一种融合多源数据的连锁企业选址推荐方法

随着连锁企业快速发展,新开设连锁店铺如何有效选址成为一个重要问题。已有关于商业选址推荐的工作大多致力于构建特征的学习模型,在同一个城市为同一个目标进行选址推荐。文中提出一种面向企业内部规模的选址推荐方法,能对不同地址所适合的店铺规模进行推荐。首先利用多源城市数据从地理特征、商业特征和规模特征等多个维度对候选地周围环境进行刻画,在此基础上,针对已知规模的位置推荐和已知位置的规模推荐两种情况,分别提出基于回归和分类的推荐方法。采用真实数据集进行验证,证明了所提方法的有效性。     

基于大数据的用户画像方法研究综述

在大数据时代,社交网络以及以社交为基础的互联网应用不断迅猛发展,其背后带来的是数据的爆炸式增长.对用户数据的采集以及合理的推荐,成为了各大网站的重要课题.用户画像提取过程,是个性化推荐的关键步骤.随着社交网络的快速发展,媒体类型不断丰富,用户参与门槛的不断降低.用户表达的数据模态逐渐呈现多样,为用户画像提取提供了广阔空间.随着用户画像数量的不断递增,利用大数据技术,有效的存储、计算用户画像,逐渐成为研究热点.本文首先介绍了相关的背景,然后介绍了基于大数据的用户画像构建方法,并介绍了不同数据集中的用户画像的应用,最后本文对基于大数据的用户画像方法进行了总结和展望,指明了该技术当前存在的问题与发展趋势.     

基于多源数据融合的协同推荐方法

大数据环境下,实现多源数据的高效利用是推荐服务的一个重要问题.为此,基于协同推荐方法,选取相似用户的消费行为完成推荐排序,在用户聚类过程引入预聚类单元和综合聚类单元.预聚类单元对用户—产品评分矩阵、电信业务身份、用户网络关注内容等数据,分别进行相似度计算.综合聚类单元计算数据丰度权重,进行综合相似度计算和用户聚类.同时,引入了可调节的效度权重,根据推荐结果的点击率和转化率,自动优化推荐系统.     

融入音乐子人格特质和社交网络行为分析的音乐推荐方法

为了可以实时推荐符合人们情感状态的音乐,提出了一种融入音乐子人格特质的社交网络行为分析的音乐推荐算法,该算法通过分析用户发表在微博等社交媒体上的状态,计算用户在该情感状态下对音乐的偏好程度;选择在该情感状态下音乐偏好相似的最近邻用户,最后融入音乐子人格特质进行偏好度计算,为用户推荐最适合其情感状态的音乐。实验结果表明,该算法可以缓解用户数据稀疏性对推荐结果的影响,能够提高推荐系统的推荐质量。     

基于混合采样的城市功能区识别系统研究

随着城市功能分区研究在时空尺度上不断细化,多源数据融合有利于推动城市功能分区研究的精细化发展,但多源数据存在数据不平衡现象,本文通过混合采样算法,减少数据不平衡带来的影响。通过空间面积和公众认知度对兴趣点(POI)数据进行权重赋值,利用K近邻和潜在狄利克雷(Latent Dirichlet Allocation, LDA)语义分析对两类数据构建数据集,分别对两类数据进行频数密度分析,对多源数据进行加权平均特征融合,将融合后的数据按频数密度差值的方法划分单一和混合功能区,并在ArcGIS平台渲染展示,从而实现对城市功能区可视化识别划分。利用高德地图与功能区识别结果进行精度验证,结果表明：应用该方法能快速及有效地识别城市功能区,功能区识别总体精度为86.6%,证明该方法现实可行,可为城市未来发展规划与管理提供借鉴。     

基于深度学习与社交感知的地点推荐

随着基于位置的社交网络的普及,地点推荐作为推荐系统的重要分支,在解决信息过载、提升用户体验、增加平台收益等方面的作用愈加明显。现有的地点推荐算法大多基于矩阵分解,难以刻画用户和地点之间复杂的交互关系;此外,在基于位置的社交网络中,社交信息是建立用户画像的重要数据来源,如何融合社交信息辅助地点推荐成为亟待解决的问题。本文研究了基于深度神经网络的地点推荐解决方案,通过设计基于社交信息的新型采样方式和正则化损失函数,从两个角度融合社交信息。在两个真实世界数据集上的实验表明,本文提出的方案可以极大提升地点推荐的精准度。     

智慧城市跨域数据治理体系与平台研究

智慧城市数据具有多源、多模态、海量特点,城市数据治理涉及不同层次、不同领域的数据共享和交换.针对当前城市数据治理的跨域安全、可信互通和共享问题,提出基于复杂系统论的多视域城市跨域数据治理体系.阐述了跨域城市数据治理平台框架,以及多领域异构数据存储和可信授权、数据接入、数据规约、城市服务图谱和城市数据治理链构建等关键技术...     

一种基于社交网络社区的组推荐框架

面向用户群组的推荐主要面临如何有意义地对群组进行定义并识别,以及向群组内用户进行有效推荐两大问题。该文针对已有研究在用户群组定义解释性不强等存在的问题,提出一种基于社交网络社区的组推荐框架。该框架利用社交网络结构信息发现重叠网络社区结构作为用户群组,具有较强的可解释性,并根据用户与群组间的隶属度制定了考虑用户对群组贡献与用户从群组获利的4种聚合与分配策略,以完成组推荐任务。通过在公开数据集上与已有方法的对比实验,验证了该框架在组推荐方面的有效性和准确性。     

面向服务质量感知云API推荐系统的数据投毒攻击检测方法

针对现有研究通常假设云API推荐系统的服务质量数据是可靠的,忽略了开放网络环境中恶意用户对云API推荐系统的数据投毒攻击的问题,提出了一种基于多特征融合的数据投毒攻击检测方法。首先,依据设计的相似性度量函数构建用户连通网络图,并利用Node2vec捕获用户邻域特征;其次,采用稀疏自编码器挖掘用户服务质量深度特征,并构建基于服务质量数据加权平均偏差的用户解释特征。进一步,融合用户邻域特征、服务质量深度特征和解释特征建立基于支持向量机的虚假用户检测模型,并使用网格搜索和交替迭代优化策略学习模型参数,继而实现虚假用户检测。最后,通过多组实验验证了所提方法的有效性和优越性,实现了服务质量感知云API推荐系统在数据端的投毒攻击防御。     

数据隐私保护的社会化推荐协议

基于邻域的社会化推荐需要同时依赖用户的历史行为数据和完善的社交网络拓扑图,但通常这些数据分别属于不同平台,如推荐系统服务提供商和社交网络服务提供商。出于维护自身数据价值及保护用户隐私的考虑,他们并不愿意将数据信息提供给其他方。针对这一现象,提出了2种数据隐私保护的社会化推荐协议,可以在保护推荐系统服务提供商和社交网络服务提供商的数据隐私的同时,为用户提供精准的推荐服务。其中,基于不经意传输的社会化推荐,计算代价较小,适用于对推荐效率要求较高的应用;基于同态加密的社会化推荐,安全程度更高,适用于对数据隐私要求较高的应用。在4组真实数据集上的实验表明,提出的2种方案切实可行,用户可以根据自身需求选择合适的方案。