没有合适的资源?快使用搜索试试~ 我知道了~
基于位置社交网络的兴趣点推荐系统研究综述.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 123 浏览量
2022-11-28
20:29:40
上传
评论
收藏 387KB DOCX 举报
温馨提示
试读
32页
基于位置社交网络的兴趣点推荐系统研究综述.docx
资源推荐
资源详情
资源评论
继在线社交网络发展和应用之后,移动社交网络成为新的发展方向,尤其是
多样化的移动位置签到与共享等功能的不断普及。在此背景下,社交网络与位
置 服 务 不 断 融 合 , 助 推 了 基 于 位 置 社 交 网 络 ( location-based social
network,LBSN)的兴起
[1]
,如 Foursquare 和 Yelp。LBSN 利用用户的签到功能,
有机地将线上和线下世界结合起来,提供用户位置定位功能的同时,还实现了位
置信息在社交网络平台的共享,进而衍生出多样化的位置服务。推荐系统作为
有效处理“信息过载”问题的重要工具
[2]
,旨在依据用户的个性化需求为用户推荐
可能感兴趣的商品,其在位置服务领域的应用受到广泛关注。
近年来,将推荐系统应用到位置社交网络中,出现了诸多基于位置的推荐服
务。其 中,兴趣 点( point of interest,POI)推荐受到了众 多 学者的关注。兴趣
点是指用户签到的地点,如商场、学校等。兴趣点推荐能有效缓解位置信息过
载问 题,进而 提升用户的个性化体验,同时有 助于商家挖掘潜在的 客户,提高商
家的商业效益。为此,兴趣点推荐成为基于位置社交网络中的一项重要服务,是
位置社交网络和推荐系统领域核心的研究方向之一。
LBSN 中蕴含着海量信息,兴趣点推荐主要利用用户历史签到记录及辅助
信息从大量地点中为用户推荐心仪的地点。然而,兴趣点推荐是一项颇有挑战
性的内容,用户的偏好受到多种因素的影响,这些影响推荐的因素类型繁多且复
杂,传统的推荐方法难以有效构建用户的偏好模型,因此有必要充分发掘新的推
荐方法,以适应兴趣点推荐服务的发展。同时,为了评估推荐算法的有效性,对推
荐效果的评估与跟踪也是兴趣点推荐的重要研究内容。
根据以上的目标,本文在了解兴趣点推荐的基本概念与框架的基础上,从兴
趣点推荐系统的研究中总结了三个核心问题:首先是分析影响兴趣点推荐的因
素,即明确影响用户对兴趣点偏好的因素有哪些。本文归纳为用户自身的偏好、
地理位置、社交关系、时间信息、内容信息与流行度。其次是探索现有的兴趣
点推荐算法,即兴趣点推荐采用何种方法来建模用户对兴趣点的偏好,以构建合
理高效的推荐模型。本文总结分析了基于矩阵分解算法的推荐、基于图嵌入的
推荐与基于深度学习的推荐这三种方法的应用与发展。最后是算法的评价模块,
即评估算法的性能与有效性。本文归纳了目前流行的几种预测指标及排序指标,
并分析其应用情况。
为了更系统地了解兴趣点推荐的研究理论、现状、挑战和发展趋势,本文
基于上述三个核心问题对国内外近年来相关的研究成果进行了梳理与解读。首
先对兴趣点推荐系统的概念、与传统推荐的区别及基本框架进行了概述;其次
在了解理论背景的基础上,总结归纳了影响兴趣点推荐的常见因素,从各个影响
因素的角度分析兴趣点推荐的现状;然后阐述对比了现有的兴趣点推荐算法,并
对代表性的工作进行了深入分析;根据兴趣点推荐的现状,重点对面临的问题和
潜在的方向进行了概述;最后进行总结与展望,为兴趣点推荐系统后续的相关研
究提供借鉴与参考,从而推动我国个性化推荐服务行业的进一步发展。
1 兴 趣点推 荐系 统概述
移动社交网络的广泛普及,涌现了大量的位置服务功能,将推荐系统应用到
位置服务,促进了基于位置社交网络的兴趣点推荐系统的发展。兴趣点推荐系
统一般包含了用户集合 U={u1,u2,…,um}和兴趣点集合 L={l1,l2,…,ln},m 和 n
分别表示用户和兴趣点的个数。其中,每个兴趣点附带坐标属性,可用<经度,纬
度>表示兴趣点的坐标位置。用户 u 对兴趣点的签到记录表示为 Lu,将用户的
签到记录转换为用户-兴趣点交互矩阵 R,R 中的每个元素 Rui 表示了用户 u 对
兴趣点 i 的签到次数,签到次数反映了用户的偏好。据此,基于位置的社交网络
图可描绘如图 1 所示。
图 1
图 1 基于位置的社交网络图
Fig.1 Location-based social network
兴趣点推荐作为传统在线推荐(如电影、图书和新闻推荐系统等)在社交
网络领域的延伸,不仅能帮助用户维系现实世界中的社交关系,还能为用户提供
个性化的服务。为了进一步理解兴趣点推荐系统,以下将对其与传统推荐系统
的区别及基本框架进行分析与总结。
1.1 传 统 推 荐 系 统
传统推荐系统主要通过分析用户与项目间的 二元关系
[3]
,利用评分信息构
建 用 户 对 项 目 的 偏 好 模 型 , 以 挖 掘 用 户 感 兴 趣 的 项 目 。 通 常 利 用
U={u1,u2,…,um}表示用 户 集,m 表示用 户 的个数 ,利用 I={i1,i2,…,in}表示项目
集,n 表示项目的个数。用户与项目的关系如图 2(a)所示,若用户对项目进行
评分,则以连线的方式表示它们之间的交互。同时,将图 2(a)的交互关系转化
为图 2(b)的用户-项目评分矩阵,矩阵中的元素为用户 u 对项目 i 的评分,空值
表示用户未对此项目进行评分。在现实生活中,实际存在着海量的用户和项目
数,而用户评分的项目个数较有限,因此用户-项目评分矩阵极其稀疏,面临严重
的数据稀疏问题,如何缓解稀疏问题以提高推荐性能是传统推荐系统的挑战之
一。
图 2
图 2 用户交互数据
Fig.2 Users interaction data
在推荐系统中,推荐算法作为核心的技术,其性能的高低决定了推荐的效果。
传统的推荐方法主要分为协同过滤推荐(collaborative filtering,CF)、基于内
容的推荐(content-based)和混合推荐(hybrid),具体分类如图 3 所示。以
下对三种推荐方法的内容及应用进行介绍。
图 3
图 3 推荐算法分类
Fig.3 Category of recommendation algorithms
(1)协同过滤推荐
协同过滤算法作为推荐系统领域中最基础的方法
[4⇓ -6]
,主要利用用户-项目
的历史评分数据来找出相似用户或项目。该算法主要分为基于内存的方法
[4-5]
和
基于模型的方法
[6]
。基于内存的方法可进一步分为基于用户的协同过滤
[4]
和基
于项目的协同过滤
[5]
,如图 3 所示。其中,基于用户的协同过滤认为具有相似偏
好的用户具有相同的兴趣,基于项目的协同过滤则认为用户倾向于喜欢其之前
感兴趣项目的相似项目,两者都是基于评分数据的推荐。另外,基于模型的方法
主要采用机器学习(如矩阵分解算法、深度学习技术等)和数据挖掘技术(如
聚类及分类算法等),通过评分矩阵数据不断训练得到模型参数,并建立相关的
推荐模型,以预测用户的兴趣偏好。
在最早的推荐工作中,协同过滤算法常用来做评分预测。在兴趣点推荐领
域,已有的研究
[7-8]
主要将情景信息融入协同过滤算法中。文献[7]将地理和社会
信息嵌入基于用户的协同过滤框架中,预测用户的潜在偏好。文献[8]考虑实时
推荐问题,将时间纳入协同过滤算法中,描述用户的时间偏好。因此,协同过滤算
法由于模型的构建相对简单且易实现而得到了广泛应用。但算法本身极易遭受
数据 稀疏的影响,同时还存在冷启动问题,若单纯采用协同过滤算 法,可能 导致
较低的推荐准确率。
(2)基于内容的推荐
基于内 容的推荐方法的基本思想主要是推 荐 用户与之前喜欢项目的类似
项目
[9]
。首先分析用户的显隐性特征及相关文本信息,挖掘出与用户偏好有关的
标签及项目的属性,接着度量项目间的相似性,将用户偏好的项目与其他项目的
相似性排序,向用户推荐其潜在感兴趣的项目。该方法不需要评分记录,可有效
解决协同过滤算法的冷启动问题,但推荐系统中可用的属性信息极为有限,具有
一定的局限性。
(3)混合推荐
为了克服上述两种方法的不足,出现了混合推荐策略。该方法主要将多种
推荐算法融合,通过引入辅助信息来缓解数据稀疏和冷启动问题,进而改善推荐
的准确率。文献[10-11]融合了基于协同过滤和基于内容的方法进行推荐。Guo
等人
[12]
将协同过滤方法结合其他技术实现位置的推荐。Yuan 等人
[8]
将时间分别
融入协同过滤和矩阵分解框架中,采用混合推荐的方式实现兴趣点的动态推荐。
剩余31页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3673
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 基于神经网络的虚假评论识别系统(Python源码+文档资料+数据集+代码流程说明文档+详细注释)
- 科大讯飞开发者大赛锂离子电池生产参数调控及生产温度预测挑战赛记录python源码
- 基于Python通过神经网络训练锂离子电池使用相关数据,预测电池当前最大容量+源代码+文档说明(毕业设计)
- 2023年创新组赛题一:基于数据驱动的动力电池健康状态评估与剩余寿命预测python源码+文档说明+全部数据
- indexcss.css
- 汇客数据权限,测试文件上传
- Proteus Professional 8.17
- kubesphere v3.4.1 离线包制作和离线安装
- VSPD虚拟串口软件安装包
- Screenshot_2024-05-28-00-57-02-304_net.csdn.csdnplus.jpg
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功