融合時空特征的興趣點推薦算法研究.pdf

1、隨著基于位置社交網(wǎng)絡(luò)的發(fā)展和信息過載問題的出現(xiàn)，使得興趣點推薦研究得到國內(nèi)外研究學(xué)者的廣泛關(guān)注?；谖恢蒙缃痪W(wǎng)絡(luò)中的興趣點推薦不僅可以幫助用戶有效地發(fā)現(xiàn)新地方，為用戶帶來全新的生活體驗，而且可以為興趣點商家吸引更多的潛在客戶，提高商家的商業(yè)利益。
　　為全面分析簽到數(shù)據(jù)的特征和提高興趣點推薦的精度，本文基于興趣點推薦問題對用戶簽到數(shù)據(jù)的統(tǒng)計特征進行分析，根據(jù)發(fā)現(xiàn)的簽到特征進行興趣點推薦算法的深入研究。
　　首先，提出了融合時

2、間特征和協(xié)同過濾的興趣點推薦算法。主要從用戶簽到數(shù)據(jù)的時間特征方面，對位置社交網(wǎng)絡(luò)中大量的用戶簽到數(shù)據(jù)進行分析，提取用戶簽到的相似性特征以及時間的差異性、連續(xù)性特征。在此基礎(chǔ)上，利用相似性特征進行用戶過濾，并采用基于連續(xù)時間槽的余弦相似度計算用戶間的相似度，得到融合時間特征和協(xié)同過濾的興趣點推薦算法。該算法采用連續(xù)時間槽的平滑技術(shù)解決數(shù)據(jù)稀疏問題。
　　然后，提出了融合二維空間特征和核密度估計的興趣點推薦算法。主要從用戶簽到數(shù)據(jù)的

3、空間特征方面，進一步分析用戶簽到數(shù)據(jù)，得到空間的流行度特征和用戶簽到位置歷史特征，發(fā)現(xiàn)利用二維空間特征對興趣點推薦更具有優(yōu)勢。因此，利用二維空間特征提出了基于流行度的二維高斯核密度估計，其中采用基于連續(xù)時間槽的興趣點流行度進行流行度評估。本文將上述兩種算法進行正規(guī)化處理并融合，得到融合時空特征的推薦算法。
　　最后，利用公開的Foursquare和Gowalla簽到數(shù)據(jù)集對以上算法做了驗證。實驗表明，與已有同類算法相比，本文提出的