论文部分内容阅读
近年来,利用基于位置的社交网络(location-based social networks,LBSN)中的多元信息,为用户推荐未曾访问过的地点,已经成为当下研究的热点。因此,如何针对LBSN中不同信息的特点,为用户对地点的访问偏好进行建模,是需要解决的问题。另外,LBSN中信息的多元性使得可以从多个方面进行建模并得到推荐结果,因此如何有效的进行融合推荐,也是需要解决的问题。因此,本文的主要研究内容以及创新点为:(1)利用LBSN中可计算的多种用户相似度,基于对级排序学习对每对用户之间的相似度进行个性化建模,即个性化的考虑每对用户之间不同相似度的权重,进而提出了一种基于用户偏好和社交关系的协同过滤地点推荐算法USGCFBPR;(2)根据用户访问过的分类情况,基于A-priori关联规则方法,计算用户对未访问分类的访问概率,并结合用户对分类的访问频率,预测用户未来将要访问的分类,最后结合协同过滤提出了一种基于分类信息和用户偏好的地点推荐算法CPCF;(3)基于列表级排序学习,对多种推荐结果进行融合建模,尽可能的发挥每种推荐方法的优势,并结合(1)、(2),提出了一种融合地理社交因素和分类信息的地点推荐算法GSC_F。为了评估本文提出的算法的有效性,在公开数据集Foursquare上进行了大量的实验,且实验结果表明本文提出的地点推荐算法较之其他相关推荐算法具有更高的推荐准确率和召回率;(4)基于提出的算法USGCFBPR、CPCF和GSC_F,设计实现了一个地点推荐原型系统,在提供地点推荐的同时,还可以对算法的推荐效果进行动态评估。