基于位置的社會網(wǎng)絡(luò)中多因素感知POI推薦策略.pdf

1、興趣點(point-of-interest，POI)推薦是在基于位置的社會網(wǎng)絡(luò)(location-based socialnetwork，LBSN)中的一種全新形式的推薦。利用LBSN所包含的豐富信息進(jìn)行個性化推薦能有效增強用戶體驗和提高用戶對LBSN的依賴度。相較于傳統(tǒng)社會網(wǎng)絡(luò)中的推薦系統(tǒng)，基于位置的社會網(wǎng)絡(luò)中的興趣點推薦存在無顯式用戶偏好、興趣非一致性、數(shù)據(jù)稀疏性等挑戰(zhàn)性問題，并已成為當(dāng)前研究熱點。本文首先從基本推薦算法和興趣點推薦

2、兩個角度介紹相關(guān)推薦技術(shù)以及其研究現(xiàn)狀，指出其存在的不足。然后，著重研究興趣點的靜態(tài)推薦策略和實時推薦策略。
　　針對興趣點靜態(tài)推薦，提出了一種針對LBSN的時間-主題感知興趣點推薦策略，即一方面將用戶的全部歷史簽到信息以小時為單位細(xì)分為24個時間段，另一方面將每個興趣點細(xì)分為多個潛在主題及其分布，同時利用用戶的歷史簽到信息和評論信息挖掘出用戶在不同時間段的主題偏好，以實現(xiàn)興趣點的Top-N推薦。為實現(xiàn)該推薦思路，首先，根據(jù)用戶的

3、評論信息，運用LDA(latent Dirichlet allocation)模型提取出每個興趣點的主題分布。然后，對于每個用戶，將其簽到信息劃分到24個時間段中，通過連接相應(yīng)的興趣點-主題分布映射出用戶在不同時間段對每個主題的興趣偏好。為解決數(shù)據(jù)稀疏問題，運用高階奇異值分解算法對用戶-主題-時間三階張量進(jìn)行分解，獲取用戶在每個時間段對每個主題更為準(zhǔn)確的興趣評分。在真實數(shù)據(jù)集上進(jìn)行了性能測試，結(jié)果表明所提出的推薦策略具有較好的推薦效果。

4、
　　針對興趣點實時推薦，提出了一種感知當(dāng)前時間和當(dāng)前地點的實時推薦策略。該策略融合具有時間感知的用戶特征、興趣點特征、用戶個性化的地點轉(zhuǎn)移偏好和LBSN中整體的興趣點轉(zhuǎn)移等影響因素，準(zhǔn)確感知用戶在當(dāng)前時間和當(dāng)前地點的興趣偏好。為實現(xiàn)該推薦思路，首先，通過矩陣分解得到不同時間段的用戶特征矩陣和興趣點特征矩陣，獲取用戶具有時間感知的初始興趣偏好;其次，通過LT模型構(gòu)建不同時間段下用戶個性化興趣點轉(zhuǎn)移矩陣和整體興趣點轉(zhuǎn)移矩陣，獲取各個