论文部分内容阅读
随着基于位置的社交网络的快速兴起,以及移动智能终端的广泛普及,用户可以在相关平台留下其访问足迹,分享其生活经历,其中不乏就餐信息相关数据。通过挖掘这些数据中隐含的用户偏好,向用户推荐其可能感兴趣的餐厅,为解决用户日益增长的就餐需求与餐厅薄弱的线下推广间的矛盾提供了机会。为此,本文展开了一系列的研究工作,具体如下:(1)基于位置信息改进的餐厅推荐算法。首先,引入核密度估计方法建立用户位置信息模型;然后,提出了一种基于地理影响和用户偏好特征的协同过滤推荐模型,通过对输入数据进行预处理,并改进相似度计算公式,提高了协同过滤算法的性能;最后,引用一种无参数方法融合上述两种模型,以获得最终top-k推荐结果。通过公开数据集Foursquare上进行的实验,表明此算法能够在较优的推荐效率下,提升推荐精度,并且可以有效缓解数据稀疏性问题。(2)基于分类标签和高阶奇异值分解的餐厅推荐算法。首先,使用餐厅分类标签数据建立张量模型;然后,引用高阶奇异值分解技术对上述张量模型进行分解;最后,计算用户对未访问餐厅的预测评分。通过公开数据集Yelp上进行的实验,表明此算法能够较合理的处理情境信息数据,提升推荐的精度。(3)基于朋友关系和非负矩阵分解的餐厅推荐算法。首先,采用非负矩阵分解技术挖掘用户潜在特征;然后,基于用户间的朋友关系计算其相似度;最后,使用相似朋友偏好的餐厅对非负矩阵分解的评分预测结果进行修正。通过公开数据集Yelp上进行的实验,表明此算法能够较好的缓解数据稀疏性,提升推荐的精度。(4)基于奇异值分解特征矩阵的协同过滤餐厅推荐算法。首先,采用奇异值分解技术挖掘用户潜在特征;然后,将分解得到的餐厅特征矩阵,作为基于项目的协同过滤算法的输入;最后,使用一种基于位置信息改进的相似度计算方法衡量餐厅间相似性,并在此基础上生成评分预测结果。通过公开数据集Yelp上进行的实验,表明此算法能够较好地挖掘用户特征,提升推荐的精度。本文通过上述研究工作,对餐厅推荐领域中的现存问题进行了分析,设计和实现了融合用户情境及特征信息的餐厅推荐系统。在公开数据集上进行的实验表明,本文所提算法能够有效地提高餐厅推荐系统的性能。