面向lbsn的兴趣点和路线推荐系统

《面向lbsn的兴趣点和路线推荐系统》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、分类号UDC密级公开硕士研究生学位论文面向LBSN的兴趣点和路线推荐系统申请人:明骞学号:2161437培养单位:计算机科学与技术学院学科专业:计算机技术研究方向:社会网络指导教师:朱敬华教授完成日期:2018年5月6日中文摘要随着Web2.0、移动定位技术的快速发展和智能手机的普及，近年来涌现了一大批基于位置的社交网络，如Foursquare、FacebookPlaces和Gowalla等。基于位置的社交网络将现实世界的地理位置引入到虚拟网络中，用户可以通过自身携带的智能终端进行“签到”，在虚拟网络中留下自己真实的地理位置

2、信息，并可以将热衷的兴趣点和旅行体验分享给自己的好友。随着互联网的快速兴起，在线购物和社交网络的蓬勃发展，服务提供商获取的数据稀疏性和分散性问题日益严峻。数据集中绝大多数数值缺失或者为零，导致绝大部分基于关联分析的推荐方法推荐质量和准确度严重下降或者无法产生推荐。居心不良的用户可以通过不正当手段向基于位置的社交网络中注入大量无用且虚假的信息来改变推荐结果，使得基于协同过滤的推荐方法容易受不良用户的影响而产生错误的推荐结果。而且基于协同过滤的推荐方法的时间开销受用户和项目数量影响，当系统规模增长时，算法性能下降很快。针对传统社

3、交网络推荐中的痛点，传统协同过滤推荐方法急需改变自身推荐方式和引入新的数据源来改善和提高推荐质量。而另一方面，当用户访问一个新的城市时，虽然有一些旅行指南网站可以提供很多内容，如景点的照片、评论和详尽的旅行游记。然而，让用户个人从繁杂、未经加工处理过的原材料中获取有用的信息，不仅费时费力，还会给用户带来烦躁的情绪。由此，自动化和个性化的推荐深受用户的期待和喜爱。特别是个性化推荐日益受到关注，因为其能有效的整合用户的个人偏好（如文化、性格、习惯等），使用户得到高满意度的旅行体验。针对上述兴趣点推荐和线路推荐研究中存在的挑战和问

4、题，本文从以下两个方面进行研究：（1）本文将信任关系融入到兴趣点推荐系统中，一方面社交网络中的信任关系能体现出用户间的相互影响力和偏好相似性；另一方面社交网络中加入信任关I系后能有效改善传统推荐方法的冷启动和易受恶意推荐攻击等问题。本文分析了信任和不信任关系的传播特征，给出信任度的表示和计算方法，提出一个融合用户相似性，地理位置和信任关系的混合推荐系统。(2)本文利用用户的历史旅行记录挖掘其个人偏好，并在满足用户时间和花费限制条件下，寻找高满意度的旅行线路。本文设计并提出了TripPlanner线路推荐系统，该系统首先构建了

5、一个基于用户和时间特性的兴趣点评分模型，对所有兴趣点进行评分筛选出候选兴趣点；然后通过基于状态扩展的混合线路挖掘算法在满足用户个人约束条件下进行个性化的线路规划；最后，为了提升线路挖掘算法的运行效率，本文设计了两种剪枝策略来缩短算法的运行时间。关键词：LBSN；POI推荐；协同过滤；信任关系；路线规划；数据挖掘IIAbstractWiththerapiddevelopmentofweb2.0,mobilepositioningtechnologyandthepopularityofsmartphones,alargenumb

6、eroflocation-basedsocialnetworkshaveemergedinrecentyears,likeFoursquare,FacebookPlaces,andGowalla.Unliketraditionalsocialnetworks,LBSNhasintroducedlocationtagsthatallowuserstoleavetheirfootprintsinsocialnetworksanytime,anywhere,andsharetheirlovedpointsofinterestand

7、travelexperiencewiththeirfriends.Andwiththerapiddevelopmentofonlineshoppingandsocialnetworks,thesparsenessofdatahasintensified,andthequalityofrecommendationoftraditionalcollaborativefilteringmethodshavereducedalot,sometimesevenfailedtogetrecommendationresults.Disho

8、nestuserscanforgealargeamountofuserratinginformationtochangetherecommendationresult,leadtothecollaborativefilteringmethodismorevulnerabletomalici