当前,基于位置的服务正在获得越来越广泛的应用,然而传统的仅依赖定位设备的位置服务所能提供的信息是相对有限的。随着移动互联网、智能手机技术的发展,移动社交网络中不仅包括了丰富的用户数据,如好友、兴趣、社交数据等,而且沉淀了大量的用户位置轨迹数据。在移动社交网络中的进行位置轨迹挖掘,有着重要的意义,它可以应用于基于位置服务、挖掘人类活动规律与行为特征,还可以应用于智能交通、智慧旅游、环境监测、能源消耗等城市计算项目。如何充分挖掘用户的位置轨迹,并结合社交网络的多元信息为用户提供更加便捷、准确、安全的位置服务,是当前移动社交网络研究的重要问题之一面向移动社交网络中位置轨迹的挖掘及应用,我们希望建立基于位置服务中高效且精确的用户兴趣信息推荐、聚类机制,最大限度地将用户的兴趣上下文场景反映到模型之中,从而提高基于用户特性的推荐、聚类算法的效果;;同时,建立用户的位置隐私保护机制,以达到用户放心使用移动社交网络的目的。具体而言,我们在基于移动社交网络用户位置轨迹数据的挖掘方面,开展了一系列研究工作,主要包括基于位置服务中的位置推荐、社群聚类和隐私保护。在基于位置服务的位置推荐工作中,下一跳兴趣点推荐(Next POI Recommendation)是为用户推荐他愿意去的下一个感兴趣的位置,难点在于需要充分利用移动社交网络数据(兴趣、位置、好友关系等),结合推荐技术,以达到为用户推荐合适位置的目的。在基于位置服务的社群聚类工作中,建立基于地理位置的社群,对人们深入理解基于移动社交网络的拓扑结构和社群主题等,具有重要的意义和研究价值。难点在于移动社交网络拥有用户、地理位置等多个实体,以及用户关系、用户兴趣关系、用户位置关系等多个关系,在这种复杂网络中挖掘地理位置社群,融合多模异构的实体和关系是地理位置社群聚类分析的关键。此外,位置隐私保护(Location Privacy Preserving)是基于位置服务中一个日益令人关切的问题。在基于位置服务的位置隐私保护工作中,只有用户感到隐私会被妥善保护,其才更愿意使用移动社交网络。位置隐私保护工作的难点在于用户提供的信息和获得的位置信息服务是一对矛盾,然而,用户提供的数据越少,其能获得的位置服务质量越差。针对上述问题,我们从以下三个方面开展工作:第一,针对基于位置服务中的位置推荐问题,传统算法未能同时考虑用户兴趣、位置轨迹时间依赖关系和个性化位置信息,我们提出了一种基于长短期记忆循环神经网络(LSTM)的兴趣相关下一跳POI推荐方法。我们通过实证观察到用户兴趣、位置轨迹时间依赖关系、上下文场景对用户位置推荐效果有很大的影响。我们通过分析挖掘隐藏用户位置轨迹信息,有效地发掘用户的兴趣,结合上下文场景信息,可以准确地为用户预测推荐下一跳位置。这项工作中,基于真实数据集的实验证明了我们方法的有效性。第二,针对基于位置服务中的社群聚类问题,在移动社交网络中挖掘地理位置社群的难点在于融合多模异构的实体和关系,我们提出一个基于地理位置社群聚类的算法。该算法使用主题模型抽取用户兴趣,使用深度学习技术融合了用户关系、用户兴趣关系、用户位置关系,来确定社群划分。实验结果验证了我们算法的有效性,并展示了所划分的社群在用户特性上的内聚性。第三,针对基于位置服务中的位置隐私保护问题,传统算法基于拉取策略有着难以避免不同级别的LBS服务器或代理被破解的缺点,我们提出使用分布式缓存推送来保护位置隐私。其基本思想是应用分布式缓存代理来存储最流行的与位置相关的数据,并主动将数据推送给用户。如果用户所需的数据可从缓存中获得,则不需要发送基于位置的查询,从而保护了用户的隐私。我们提出的名为LPPS的基于推送的位置隐私保护方案,引入了分布式缓存层来存储热门的与前位置相关的数据,并将其推送到移动用户。我们提出了缓存代理部署和缓存推送的策略,以实现位置隐私的k匿名性。在缓存不命中的情况下,提出了缓存替换和更新策略,以挖掘大量从假反馈索引中隐藏的真正的热门场所。基于轨迹数据的仿真实验表明,该方案有较高的服务覆盖率、较好的缓存命中率以及较低的通信开销。
随着移动通信技术的不断发展,人们在使用位置服务(Location Based Services,LBS)的同时,用户的位置轨迹等敏感信息也会发生泄露。为了保护包含用户敏感信息的位置轨迹数据的安全,文章设计了一种满足差分隐私位置轨迹发布方法。首先,利...
详细信息
随着移动通信技术的不断发展,人们在使用位置服务(Location Based Services,LBS)的同时,用户的位置轨迹等敏感信息也会发生泄露。为了保护包含用户敏感信息的位置轨迹数据的安全,文章设计了一种满足差分隐私位置轨迹发布方法。首先,利用轨迹数据构造位置轨迹流量图,在流量图中添加差分隐私噪声;其次,使用满足一致性特性的后置调节算法对包含噪声的轨迹数据进行一致性调节。通过真实的路网验证可以看出,该方法能够满足处理大规模路网的能力,且经过一致性调节算法优化之后,发布误差缩小了约20%。
暂无评论