基于LBSN簽到數(shù)據(jù)的用戶行為預(yù)測與興趣點(diǎn)推薦.pdf

1、最近幾年，基于位置的社交網(wǎng)絡(luò)(Location-based social network, LBSN)迅速發(fā)展并積累了海量的數(shù)據(jù)，為個性化的興趣點(diǎn)推薦研究提供了重要的數(shù)據(jù)基礎(chǔ)。用戶的移動行為本質(zhì)上是從某個<時間,位置>轉(zhuǎn)移到另一個<時間,位置>的時空序列，但現(xiàn)有研究未充分發(fā)掘時空序列特征對推薦的重要作用。為深入研究時空序列的特征，本文提出了興趣點(diǎn)推薦系統(tǒng)AMGR(Additive Markov chain and Gravity mod

2、el based Recommend)，該系統(tǒng)利用加權(quán)馬爾可夫鏈預(yù)測用戶時空序列的概率，并結(jié)合重力模型進(jìn)行興趣點(diǎn)推薦。論文的主要工作如下三點(diǎn)：
　　(1)基于加權(quán)馬爾可夫鏈的用戶行為預(yù)測。首先，從歷史簽到數(shù)據(jù)中抽取用戶的簽到時空序列，建模為位置轉(zhuǎn)移圖(Location-Location Transition Graph，LLTG圖)。LLTG增量更新簽到數(shù)據(jù)流的時間為常數(shù)數(shù)量級，是一種實(shí)時在線模型。在LLTG圖的基礎(chǔ)上，論文應(yīng)用加

3、權(quán)馬爾可夫鏈預(yù)測時空序列的概率，加權(quán)馬爾可夫鏈在預(yù)測問題上相比一階馬爾可夫鏈和傳統(tǒng)的n階馬爾可夫鏈，準(zhǔn)確度和效率都更高。
　　(2)基于重力模型的興趣點(diǎn)推薦。在興趣點(diǎn)推薦方面，論文引入重力模型，該模型綜合考慮了簽到的時空因素，好友關(guān)系以及興趣點(diǎn)熱門程度，并用他們計算已簽到興趣點(diǎn)和新興趣點(diǎn)之間的吸引力。之后，將重力模型算出的吸引力作為加權(quán)馬爾可夫鏈轉(zhuǎn)移概率的權(quán)重，最終得到用戶對新興趣點(diǎn)的訪問概率，并為用戶推薦其中top-k個概率最高

4、的興趣點(diǎn)。重力模型和加權(quán)馬爾可夫鏈的結(jié)合使得AMGR系統(tǒng)實(shí)現(xiàn)了綜合時空因素，好友關(guān)系，興趣點(diǎn)熱門度以及序列因素影響的推薦方法。
　　(3)AMGR系統(tǒng)的驗(yàn)證。為了對AMGR系統(tǒng)進(jìn)行驗(yàn)證，本文以Gowalla和Brightkite收集到的大數(shù)據(jù)量的真實(shí)簽到記錄作為實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，AMGR的推薦準(zhǔn)確率分別達(dá)到0.31和0.22，召回率達(dá)到0.21和0.12。該結(jié)果與最新的位置推薦方法相比，準(zhǔn)確率和召回率都有明顯提高，