基于位置社会网络的双重细粒度兴趣点推荐

兴趣点推荐是在基于位置社会网络(location-based social network,LBSN)中流行起来的一种全新形式的推荐.利用LBSN所包含的丰富信息进行个性化推荐能有效增强用户体验和提高用户对LBSN的依赖度.针对无显示用户偏好、兴趣非一致性和数据稀疏性等挑战性问题,研究一种针对LBSN的双重细粒度POI推荐策略,即一方面将用户的全部历史签到信息以小时为单位细分为24个时间段,另一方面将每个POI细分为多个潜在主题及其分布,同时利用用户的历史签到信息和评论信息挖掘出用户在不同时间段的主题偏好,以实现POI的Top-N推荐.为实现该推荐思路,首先,根据用户的评论信息,运用LDA模型提取出每个POI的主题分布;然后,对于每个用户,将其签到信息划分到24个时间段中,通过连接相应的POI主题分布映射出用户在不同时间段对每个主题的兴趣偏好.为解决数据稀疏问题,运用高阶奇异值分解算法对用户-主题-时间三阶张量进行分解,获取用户在每个时间段对每个主题更为准确的兴趣评分.在真实数据集上进行了性能测试,结果表明所提出的推荐策略具有较好的推荐效果.

基于位置的社会网络中面向时序特征的兴趣点推荐算法

兴趣点推荐是基于位置的社会网络的重要研究内容之一。传统的兴趣点推荐算法或者应用基本的协同过滤方法,或者在基本的协同过滤算法中引入空间特征,而没有充分发掘时序特征对推荐算法的重要性。为了进一步提高兴趣点推荐算法的性能,提出了一种面向时序特征的兴趣点推荐算法。给出了基本的基于用户的协同过滤方法,分别描述了时间特征和空间特征的作用,并给出了相应的模型表示方法;将时间特征和空间特征进行融合,提出了一种联合推荐算法。实验表明,提出的算法与其他相关算法相比,准确率和召回率显著提高,因此更适合兴趣点的推荐服务。

基于位置的社会化网络推荐技术研究进展

随着移动互联网技术、定位技术和无线传感技术的飞速发展以及智能手机的不断普及,基于位置的社会化网络及其带来的应用服务应运而生并得到了迅速的发展.位置数据弥合了物理世界和数字世界之间的鸿沟,使得人们能够更深入地了解用户的偏好和行为.针对用户的兴趣所在,为用户提供基于位置的个性化推荐服务,已成为当前基于位置的社会化网络的一项重要服务,得到工业界和学术界的广泛重视,正成为推荐系统和社会化网络研究领域的一个新的研究热点.从推荐对象、推荐方法和评价方法3个方面对基于位置的社会化网络推荐技术进行概括、比较与分析;在此基础上,对这一研究领域未来可能的研究方向进行了总结与展望.

基于社会化网络的长期搭乘共享个性化推荐方法

在汽车、住宿等服务行业中,与共享服务配套的个性化推荐方法的研究不足,降低了用户体检。以搭乘共享问题为例,考虑位置、社交、费用三方面因素,提出URLP(Users Recommendation Based on LBSNs and Payment)方法为用户推荐长期合作对象。该方法首先基于用户行为矩阵计算车主与乘客的位置相似度,其次通过历史交易数据学习建立基于位置的社交信任网络,然后根据近期交易记录拟合用户的车费偏好函数,最后综合三类因素的影响自适应地产生推荐列表。实验结果表明URLP方法具有良好的准确率。虽然URLP方法以汽车共享为例提出,但方法同样可被应用于众包快递和配送等领域。

一种社会网络用户身份特征识别方法

社会网络是现代信息社会重要的组成部分.社会网络用户身份不透明、不可见的特性带来一系列社会安全问题.提出了一种社会网络身份特征识别方法,分别利用基于位置的社会网络和社交关系进行社会网络用户的身份特征识别,融合2种识别结果推测社会网络用户真实身份.提出了一种基于位置的社会网络用户身份识别方法,通过计算中文分词和二元组分词的基本匹配权重和完全匹配权重得到近似度权重,并用它衡量实体为用户所属实体的可能性;通过实体名称聚合算法,对近似度权重计算结果进行优化.根据好友之间倾向于拥有相似的身份特征和相同的兴趣爱好的观察,提出了一种基于社交关系的多数投票的身份识别方法,对社交关系中的用户身份特征进行统计,推测当前用户的地址信息、实体信息和用户兴趣.基于微博数据,进行了样本数为1 000名用户和10 000名用户的2组实验,涵盖了超过250万条社交关系.实验结果表明,提出的虚实映射方法有很高的准确率和覆盖率,与现有方法相比,该方法着眼于推测个人用户细粒度的身份特征,具有较高的实际应用价值.

多因素融合的个性化位置推荐算法

位置推荐中影响推荐结果的主要因素有地理位置、个人爱好、社会关系以及时间周期,为有效融合4个影响因素并进行个性化位置推荐,针对每个因素构建对应的选择概率模型,并分析各因素对用户选择的影响力,在此基础上,提出一种启发式推荐算法。实验结果表明,与传统的基于位置的推荐算法相比,该算法性能更好,推荐的结果更能被用户所接受。

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。

基于GPS轨迹挖掘的兴趣地点个性化推荐方法

随着全球定位系统(GPS)等定位设备的普及,用户可方便地记录其GPS轨迹,这使得自动从用户的GPS轨迹中发现兴趣地点(POI)(如餐厅、商场、景点)并在用户之间进行推荐成为可能。因此,本文提出了一种基于GPS轨迹挖掘的兴趣地点个性化推荐方法。该方法与现有主流的兴趣地点推荐平台具有以下不同:首先,现有平台假设兴趣地点是事先已知的,而该方法通过一个层次化聚类算法从用户GPS轨迹中自动挖掘兴趣地点。其次,现有平台的推荐模式为平台向用户推荐,因此仅考虑了用户的偏好,忽略了用户之间的社交关联对推荐效果的影响。针对此问题,该方法基于用户交叠访问行为计算用户之间的社交信任度,基于用户访问行为的相似性计算其对兴趣地点偏好的相似度,在此基础上提出了一种能够融合用户信任度和相似度的评分算法。文本基于真实GPS轨迹数据对提出的方法进行了评测,实验结果表明,本文所提方法的综合推荐性能明显优于简单的基于访问数量的推荐方法、仅基于用户信任度的推荐方法及仅基于偏好相似度的推荐方法。