融合上下文信息的位置社交網(wǎng)絡(luò)興趣點(diǎn)推薦算法

《融合上下文信息的位置社交網(wǎng)絡(luò)興趣點(diǎn)推薦算法》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、分類號ＴＰ３１］密級ＵＤＣ編號１０４８６博士學(xué)位論文融合上下文信息的位置社交網(wǎng)絡(luò)興趣點(diǎn)推薦算法研究生姓名：高榕指導(dǎo)教師姓名、職稱：李晶教授專業(yè)名稱：軟件丁程研宄方向：數(shù)據(jù)挖掘二〇一八年三月ＡＤｉｓｓｅｒｔａｔｉｏｎＳｕｂｍｉｔｔｅｄｔｏＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ－Ｐｏ－ｉｎｔｏｆＩｎｔｅｒｅｓｔＲｅｃｏｍｍｅｎｄａｔｉｏｎＡｌｏｇｒｉｔｈｍｓＣｏｍｂ－ｉｎｇＣｏｎｔｅｘｔｉｎＬｏｃａｔｉｏｎｂａｓｅｄＳｃｏｉａｌＮｅｔｗｏｒｋＢｙＧ

2、ａｏＲｏｎｇＵｎｄｅｒｔｈｅＳｕｐｅｒｖｉｓｉｏｎｏｆＰｒｏｆｅｓｓｏｒＬｉＪｉｎｇ龜ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅＭａｒｃｈ２０１８，論文原創(chuàng)性聲明本人鄭重聲明：所呈交的學(xué)位論文，是本人在導(dǎo)師指導(dǎo)下，獨(dú)立進(jìn)行研究工作所取得的研究成果。除文中己經(jīng)標(biāo)明引用的內(nèi)容外，本論文不包含任何其他個人或集體已發(fā)表或撰寫的研宄成果。對本章的研究做出貢獻(xiàn)的個人和集體，均已在文中以明確方式標(biāo)明。本聲明的法律結(jié)果由本人承擔(dān)。學(xué)位論文作者：（簽名）年月曰７＾學(xué)位論文使用

3、授權(quán)書一（式兩份，此份交《中國博士學(xué)位論文全文數(shù)據(jù)庫》期刊社存檔）本論文作者完全了解學(xué)校關(guān)于保存、使用學(xué)位論文的管理辦法及規(guī)定，即學(xué)校有權(quán)保留并向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱，接受社會監(jiān)督。本人授權(quán)武漢大學(xué)可以將本學(xué)位論文的部分或全部內(nèi)容編入學(xué)校有關(guān)數(shù)據(jù)庫和收錄到《中國博士學(xué)位論文全文數(shù)據(jù)庫》進(jìn)行信息服務(wù)，也可以采用影印、縮印或掃描等復(fù)制手段保存或匯編位論文。ｆ一本論文提交０＾年／□年／□兩年／□三年以后，同意發(fā)布。一年以后同意發(fā)布若不選填則視為。注：保密學(xué)位論文，

4、在解密后適用于本授權(quán)書。作者簽名：為擦導(dǎo)師簽名：辦／方年爻月日＂武漢大學(xué)研究生學(xué)位論文作者信息論文題目ｉＴ嫌卜｜姓名為德學(xué)號祕ｔｏ冰才答辯日期如和／月之募論文級別博碩士口院丨系，所１專業(yè)｜｜聯(lián)系電話Ｅｍａｉｌ＿通信地址郵編：）（備注：４２論文創(chuàng)新點(diǎn)本文針對基于位置社交網(wǎng)絡(luò)興趣點(diǎn)推薦算法融合上下文信息過程中存在的多個問題進(jìn)行研宄，開展了基于不同類型上下文信息融合的研宄，并在融合多種上下文信息的過程中：，基于多種融合策略實(shí)現(xiàn)了推薦性能的提高。本文主要的創(chuàng)新點(diǎn)如下一

5、（１）本文提出種新的融合地理信息和社交信息的興趣點(diǎn)推薦算法。具體而言，對于地理信息法設(shè)計(jì)了一，該算種自適應(yīng)核寬的核函數(shù)密度估計(jì)方法來對興趣點(diǎn)地理信息進(jìn)行建模。該算法在基于核函數(shù)密度估計(jì)地理信息特征分布中自適應(yīng)選取核寬，有效地提高了用戶簽到行為地理距離分布估計(jì)的預(yù)測能力。對于社交信息，該算法基于ＲＢＦ核函數(shù)的ＳＶＲ模型進(jìn)行用戶顯式社交關(guān)系建模，同時基于ＳＶＤ＋＋模型融合用戶顯式和隱式社交信息，因而更好的擬合社交信息對于用戶的簽到行為影響。最后通過矩陣分解的方法融合地理信息和社交信息實(shí)現(xiàn)優(yōu)于其他主流興趣點(diǎn)推薦算法的性

6、能。（２）本文研宄融合地理信息、社交信息和評論文本信息用于興趣點(diǎn)推薦的問題，并提出了一種新的興趣點(diǎn)推薦算法。為了更好的從評論文本信息去挖掘用戶偏好，該算法“主題”基于矩陣分解模型建模評論文本，挖掘文本信息中的。然后，基于矩陣分解的方法實(shí)現(xiàn)了地理信息、社交信息和評論文本信息的有效融合。與其他主流先進(jìn)興趣點(diǎn)推薦算法相比，該算法使得最終的推薦性能在準(zhǔn)確率和召回率等多項(xiàng)評價指標(biāo)上都取得了顯著的提高。３一（）本文探索性研宄了將排序?qū)W習(xí)融入興趣點(diǎn)推薦中，并提出了種基于成對級排序?qū)W習(xí)方法融合地理信息和社交信息用于興趣點(diǎn)

7、推薦的算法。該算法基于貝葉斯成對排一序?qū)W習(xí)的思想提出個基于地理信息和社交信息聯(lián)合成對偏好假設(shè)，然后通過相關(guān)的地一－理信息社交信息反饋基于這個假設(shè)將興趣點(diǎn)推薦問題變成了個三級聯(lián)合排序問題，接著基于貝葉斯個性化排序優(yōu)化方法來實(shí)現(xiàn)推導(dǎo)與優(yōu)化，并學(xué)習(xí)相關(guān)參數(shù)。實(shí)驗(yàn)證明，該算法可以準(zhǔn)確基于用戶偏好實(shí)現(xiàn)對于未簽到興趣點(diǎn)的排序。一（４）本文研宄時間和社交信息如何影響興趣點(diǎn)推薦問題，提出了個新的時空社交協(xié)同排序推薦算法用于興趣點(diǎn)推薦。該算法深入分析興趣點(diǎn)推薦中影響用戶簽到行為的各個因素，將用戶的偏好基于各個影響因素分解為多維

8、張量，基于成對張量因式分解框架實(shí)現(xiàn)了細(xì)粒度建模時間、興趣點(diǎn)、用戶好友與用戶四者之間的相互作用用于興趣點(diǎn)推薦，進(jìn)而采用貝葉斯成對排序模型優(yōu)化張量分解的損失函數(shù)更好擬合用戶對于興趣點(diǎn)的一簽到。此外，