基于共现图的兴趣点推荐算法研究

摘要

随着移动互联网和位置社交网络（Location-based Social Network，LBSN）的发展，兴趣点(Point-of-Interest，POI)推荐成为工业界和学术界热门的研究方向。虽然个性化的兴趣点推荐系统能够极大的方便用户的出行，然而兴趣点的推荐过程面临着许多的挑战，例如难以对用户的决策过程进行建模，以及数据稀疏性问题等。现有研究基本都是从用户角度出发对兴趣点的推荐问题进行建模，然而数据的稀疏性影响该种方法建模的效果。
　　针对这些问题和挑战，提出了基于共现图的兴趣点推荐算法（Point-of-Interest Recommendation Algorithm Based on Co-occurrence Graph，CoG）。地理位置因素和兴趣点之间的相似性被同时融合到CoG中对兴趣点的推荐问题进行建模。在相似性方面，基于用户访问的兴趣点之间存在着相似性这一观察，利用用户的签到信息构建兴趣点之间的共现图，并定义了共现图中节点间的两种相似性，进而推荐问题被转化为图中相似节点的搜索问题。兴趣点间的相似性被首次运用到POI推荐问题中，这使得推荐算法更强健，推荐结果更具解释性。针对地理位置因素，对每个用户的签到位置利用高斯核密度估计方法进行单独建模，其使得推荐更加个性化。
　　为了验证算法的有效性，在两个真实的位置社交网络数据集Foursquare和Gowalla中将CoG算法与已有相关的兴趣点推荐算法进行了多方面的对比，实验结果表明CoG算法的有效性。

目录

声明

1 绪 论

1.1 课题研究背景

1.2 课题研究的目的和意义

1.3 国内外研究现状

1.4 论文的主要研究内容

1.5 论文组织结构

2 位置社交网络规律探索

2.1 相关定义

2.2 推荐问题定义

2.3 LBSN网络规律探索

2.4 本章小结

3 基于共现图的兴趣点推荐算法

3.1 基于核密度的地理位置因素建模

3.2 基于共现图的推荐模型

3.3 基于共现图并融合地理位置的兴趣点推荐算法

3.4 与已有算法的区别

3.5 本章小结

4 实验与分析

4.1 实验环境及数据情况

4.2 实验评价度量

4.3基准方法

4.4 实验结果及分析

4.5 本章小结

5 总结与展望

5.1 论文总结

5.2 论文展望

致谢

参考文献

附录1 攻读硕士学位期间发表的论文

附录2 攻读硕士学位期间参与的项目

附录3 攻读硕士学位期间申请的专利