时空数据中群组用户关联度评价模型与位置推荐算法研究

《时空数据中群组用户关联度评价模型与位置推荐算法研究》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、■■ｍ：…■－■硕±学位论文Ｉ■时空数搪中難组用户关联度评价模型与位畳推荐算法研究Ｉ－ＵｓｅｒＳｏｃＩＴｈｅＲｅｓｉｅａｒｃｈｏｆＭｏｄｅｌａｂｏｕｔＧｒｏｕｐｉａｌＳｔｒｅｎｇ化，■Ｉ研究生：肖飞指导教师：楽方军教授Ｉ、■学科专业：软化程禱媒建建少寺Ｉ。？二〇－五年十二月Ｉ分类号：学校代码：10153UDC：密级：公开硕士学位论文时空数据中群组用户关联度评价模型与位置推荐算法研究作者姓名：肖飞入学年份：2013年9月指导教师：栾方军教授学科专业：软件工程申请学位：工学硕士所在单位：信息与控制工程学

2、院论文提交日期：2015年11月论文答辩日期：2015年12月学位授予日期：2016年1月答辩委员会主席：杜庆东答辩委员会组成：杜庆东宋晓宇白乐强刘天波刘俊岭论文评阅人：孙丽梅声明本人声明，所呈交的学位论文是在导师的指导下独立完成的。论文中取得的研究成果除加标注和致谢的地方外，不包含其他人已经发表或撰写过的研究成果，也不包括本人为获得其他学位而使用过的材料。与我共同工作过的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示谢意。作者签名：曰期：年月如味Ｉ本学位论文版权使用授权书本学位论文作者和指导教师完全了解沈阳建筑大学有关保留、使用

3、学位论文的规定：即学校有权保留并向国家有关部口或机构送交论文的复印件和磯盘，允许论文被查阅和借阅。本人授权沈阳建筑大学（或其授权机构）可Ｌ乂将学位论文的全部或部分内容编入有关数据库并通过网络提供检索、浏览。（如作者和导师同意论文交流，请在下方签名不同意。）；否则视为作者和导师同意网上交流的时词为作者获得学位后：不限□半年口一年□一年半□两年□、１作者签名：削巾签名曰期：沪故年月曰期：＞１主年倍月硕士研究生学位论文摘要I摘要随着互联网的高速发展，基于位置服务不断改变着人们的生活方式，并朝着更加智能化、个性化和社会化的方向发展，其中典

4、型的例子便是基于位置的社交网络(Location-basedSocialNetworks，LBSNs)。LBSNs在原有社交网络的基础上增加了地理位置这一维度的实时信息，将网络与现实连接起来，更真实地反映了用户的偏好和习惯，同时产生了大量的轨迹数据、带地理标签的媒体数据及签到数据。通过分析这些时空签到数据，发现深层次的有用信息，更加充分的了解用户，为用户带来更加精确、个性化的推荐。用户关联度评价和位置推荐是LBSNs研究领域中重要的研究方向。鉴于在社交网络中群组用户具有更持续、稳定的互动关系，本文利用用户的真实签到数据研究群组用户关联度和流行位置推荐。群组用户关联度评价是度量用户

5、在社交网络中的社会亲密程度，位置推荐是为用户推荐有可能去但未去过的位置。为了能更有效地度量群组用户的社会亲密程度，本文提出两种群组用户关联度评价模型：基于Shannon熵的模型(ShannonEntropy-basedModel，SEM)和基于Renyi熵的最小—最大模型(RenyiEntropy-basedMin-maxModel，REMM)。SEM使用Shannon熵来测量共现的多样性从而降低频繁地巧合的影响，对位置熵使用加权频率来提高在不拥挤的地方共现对关联度的影响。为了解决数据稀疏的问题，同时降低巧合的影响，REMM在考虑共现位置特征的基础上，通过q值调整共现的影响，最终

6、确定群组用户关联度。为了能够有效地为用户推荐流行位置，本文提出两种位置推荐该算法：基于两用户关系的位置推荐算法(Location-RecommendationbasedonTwo-userRelationship，LRTR)和基于群组用户关系的位置推荐算法(Location-RecommendationbasedonGroup-userRelationship，LRGR)。LRTR通过分析用户的历史签到记录，采用基于用户的模型，建立了用户在地理位置上的关系，将用户的签到行为量化，计算用户之间的相似度，根据相似用户的偏好预测用户对各地点的喜好度，按照得到流行位置的推荐序列进行推荐；

7、LRGR通过分析群组用户的签到习惯，分别计算群组价值因子、群组影响度，及用户对位置喜爱度，最后为用户推荐影响度最高的群组中其他成员活动评分较高的位置。本文利用Brightkite和Gowalla社交网站真实的签到数据集进行了实验，评估了所提出的模型和算法在不同参数设置下的有效性。实验证明，在评价群组用户关联度时，REMM较SEM具有更高的准确率，在进行位置推荐时，LRGR较LRTR具有更高的准确性和稳定性。同时，REMM和LRGR均能够适应百万条数据集，在不同规模的数据集下表现出