基于时空数据挖掘的位置预测与服务推荐研究

摘要

随着基于位置的服务和社交网络的快速发展，基于位置的社交网络(Location Based SocialNetwork，LBSN)平台得到了广泛的关注，用户可以在LBSN平台上对当前所在位置进行签到并和好友分享签到信息。基于位置的社交网络平台每天产生大量的用户移动行为数据，这种大规模数据为研究位置预测与个性化服务推荐问题提供了数据基础，同时位置预测和推荐服务也优化了平台的用户体验。
　　现有的相关研究大多单纯地基于用户的历史位置信息，对LBSN下用户移动的时序性和社交性考量有限，导致存在特征单一、准确度不高等问题，针对此问题，本文采用基于时空数据挖掘的方法开展LBSN下的位置预测与服务推荐研究。论文的主要工作包括:
　　数据集的预处理和分析。对真实的数据集进行一系列的统计处理，从空间、时间、社交等多角度挖掘用户行为的特征及规律，分析影响用户移动和社交的重要因素。此外，利用停留点探测和地点聚类算法，完成位置信息抽象处理过程，为模型构建和相似度量设计提供数据支撑。
　　提出了基于带时间特征的n阶Markov模型(n-TMM)，该模型在移动Markov的基础上加入时间特征，构建状态转移矩阵以归纳用户移动规律，兼顾空间因素和时间因素对用户移动行为的影响。在此基础上开展位置预测研究实验，分析所用方法的有效性。
　　设计了一种融合位置序列相似和好友相似的混合相似度量，该度量综合考虑了位置时序和社交关系，并且应用于朋友推荐和地点推荐研究。在实验评估中通过和基准相似的效果对比，表明该方法改善了特征单一的问题，能够取得更好的推荐效果。

目录

声明

摘要

图目录

表目录

第一章 绪论

1．1 研究背景及意义

1．2 论文研究目标与主要工作

1．3 论文组织结构

1．4 本章小结

第二章 相关研究工作

2．1 位置预测方法

2．1．1 线性回归模型

2．1．2 基于神经网络的预测

2．1．3 基于Markov模型的位置预测

2．1．4 基于频繁轨迹的位置预测

2．2 基于历史位置的服务推荐

2．2．1 基于历史位置的用户相似度量

2．2．2 LBSN中的朋友推荐和地点推荐

2．3 本章小结

第三章 数据集的处理和分析

3．1 实验数据集

3．1．1 轨迹数据集

3．1．2 签到数据集

3．2 数据处理和过滤

3．3 数据分析

3．3．1 轨迹数据特征分析

3．3．2 签到数据特征分析

3．4 本章小结

第四章 基于时空数据挖掘的位置预测研究

4．1 体系框架及概述

4．2 位置信息抽象化处理

4．2．1 停留点探测

4．2．2 基于层次的停留点聚类

4．3 基于带时间特征的Markov模型的位置预测

4．3．1 带时间特征的n阶Markov模型

4．3．2 基于n-TMM的位置预测

4．4 实验及结果分析

4．4．1 实验环境及设置

4．4．2 评价指标

4．4．3 数据集的划分

4．4．4 预测效果对比

4．5 本章小结

第五章 基于时空数据挖掘的服务推荐研究

5．1 研究流程及概述

5．2 基于时空数据挖掘的用户相似度量设计

5．2．1 相似序列及匹配

5．2．2 序列相似度量

5．2．3 好友相似度量

5．2．4 混合相似度量

5．3 基于混合相似度的服务推荐

5．3．1 基于混合相似度的朋友推荐

5．3．2 基于用户的混合相似协同过滤的地点推荐

5．4 实验评估

5．4．1 实验环境及设置

5．4．2 数据集及评价标准

5．4．3 朋友推荐评估

5．4．4 地点推荐评估

5．5 本章小结

第六章 总结与展望

6．1 工作总结

6．2 未来展望

致谢

硕士期间发表论文

参考文献