LBSN中基于行为分析的用户位置预测

摘要

近年来，随着移动终端定位技术和移动互联网技术的快速发展，基于位置的社交网络(LBSN，Location-Based Social Networks)平台取得了巨大的成功。LBSN通过位置特征将虚拟社交空间和现实行为空间连接起来，融合了线上关系与线下行为，使得从各种交互关系和行为轨迹中探知到更本质的群体和个体行为规律成为可能。LBSN中海量的用户签到数据为研究研究位置预测问题提供了数据基础，同时，良好的位置预测算法也为平台带来良好的用户体验，并能够产生巨大的社会和经济效益。
　　当前LBSN对用户将来签到位置的预测的研究主要集中于对用户即将签到的位置预测，这种预测算法只能预测当前访问位置的下一个位置，实际上是一种实时位置预测，这使得这种位置预测算法的应用场景受到限制，对于用户在较远将来的签到位置预测成为位置预测领域亟待解决的问题。基于此，本文提出了给定将来时间的用户签到位置预测问题。
　　针对这个问题，本文首先从时间周期性、签到位置的空间分布、用户的社交关系三个方面入手，在位置点和位置类别两个层面上对可能影响用户在给定将来时间的签到因素进行分析与挖掘，基于此，进行了影响用户签到行为的多维混合特征建模和特征量化，最后提出了基于多维混合特征的位置预测算法(LPMMF)。基于以上算法的研究成果，本文设计并实现了LBSN中基于行为分析的用户位置预测系统。
　　为了验证本文提出算法的性能，并分析本文算法的各个特征的有效性，本文在Foursquare纽约用户签到数据集中对本文的算法进行了实验验证。实验数据表明本文引入的特征都是有效的，其中用户对于位置点的签到时间周期和用户对位置点的签到偏好有较强的作用。对比实验显示了算法的预测效果，证明了本文提出的位置预测算法相对于相关算法有更加良好的效果。

目录

声明

摘要

第一章 绪论

1．1 研究背景与问题

1．2 国内外研究现状

1．3 本文的主要工作

1．4 论文的组织结构

第二章 相关理论知识概述

2．1 LBSN

2．1．1 LBSN简介

2．1．2 基于位置的异构网络模型

2．2 LBSN的社交网络属性

2．2．1 六度分隔理论

2．2．2 无标度特性

2．3 LBSN中用户数据的特点

2．4 LBSN中的研究方向

2．5 本章小结

第三章 数据集的获取与预处理

3．1 数据源选择与介绍

3．2 数据内容

3．3 数据获取及处理

3．4 数据分析

3．5 本章小结

第四章 用户签到行为分析

4．1 时间周期性分析

4．2 空间因素分析

4．2．1 签到位置空间聚簇性分析

4．2．2 签到中心home的发现方法

4．3 社交因素分析

4．4 本章小结

第五章 基于多维混合特征的位置预测算法

5．1 多维特征建模及特征量化

5．1．1 时间相关的特征的提取

5．1．2 空间相关特征的提取

5．1．3 社交关系相关特征的提取

5．1．4 用户偏好特征的提取及特征归一化

5．2 基于多维混合特征的位置预测算法

5．3 基于多维混合特征的位置预测系统框架

5．4 实验设计与结果分析

5．4．1 实验环境

5．4．2 训练集合测试集的划分

5．4．3 算法评价标准

5．4．4 实验设计

5．4．5 实验结果及分析

5．5 本章小结

第六章 原型系统实现

6．1 原型系统整体架构

6．2 开发环境

6．3 原型系统实现

6．3．1 数据库设计

6．3．2 Google Map接口

6．3．3 可视化模块

6．4 本章小结

第七章 总结与展望

7．1 研究工作总结

7．2 研究工作展望

致谢

参考文献