基于時效地理圈和社交圈的興趣點推薦研究.pdf

1、信息時代社交網(wǎng)絡(luò)飛速發(fā)展，逐漸成為了人們生活不可或缺的一部分，加上全球定位系統(tǒng)（GPS）的廣泛應(yīng)用和用戶對于興趣點（point ofinterest）分享的需求，基于位置的社交網(wǎng)絡(luò)（Location-based Social Network,簡稱LBSN）應(yīng)運而生了。LBSN吸引了成千上萬用戶注冊使用，因此在LBSN站點上積累了海量的社交數(shù)據(jù)和時空信息，這為興趣點推薦提供了很好的數(shù)據(jù)支撐。
　　通過對LBSN數(shù)據(jù)探索，我們發(fā)現(xiàn)用戶

2、的社會活動具有時效性，時效性分別體現(xiàn)在：簽到頻率、簽到主題和社交影響，并且用戶的活動決策受到地理因素和社交因素的影響。綜上所訴，我們在論文中進行以下四點探索：
　　（1）對用戶的簽到數(shù)據(jù)和社交數(shù)據(jù)進行四部分的數(shù)據(jù)分析，得出了用戶在簽到行為中表現(xiàn)出明顯的時效性的結(jié)論，根據(jù)此結(jié)論將原始地理圈和社交圈劃分為時效的地理圈和社交圈。
　?。?）對以時效性的地理因素圈和社交圈為基礎(chǔ)對多種地理和社交因素進一步的探索，包括：個性化偏好、距離

3、親近度、主題相似度、偏好相似度、權(quán)威度以及親密度。論文根據(jù)相關(guān)研究結(jié)論和LBSN的時空和社交數(shù)據(jù)，得到了對以上因素提出科學(xué)合理的計算方法。
　?。?）提出興趣點推薦模型GSTS（Geographical，Social,Temporal and Spatial），在模型構(gòu)建一共分為三步：矩陣拆解、矩陣分解和矩陣歸并。首先根據(jù)時效區(qū)進行矩陣拆解，分為24個子矩陣。接著論文利用矩陣分解技術(shù)將用戶-興趣點簽到矩陣分解為用戶隱特征矩陣和興趣

4、點隱特征矩陣，具體的，將分解過程轉(zhuǎn)化為優(yōu)化過程，構(gòu)造包含地理和社交因素的目標(biāo)函數(shù)，使得分解的結(jié)果是符合地理和社交因素約束的結(jié)果。矩陣分解技術(shù)已經(jīng)被廣泛應(yīng)用在推薦領(lǐng)域，并且推薦的結(jié)果證明了其提升了推薦性能。然后利用矩陣相乘得到最終的興趣點預(yù)測矩陣，最后使用多種矩陣歸并方法進行多時效區(qū)的興趣點推薦。
　?。?）在最后進行實現(xiàn)部分，基于LBSN真實數(shù)據(jù)集Foursquare進行實驗，并采用準(zhǔn)確率和召回率作為推薦系統(tǒng)性能的評價標(biāo)準(zhǔn)，實驗分