基于LBSN簽到數(shù)據(jù)的用戶行為預測與興趣點推薦.pdf

1、最近幾年，基于位置的社交網(wǎng)絡(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)馬爾可夫鏈預測用戶時空序列的概率，并結(jié)合重力模型進行興趣點推薦。論文的主要工作如下三點：
　　(1)基于加權(quán)馬爾可夫鏈的用戶行為預測。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，是一種實時在線模型。在LLTG圖的基礎(chǔ)上，論文應用加

3、權(quán)馬爾可夫鏈預測時空序列的概率，加權(quán)馬爾可夫鏈在預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，準確度和效率都更高。
　　(2)基于重力模型的興趣點推薦。在興趣點推薦方面，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)系以及興趣點熱門程度，并用他們計算已簽到興趣點和新興趣點之間的吸引力。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。重力模型和加權(quán)馬爾可夫鏈的結(jié)合使得AMGR系統(tǒng)實現(xiàn)了綜合時空因素，好友關(guān)系，興趣點熱門度以及序列因素影響的推薦方法。
　　(3)AMGR系統(tǒng)的驗證。為了對AMGR系統(tǒng)進行驗證，本文以Gowalla和Brightkite收集到的大數(shù)據(jù)量的真實簽到記錄作為實驗數(shù)據(jù)進行了實驗。實驗結(jié)果表明，AMGR的推薦準確率分別達到0.31和0.22，召回率達到0.21和0.12。該結(jié)果與最新的位置推薦方法相比，準確率和召回率都有明顯提高，