基于矩阵分解的感知兴趣点智能推荐算法仿真

针对当前算法推荐结果与用户感知兴趣点拟合度低,导致推荐可信度低的问题,提出基于矩阵分解的感知兴趣点智能推荐算法。先在典型的社会网络中,对感知兴趣点推荐问题进行描述;建立感知兴趣点模型,构建用户范围矩阵和感知兴趣点的影响力矩阵,提取出用户对不同感知兴趣点的偏好,随后计算感知兴趣点在不同区域中的影响力,并修正感知兴趣点影响力函数,通过对其权重的计算,获取用户对感知兴趣点的访问次数、时间的总和以及感知兴趣点集合。最后计算感知兴趣点智能推荐时间的复杂度,利用矩阵分解思想最终实现了对感知兴趣点的智能推荐。实验结果表明,提出的算法的推荐结果与用户感知兴趣点的拟合度较高,并且感知兴趣点的推荐可信度也较高,验证了提出算法的有效性。     

基于数字标牌广告数据的兴趣点推荐算法研究

为了解决数字标牌广告投放的推荐问题,研究基于位置数据的推荐算法。在已有的基于矩阵分解思想的兴趣点推荐算法基础上,提出结合矩阵分解思想和商业地理信息数据的兴趣点推荐模型,并在基于位置的数字标牌广告数据上进行实验。实验结果表明,通过为矩阵分解附加商业地理信息的方法,解决了位置访问数据稀疏性的问题,并为数据类型单一,推荐依据不足的问题提供了有效的数据参考及实现方法。为数字标牌广告投放提供了重要的参考依据。     

基于密文的去中心化兴趣点推荐研究

针对集中式矩阵分解模型在进行兴趣点推荐时存在的内存需求多、计算成本高、隐私泄露风险大等问题,提出基于密文的去中心化推荐模型CDMF.比起统一收集处理所有数据的传统矩阵分解推荐方法,CDMF保持用户的数据在个人终端,以防出现大规模的集中计算;结合随机游走和Paillier加密算法实现基于密文的去中心化推荐;为了提高算法的时间性能,CDMF进一步引入个人兴趣点集合.在Foursquare和Gowalla真实数据集上进行实验,实验结果从精确率、召回率及时间性能三方面证明了CDMF的有效性.该方法在保护隐私的同时,相比经典矩阵分解模型其精确率和召回率分别提高1百分点和9百分点.     

地理分层结构与社会关系的兴趣点推荐

随着基于地理位置的社交网络的兴起,兴趣点(POI)推荐引起了人们的许多关注。POI推荐向用户推荐他们可能感兴趣但没有访问过的地方,从而解决用户下一步去哪的问题。本文提出新的用户相似性度量、全局影响力以及热门POI的概念。综合考虑了多个影响因素之间的关系,以地理分层结构的矩阵分解模型(HGMF)为基础,提出新的POI推荐算法HGS-MF。在Yelp和Gowalla社交网络数据集上对HGS-MF进行了评估。实验结果表明,HGS-MF方法的实验表现均优于传统的POI推荐算法。     

融合社交关系与地理信息的兴趣点推荐模型

基于LBSN的兴趣点推荐存在用户签到矩阵稀疏、推荐精度不高、上下文信息利用不充分等问题,提出一种融合社交信任的矩阵分解算法TGMF（Trust-Geo?Matrix?Factorization）来缓解以上问题。利用BPR模型优化矩阵分解的过程,改进偏序关系的生成策略。把信任影响和相似度计算相结合,提高推荐精度。融合两种模型得到用户的最终偏好列表。把偏好列表中的top-[k]个兴趣点推荐给用户。实验结果表明,在真实数据集Gowalla和Foursquare上,TGMF算法在准确率和召回率两个指标上均优于传统的兴趣点推荐算法。     

时间感知的兴趣点推荐方法

在基于位置的社交网络(Location-based Social Networks,LBSN)中,用户共享位置和与位置信息相关的内容.兴趣点推荐是LBSN的重要应用,根据用户历史访问签到记录推荐其可能感兴趣的位置.与其他推荐问题(如产品推荐或电影推荐)相比,用户对兴趣点的偏好在时间感知特征上尤为凸显.文中探索了时间感知...     

基于时序和距离的门控循环单元兴趣点推荐算法

兴趣点推荐算法多数易受时间因素与地理位置因素的影响,造成兴趣点的相关文本信息具有不完整性和模糊性。从地理位置与时间相关性出发,提出基于时序和距离的门控循环单元兴趣点推荐算法。利用门控循环单元模型对时间序列和相关距离信息进行建模,提取用户访问兴趣点的偏好特征,并基于该特征对用户进行兴趣点推荐。在真实数据集上进行的实验结果表明,与传统循环神经网络算法相比,该算法能够覆盖用户访问兴趣点的长序列,推荐结果更具可靠性。     

基于时间效应的兴趣点推荐混合模型

在基于位置的社交网络中,兴趣点实时推荐数据和用户签到数据存在高稀疏性问题。提出一种基于时间效应的混合推荐模型。通过用户潜在兴趣点数据模型计算用户时间行为影响分数和地理位置影响分数,并用线性统一模型进行处理,选取Top S个兴趣点作为用户的潜在兴趣点。将用户的潜在签到记录引入基于时间效应的矩阵分解模型中,考虑时间差异性和连续性对推荐结果的影响,在此基础上进行优化求解,提出推荐策略。实验结果表明,与LRT模型、UTE+SE模型相比,该模型的推荐效果较好,其准确率和召回率最高可达0.103 4和0.111 8。     

基于位置社交网络的兴趣点推荐研究

兴趣点推荐是基于位置社交网络中的研究热点之一。首先对从Web of Science收集的兴趣点推荐研究文献进行了分析;然后分析了影响兴趣点推荐的多种因素,并在分析传统兴趣点推荐方法基础上重点从用户历史签到信息建模和用户社交生成信息提取两个方面对基于深度学习的兴趣点推荐方法进行了分析;最后,对未来可能提高兴趣点推荐效果的研究方向进行了展望。     

基于LBSN动态异构网络的时间感知兴趣点推荐

随着基于位置社交网络(Location-Based Social Network,LBSN)的快速发展,兴趣点(Point-Of-Interest,POI)推荐可以帮助人们发现有趣的并吸引人的位置。针对签到数据的稀疏性和用户兴趣的动态性等挑战性问题,提出了基于LBSN动态异构网络的时间感知兴趣点推荐算法。在LBSN异构网络模式中增加会话节点类型。通过动态元路径,在用户和兴趣点语义关系之间有效地融入时间信息、位置信息和社交信息等。设置了用户-兴趣点之间的动态元路径集,并提出了动态路径实例的偏好度计算方法。采用矩阵分解模型对不同动态偏好矩阵进行矩阵分解。根据不同动态元路径的用户特征矩阵和兴趣点特征矩阵,获取用户在目标时间访问兴趣点的推荐列表。实验结果表明,与其他兴趣点推荐方法相比,所提方法在兴趣点推荐精确度上取得了较好的推荐结果,具有良好的应用前景。     

基于Wiki技术的Web GIS数据更新

在GIS系统中,地图数据是所有应用的基础,决定着GIS应用的质量。该文基于Wiki思想,通过搭建Web GIS平台实现地图数据更新,论述兴趣点和地图线、面的更新方法,利用Google KML/JavaScript实现了地图数据更新系统,已应用于城市区域管理。     

基于用户兴趣和兴趣点流行度的个性化旅游路线推荐

针对传统的旅游路线推荐算法推荐准确率不高的缺陷,提出一种基于兴趣点(POI)流行度和用户兴趣偏好的个性化旅游路线推荐(PTIR)算法。首先通过分析得到用户真实的历史旅游足迹;然后根据用户在每个景点的逗留时间提出基于时间的用户兴趣偏好;最后在给定的旅行时间限制、起点和终点下,设计最优旅游路线计算方法。在Flickr社交网站的真实数据集上进行实验,结果显示,相比传统的只考虑POI流行度的算法,该个性化旅游路线推荐算法的准确率和召回率都有较大提升;相比只考虑用户兴趣偏好的算法,该个性化旅游路线推荐算法的准确率和召回率也有所提高。实验结果表明综合考虑POI流行度和用户兴趣偏好能使路线推荐得更准确。     

基于距离类别的多源兴趣点融合算法

为了更好地实现多源兴趣点（POI）数据的有效集成与精确融合,提出了一种结合空间与非空间属性的距离类别的兴趣点融合算法（MNMDC）。首先,对空间属性,通过标准化权重算法计算待融合对象的空间相似度得到融合集;其次,利用非空间Jaro-Winkle算法对融合集中类别一致的对象使用低阈值排除,对类别不一致的使用高阈值排除;最后,使用距离约束、类别一致约束和高阈值的非空间Jaro-Winkle算法找出空间算法遗漏的可融合对象。实验结果表明,该方法平均准确率达到93.3%,与空间和非空间算法（COM-NWT）及格网化纠正方法相比,在7组不同重合度的数据下MNMDC方法的平均准确率提高2.7和1.6个百分点、平均召回率提高2.3和1.4个百分点。MNMDC在实际融合过程中能更精确地融合POI数据。     

深度学习方法在兴趣点推荐中的应用研究综述

在基于位置的社交网络（LBSN）中,用户可以在兴趣点（POI）进行签到以记录行程,也可以与其他用户分享自身的感受并形成社交好友关系。POI推荐是LBSN提供的一项重要服务,其可以帮助用户快速发现感兴趣的POI,也有利于POI提供商更全面地了解用户偏好,并有针对性地提高服务质量。POI推荐主要基于对用户历史签到数据以及用户生成内容、社交关系等信息的分析来实现。系统归纳POI推荐中所面临的时空序列特征提取、内容社交特征提取、多特征整合、数据稀疏性问题处理这4个方面的挑战,分析在POI推荐中使用深度学习方法解决上述问题时存在的优势以及不足。在此基础上,展望未来通过深度学习提高POI推荐效果的研究方向,即通过增量学习加速推荐模型更新、使用迁移学习缓解冷启动问题以及利用强化学习建模用户动态偏好,从而为实现效率更高、用户体验质量更好的推荐系统提供新的思路。     

基于城市交通监控大数据的工作位置推理方法

基于时空数据的用户位置推理在产品推荐、精确营销、交通调度及城市规划等实际应用中有着重要的作用,然而,基于城市交通监控数据的位置推理问题尚未被探索,因此,提出了一种面向稀疏摄像头交通监控数据的工作位置推理方法。首先,收集了路网、兴趣点（POI）等城市交通外围数据,并通过路网匹配的预处理方式获取到了一个含有摄像头、POI等丰富语义信息的真实路网;其次,通过聚类车辆轨迹中所提取的起点-终点（O-D）对来获得车辆重要的停留区域,即候选工作区域;之后,利用所提的in/out访问时间模式的约束,从多个候选区域中匹配出最大可能的工作区域;最后,利用所获取的路网信息和路网周中POI的分布信息提取出车辆的可达POI集合,从而进一步缩小车主的工作位置范围。在一个省会城市真实的交通监控数据集上的综合实验评估和案例分析验证了所提方法的有效性。     

Wi-Fi指纹聚类在室内感兴趣区域定位中的应用

针对广域室内位置服务中Wi-Fi指纹图谱构建与维护困难的问题,论证无监督聚类算法实现感兴趣区域(POI)定位的可行性,从而为众包模式生成POI关联定位指纹图谱提供依据。首先介绍Wi-Fi指纹定位算法的基本框架,并将k均值算法、近邻传播算法、自适应传播算法应用到Wi-Fi指纹定位;然后以一个实验室为例,分析室内POI划分与空间区域的关系,建立无线信号强度指示(RSSI)特征库,以BP神经网络算法作为对比,评价三类无监督聚类算法在POI定位的性能,其定位的平均精度和查全率均高于90%。实验结果表明,无监督聚类算法生成无线指纹图谱可以作为粗粒度的室内POI定位的解决方案。     

导航终端中的兴趣点数据压缩检索技术

为了在资源相对有限的嵌入式导航终端上对导航电子地图中包含的大量兴趣点（POI）数据进行有效的组织和存储,基于嵌入式数据库Berkeley DB,提出一种分块压缩的POI数据压缩存储方法。该方法根据POI数据的特点,对其进行聚类、排序、分词以及基于记录块的压缩和存储,通过分词数据的倒排索引,实现POI数据的快速检索。实验结果表明,该方法能够获得较高的压缩率和检索性能。     

基于位置的社会化网络的并行化推荐算法

针对传统的协同过滤算法在利用签到记录进行兴趣点(POI)推荐时不能充分利用签到信息所隐含的偏好、位置和社交网络信息而损失准确率的问题,以及传统的单机串行算法在大数据处理能力上的弱势,提出一种基于位置和朋友关系的协同过滤(LFBCF)算法,以用户历史偏好为基础,综合考虑用户社交关系网络进行协同过滤,并以用户的活动范围作为约束实现对用户的兴趣点推荐。为了支持大数据量的实验,将算法在Spark分布式计算平台上进行了并行化实现。研究过程中使用了Gowalla和Brightkite这两个基于位置的社会化网络数据集,分析了数据集中签到数量、签到位置之间距离、社交关系等可能对推荐结果造成影响的因素,以此来支持提出的算法。实验部分通过与传统的协同过滤算法等经典算法在准确率、F-measure上的对比验证了算法在推荐效果上的优越性,并通过并行算法与单机串行算法在不同数据规模上加速比的对比验证了算法并行化的意义以及性能上的优越性。     

Augmented 3D arrows for visualizing off-screen Points of Interest without clutter

When navigating through 3D environments from a first-person perspective, the limited field-of-view poses challenges in locating off-screen Points Of Interest (POIs), particularly when using the compact screen of a mobile phone. Existing techniques for visualizing off-screen POIs tend to clutter the screen, negatively affecting the visualization’s overall effectiveness. To resolve this problem, we propose a method for displaying off-screen POIs in high-density settings (with over 15 POIs). The proposed approach uses 3D arrows placed along the edges of the smartphone screen to point to the POIs. To minimize clutter, a cluster of POIs is represented by a single 3D arrow pointing to the cluster’s centroid. A model known as the cluttering threshold has also been developed to determine the number of POIs to include in a cluster while maintaining direction information. Additionally, a distance filter is implemented to reduce clutter in dense environments. The effectiveness of the proposed system was evaluated using a within-subject study involving 16 participants. The results indicate that our approach is considerably more efficient and accurate than the current state-of-the-art systems, namely, 3DWedge+ and Halo3D, particularly when the number of POIs in the environment is high.