论文部分内容阅读
在移动互联网快速发展的今天,基于地理位置服务的社交网络(Location Based Social Networks,LBSNs)已经渗透到我们生活的方方面面,从LBSNs中发现有趣的POI(Point of Interest),发现有价值的知识,并对用户进行POI推荐就十分重要。而不同的POI因为其知名度不同包含的信息多少也有很大区别,如何抽取POI知识并实现不同POI间信息推理?另外,不同的平台包含POI的不同特征,如何实现不同平台中同一POI的特征融合?此外,现有的POI推荐的相关研究中,很少有考虑到POI的时间可达性,而景点在哪些时间适合游玩对用户的体验非常重要,那么如何基于时间特征进行POI推荐?针对以上问题,本研究做了以下几方面的工作:针对问题如何从LBSNs中抽取POI的知识特征并进行POI间信息推理,我们提出了基于LBSNs的景点知识发现方法,通过自然语言处理相关技术抽取POI知识特征;基于POI知识特征我们提出了POI相似度计算算法来构建POI关系网络。通过实验验证,我们的方案可以很好地抽取POI的语义特征并保留分类语义信息,POI关系网络的构建可以实现POI间信息传递进行未知信息推理,通过该步骤,我们可以更好地了解信息较少的POI。针对问题如何从LBSNs抽取POI时间特征并对未知POI进行时间预测,我们提出了POI时间特征抽取方法,并在POI知识特征和时间特征基础上提出了一个跨LBSNs的特征联合学习算法,进行多平台多维信息融合,通过矩阵分解学习到POI特征的时间分布以及未知POI的时间分布。通过实验验证,我们可以实时的抽取POI时间特征,特征联合学习方案可以很好地融合POI的不同特征,进行未知POI时间分布预测,并且学习到POI知识特征的时间分布。针对问题如何基于时间特征进行POI推荐,我们在以上联合学习算法学习到的POI知识特征的时间分布的基础上,结合POI知识特征,建立了基于时间特征的POI推荐策略。我们在真实数据集上对我们推荐算法进行了验证,实验结果证明我们的方法在POI时间预测和推荐上有更好的表现。本文的贡献主要有以下三个方面,第一,通过POI的特征抽取,提出了POI关系网络的构建方法,不仅保持了特征的语义信息并且更好的进行POI间信息传递和未知POI的知识推理;第二,提出了一个跨LBSN的特征联合学习方法,进行多维信息融合和推理。通过矩阵分解学习到未知POI的时间分布以及POI特征的时间分布,能够拓展到其他领域多维信息的融合及知识推理。第三,建立了基于时间特征的POI推荐算法。提出了一种新的旅游内容和模式的创新,我们不仅要关注用户对于景点内容上的偏好,还要考虑POI时间特征,进行POI最佳游玩时间推荐。