基于lbsn签到数据的用户行为预测与兴趣点推荐

《基于lbsn签到数据的用户行为预测与兴趣点推荐》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ｒＩ１．罕ｉ．‘Ｉ：．．Ｍ：罕巧．＾铜．：ＶＭ舅－Ｉ．．．单＾码誦密－．１｜＾晏‘＇Ｖ：Ｖ’．培；Ｍ＾卷、沪脅議．．．‘．；巫？禱考ｒ秦像＾古恰．．‘，．．＇．：．＇：；＜４；ｒ，：：．．．；餐，－．．－厕．Ｖ．謹．，苗纏：；．ｓ论文＾乱腳＾獅Ｊ‘，＇管．羞篇＾ＩＩ净獲＇．？琴．：．巧．％学号誦－姓．名刑ｒｒ导师憾虽｜．．．＾綿类别，獅±类型日靴！１＾；＾域化．＾．．＾ｆ；做ｏ：齡ｉ期．ｉｌ贩ｒ．．ｖ．．．為．＞’．法

2、．，．．／八；．．：義：＿１．－若某；冷－古．＇壤‘作；１Ｍ知革南京邮电大学学位论文原创性声明本人声明所呈交的学位论文足我个人在导师指导下进行的研兜工作及取得的研究成果。１＞，尽我所知，除了文中特别加＾＾示注和致谢的地方外论文中不包含其他人己经发表或撰写过。的研究成巧，也不包含为获得南京邮电乂学或其它教育机构的学位或证书而使用过的材料一与我同工作的同山对本研巧所做的化何贡献均己在论文中作了明确的说明并表示丫谢意。一本人学位论文及涉及相关资料若巧不实，愿意承担切和关的法律责任。研究牛．巧

3、旅墨Ｕ蝴：如占，９南京邮电大学学位论文使用授权声明本人授权南京邮化火学可ｌｉｉ■保留并向国家有关部口或机构送交论文的复印件和电子文料可；允巧论文被查阅和借阅；可Ｗ将学位论文的全部或部分内容编入有关数据库进行检索；论采用影印、缩印或扫巧等复制手段保存、汇编本学位论义。本文电了文档的内容和纸质－致义涉的内容相。论文的公布（包括刊登）授权南京邮化大学研究生院办理。密学位论文么解密后适用本按权书。研心少义究生签名；夏如矣导师签名：如《瑪Ｉ．Ｉ期：如UserBehaviorPredictionandPointofInterestRecomm

4、endationBasedonLBSNCheck-inDataThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegreeofMasterofEngineeringByWangKaiciSupervisor:Prof.ZouZhiqiangFebruary2016摘要最近几年，基于位置的社交网络(Location-basedsocialnetwork,LBSN)迅速发展并积累了海量的数据，为个性化的兴趣点推荐研究提供了重要的数据基础。用户的移动行为本质上是从某个<时间,位置>转移

5、到另一个<时间,位置>的时空序列，但现有研究未充分发掘时空序列特征对推荐的重要作用。为深入研究时空序列的特征，本文提出了兴趣点推荐系统AMGR(AdditiveMarkovchainandGravitymodelbasedRecommend)，该系统利用加权马尔可夫链预测用户时空序列的概率，并结合重力模型进行兴趣点推荐。论文的主要工作如下三点：(1)基于加权马尔可夫链的用户行为预测。首先，从历史签到数据中抽取用户的签到时空序列，建模为位置转移图(Location-LocationTransitionGraph，LLTG图)。LLTG增量更新签到数据流的时间为常数数量

6、级，是一种实时在线模型。在LLTG图的基础上，论文应用加权马尔可夫链预测时空序列的概率，加权马尔可夫链在预测问题上相比一阶马尔可夫链和传统的n阶马尔可夫链，准确度和效率都更高。(2)基于重力模型的兴趣点推荐。在兴趣点推荐方面，论文引入重力模型，该模型综合考虑了签到的时空因素，好友关系以及兴趣点热门程度，并用他们计算已签到兴趣点和新兴趣点之间的吸引力。之后，将重力模型算出的吸引力作为加权马尔可夫链转移概率的权重，最终得到用户对新兴趣点的访问概率，并为用户推荐其中top-k个概率最高的兴趣点。重力模型和加权马尔可夫链的结合使得AMGR系统实现了综合时空因素，好友关系，兴

7、趣点热门度以及序列因素影响的推荐方法。(3)AMGR系统的验证。为了对AMGR系统进行验证，本文以Gowalla和Brightkite收集到的大数据量的真实签到记录作为实验数据进行了实验。实验结果表明，AMGR的推荐准确率分别达到0.31和0.22，召回率达到0.21和0.12。该结果与最新的位置推荐方法相比，准确率和召回率都有明显提高，具有更优的推荐效果。关键词:签到，时空序列模式，重力模型，加权马尔可夫链，兴趣点推荐IAbstractWithrapiddevelopmentoflocation-basedsocialnetwork,massivelocati