基于LBSN的個(gè)性化推薦技術(shù)研究.pdf

1、隨著定位技術(shù)的發(fā)展，用戶地理位置的實(shí)時(shí)獲取變得越來(lái)越簡(jiǎn)單，這帶來(lái)了基于位置的社交網(wǎng)絡(luò)飛速發(fā)展。同時(shí)，越來(lái)越多的移動(dòng)終端接入到網(wǎng)絡(luò)中，它們提供的位置信息也給用戶帶來(lái)了更加豐富的資訊信息?；谖恢玫纳缃痪W(wǎng)絡(luò)個(gè)性化推薦系統(tǒng)與電子商務(wù)、O2O等行業(yè)緊密聯(lián)系在一起，具有極高的經(jīng)濟(jì)價(jià)值，因此研究基于LBSN的個(gè)性化推薦技術(shù)已經(jīng)成為當(dāng)今學(xué)術(shù)界非常熱門的研究領(lǐng)域。
　　本文探究LBSN個(gè)性化推薦系統(tǒng)的理論和相關(guān)技術(shù)，并對(duì)常用的推薦算法進(jìn)行了簡(jiǎn)單介

2、紹。研究了當(dāng)前主流的LBSN個(gè)性化推薦技術(shù)框架，總結(jié)了聚類技術(shù)以及好友推薦模型中的不足，并據(jù)此提出了兩種改進(jìn)算法。一種是基于LBSN的聚類算法，用于獲取更好的聚類結(jié)果;另一種是將好友推薦模型中好友間的對(duì)稱性融入到推薦結(jié)果中，并在此基礎(chǔ)上提出一種完全對(duì)稱性好友推薦結(jié)果，這種推薦結(jié)果具有更好的準(zhǔn)確率和召回率。
　　本文首先本文介紹了研究背景及研究意義，并闡述了基于LBSN個(gè)性化推薦技術(shù)的研究現(xiàn)狀與進(jìn)展。接著，本文對(duì)個(gè)性化推薦技術(shù)的相關(guān)

3、理論基礎(chǔ)和各種推薦算法的優(yōu)缺點(diǎn)進(jìn)行了歸類總結(jié)。然后，本文介紹了聚類算法在LBSN個(gè)性化推薦技術(shù)中的應(yīng)用，分析了傳統(tǒng)聚類算法在基于LBSN網(wǎng)絡(luò)中存在的不足，提出了一種面向LBSN的聚類算法，并通過(guò)實(shí)驗(yàn)證明本文提出的聚類算法具有更好的距離平方和和收斂速度。同時(shí)，實(shí)驗(yàn)數(shù)據(jù)顯示，隨著半徑r的減小，本文算法的優(yōu)勢(shì)會(huì)更加明顯:一定條件下，相對(duì)于傳統(tǒng)k-medoids算法，本文算法的代價(jià)E可以縮小其到20％;相對(duì)于LPKMD算法，代價(jià)E能夠縮小1.2

4、％到2％。此外，本文還針對(duì)傳統(tǒng)TOP-n算法在好友推薦時(shí)所忽略的好友間對(duì)稱性問(wèn)題，提出了一種雙向TOP-n算法，該算法使用了兩種增量策略來(lái)構(gòu)建相似性圖譜，將用戶間的感興趣度轉(zhuǎn)化為有向圖，并通過(guò)實(shí)驗(yàn)證明該算法具有更好的準(zhǔn)確率和召回率。實(shí)驗(yàn)顯示，雙向TOP-n算法在不同的推薦個(gè)數(shù)N以及增量k下優(yōu)勢(shì)不同，但總體結(jié)果均好于傳統(tǒng)算法，本文推薦算法的準(zhǔn)確率隨著推薦個(gè)數(shù)N的增加而顯著減小，召回率逐步增加。具有完全對(duì)稱性推薦結(jié)果的CSTOP-n算法以更