基于主题模型的兴趣点推荐方法研究与实现

摘要

随着移动设备，全球定位系统和Web2.0技术的快速进步和完善，基于位置的社交网络(LBSNs)吸引了大量的用户分享签到信息，包括位置信息，用户评论和经验分享等。因为网络时代的快速发展，信息的爆发式增长，传统推荐用来解决个性化信息过滤问题创造了巨大的收益，同样的，兴趣点(POIs)推荐这个切时的课题同样在LBSNs中扮演着重要的角色。它不仅能够帮助用户发现新的POIs，也可以帮助兴趣点运营商在平台发布有关POIs的位置已知的广告。大部分现有的兴趣点推荐技术仅使用了LBSNs中用户的签到数据，通过假设用户的签到频率直接反映其对POI的偏好程度来学习他们对兴趣点的偏好。虽然GeoMF(geo matrix factorization)可以很好的利用矩阵因子分解(MF)的方法将地理位置的影响因素进行模型化，但是GeoMF忽略了评论文本对于用户对兴趣点的偏好程度的影响。所以我们通过把地理位置信息添加进矩阵因子分解式中来将签到次数和地理位置信息结合起来，此外在MF中我们将评论文本作为潜在的签到次数，这样做可以更好的反应用户在一个兴趣点签到的次数。我们以现实生活中的数据作为实验数据，实验结果显示，我们这种兴趣点推荐模型可以显著提高推荐的性能和精确度。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 兴趣点推荐概述

1．3 兴趣点推荐特点

1．4 本文的主要工作和创新点

1．5 论文的组织安排

第二章 相关技术介绍及问题描述

2．1 技术介绍

2．1．1 传统推荐方法

2．1．2 只利用签到数据的兴趣点推荐

2．1．3 LDA主题模型

2．1．4 GeoMF：融合地理信息到矩阵分解中

2．1．5 TopicMF：融合评论信息到矩阵分解中

2．2 问题描述

2．3 本章小结

第三章 Topical(CTR)-GeoMF模型

3．1 推荐模型

3．2 参数估计

3．3 本章小结

第四章 Topical(HFT)-GeoMF推荐模型

4．1 推荐模型

4．2 参数估计

4．3 本章小结

第五章 兴趣点推荐方法仿真实验与结果分析

5．1 真实公开的数据集

5．2 性能指标

5．3 实验结果和分析

5．3．1 召回率和精确度分析

5．3．2 对于参数K和μ的敏感性分析

5．4 本章小结

第六章 结论与展望

6．1 本文总结

6．2 存在不足和对未来工作展望

参考文献

攻读硕士学位期间发表的论文

致谢