS-MF进行了评估。实验结果表明,HGS-MF方法的实验表现均优于传统的POI推荐算法。

兴趣点亮地理课堂

托尔斯泰曾经说过：“成功的教学所需要的不是强制，而是激发学生的学习兴趣。”学生只有在一个友好、愉悦、轻松、互助的课堂气氛中，才会产生强烈的学习愿望，才会有学习的主动性和积极性。可见，兴趣是推动学生学习的内在动力，也是学生学好知识和培养能力的重要支点。如何才能培养中学生的地理学习兴趣呢？

基于潜在兴趣和地理因素的个性化兴趣点推荐研究

兴趣点推荐是基于位置的社交网络(LBSN)中一个重要的个性化服务。由于用户数据的稀疏性,该研究面临着严重的冷启动问题。为了应对这一挑战,提出一个能够利用情景信息来缓解冷启动,提高推荐效率的框架。首先,使用情境信息(空间信息、时间信息、社交信息)来为目标用户定义相关用户;其次,利用相关用户的历史签到数据,使用该算法学习目标用户的潜在兴趣,缓解签到矩阵的稀疏性。接着,把地理信息和矩阵分解的结果融合,最后完成对用户的推荐。

地理教学生活化 激发课堂“兴趣点”

针对当前高中阶段学生存在对地理学习热情不高的现象, 地理教学生活化对激发学生学习地理兴趣有一定现实意义.本文旨在阐明地理教学生活化的实践意义, 并对地理教学生活化进行了几点探索.