随着互联网技术的进一步发展,社交网络也在人们的生活中越来越流行起来。人们通过移动社交网络发现有用的生活信息,分享生活经验,与好友互动。并且伴随着2010年前后安卓,苹果等智能移动设备的应用普及。在原有社交网络的基础上结合了用户地理位置的相关信息,形成了一个新的社交网络概念:基于位置的社交网络(Location-based Social Network,LBSN)。基于位置的社交网络不仅关注用户线上发表的信息和用户线上的好友关系,还保留了用户线下的活动数据与活动模式,了解用户的日常行为。由于LBSN包含了大量的多种类型的数据。我们可以对这些数据进行挖掘,发现有意义的信息。目前,对于利用LBSN数据对用户进行个性化推荐的研究热度非常高。利用LBSN数据对用户推荐主要集中在以下三个领域:(1)兴趣点推荐:这一推荐是针对用户的,包括两种推荐,一种是目的地点,另一种是多个地点结合的路线推荐;(2)商业选址推荐:这种推荐主要针对商户;(3)好友推荐:对用户进行线上好友推荐。尽管学者们对LBSN推荐系统的研究有了很大的突破,但目前还存在着以下一些问题:(1)兴趣点与用户众多,计算量大,数据稀疏;(2)用户关系表示方法过于简单,包含内容不多;(3)新加入用户的冷启动问题(4)没有结合时空上下文信息等。针对以上问题,本文提出了一些新的想法与解决方案(1).通过划分城市单元格,缩减问题分析规模,解决部分数据稀疏问题;(2)将好友关系的表示丰富起来,更加符合现实世界。在普遍的LBSN数据中,好友关系只用01(有无)表示,显然没有考虑到好友关系的亲密度,本文会结合线上线下数据,对好友关系进行量化,从而对推荐系统起到更有意义的作用。(3)针对上下文信息的问题,本文提出结合时空信息,提出结合用户时空特征的推荐,分析用户与兴趣点的时空特征以及当前时空信息来做更好的推荐。另外,本文会结合线上信息和线下信息,考虑到实际区域的一些地理属性,提出一种新的商业选址问题的想法和一种基于用户与兴趣点之间随机游走的好友推荐模型。在试验中,我们选取国外比较著名的LBSN数据集Foursquare进行分析与实验,通过准确率,召回率等一些评判标准比较文中的方法和之前的研究成果。对文章的算法进行一系列测试,能实现对用户和POI供应商的有效推荐。
暂无评论