一种基于GPS轨迹的路线规划方法

本发明提供了一种利用路线轨迹点信息来进行路线规划的方法,包括:获取包括一系列轨迹点的坐标的路线轨迹点信息;在电子地图上按照该一系列轨迹点的坐标形成与该一系列轨迹点对应的正向链路或反向链路;在以当前位置为中心的预定范围内,找到正向链路或反向链路与电子地图中路网的交叉点,作为正向链路或反向链路的备选切入点,其中备选切入点的数日大于预定值;获得从当前位置到每一个备选切入点的路线,计算所述路线的权值,并将权值最小的路线所对应的备选切入点作为最佳切入点,并将权值最小的路线作为最佳切入路线,将最佳切入路线与从最佳切入点到正向链路或所述反向链路的终点的正向链路或反向链路连接,形成正向或反向规划路线。     

基于知识图谱的个性化旅游路线推荐服务的实现

得益于信息技术的发展,线上景点数据日趋丰富.但由于现有搜索引擎提供的信息缺乏关联度和完整性,不利于最优出行路线设计.通过实现对景点数据的高效归类和整理,以及由不同维度需求构建用户画像.应用知识图谱对景点信息进行分类整合,与用户需求匹配,为用户推荐符合个性化需求的旅游路线,实现由用户按喜好定制出行路线.     

个性化推荐算法研究

个性化技术是计算机技术发展必然的产物,其属于新兴技术,科研人员对其研究时间也较短,是一个很有潜力的项目。该文中就个性化进行了介绍,并对其研究领域、具体实现进行了阐述,最后对个性化技术进行那个了总结和展望。     

基于矩阵分解的个性化轨迹推荐方法

轨迹推荐在轨迹数据挖掘中尤为重要,可以帮助用户从大量轨迹数据中快速找到满足用户需求的路线.现有的轨迹推荐方法通常是在原始轨迹数据上考虑特定代价标准最优的前提下返回出行路线,无法体现不同用户的不同行为习惯.针对此问题,将用户前后连贯的活动刻画为行为,提出基于矩阵分解的用户行为概率学习方法.基于学习的用户行为概率,将寻找概...     

基于用户浏览轨迹的商品推荐

随着电子商务的迅速发展,推荐系统在这些网站中得到了广泛的应用。目前应用最广泛的个性化推荐算法是协同过滤推荐算法,但是该方法存在稀疏矩阵与冷启动问题。根据用户浏览记录推荐商品是缓解这些问题的一个重要研究方向,这些方法根据用户在电子商务网站的访问日志,提取出用户的浏览路径序列,即用户浏览轨迹,为用户推荐偏爱商品。目前,通过分析用户浏览路径为用户推荐商品的方法主要依据用户浏览轨迹模式匹配或者从用户浏览轨迹中商品与下一个商品关系的角度进行考虑。而本研究从浏览轨迹中被浏览商品与最终被购买商品关系的角度出发,并以此为基础建立用户浏览轨迹偏爱模型,挖掘用户偏爱,为用户推荐商品。实验表明,所提方法能够在一定程度上解决因为新用户缺少历史购买及评分记录而引起的新用户冷启动问题,提高了推荐方法的准确度与召回率。     

Coteries轨迹模式挖掘及个性化旅游路线推荐

Coterie是一种异步的组模式,要求在不等时间间隔约束下找出具有相似轨迹行为的组模式.而传统的轨迹组模式挖掘算法往往处理具有固定时间间隔采样约束的GPS数据,因此无法直接用于Coterie模式挖掘.同时传统组模式挖掘存在语义信息缺失问题,降低了个性化旅游路线推荐的完整度和准确度.为此,提出基于语义的距离敏感推荐策略（DRSS）和基于语义的从众性推荐策略（CRSS）.此外,随着社交网数据规模的不断增大,传统组模式聚类算法的效率受到了极大挑战,因此,为高效处理大规模社交网轨迹数据,使用带有优化聚类的MapReduce编程模型来挖掘Coterie组模式.实验结果证明,MapReduce编程模型下带优化聚类和语义信息的Coterie组模式挖掘,在个性化旅游路线推荐上优于传统组模式旅游路线推荐质量,且能有效处理大规模社交网轨迹数据.     

基于Hadoop及出租车历史轨迹的乘客推荐算法

针对智慧城市中乘客打车策略的推荐算法效率不高的问题,使用古典概率学统计历史轨迹中该时间该路段有空车的天数占数据集总天数比例,作为乘客等到空车概率;使用最小二乘法拟合时间与到达空车数曲线,预测乘客等到空车时间,以提高推荐效率。同时,使用Hadoop作为数据存储和计算平台以提高数据处理能力;提出一种基于地图栅格化的路网存储结构来提高搜索地图速度;改进一种基于计算几何的地图匹配算法提高匹配准确率。实验结果显示,空车概率推荐算法正确率约87%,等待时间推荐算法正确率达88.4%,表明挖掘轨迹数据为乘客提供推荐服务的可行性。     

基于s-Tree算法的个性化推荐服务研究

本文提出了基于关联规则的挖掘最大频繁访问的新算法——s-Tree算法,并以此去分析用户的访问模式,挖掘出特定用户访问模式和浏览偏爱路径信息,进而优化站点结构,为用户提供“一对一”个性化的Web页面访问预测及内容推荐。     

基于稀疏轨迹聚类的自驾车旅游路线挖掘

针对自驾车游客加油轨迹稀疏,还原真实旅游路线困难的问题,提出一种基于语义表示的稀疏轨迹聚类算法,用以挖掘流行的自驾车旅游路线。与基于轨迹点匹配的传统轨迹聚类算法不同,该算法考虑不同轨迹点之间的语义关系,学习轨迹的低维向量表示。首先,利用神经网络语言模型学习加油站点的分布式向量表示;然后,取每条轨迹中所有站点向量的平均值作为该轨迹的向量表示;最后,采用经典的k均值算法对轨迹向量进行聚类。最终的可视化结果表明,所提算法有效地挖掘出了两条流行的自驾车旅游线路。     

基于Web挖掘的个性化推荐算法研究

个性化推荐系统是根据用户的爱好,给用户推荐符合用户兴趣的对象的一种高级商务智能平台.论文重点探讨基于用户的协同过滤算法,介绍其基本思想和工作流程,并通过高级语言C＋＋来实现三种相似度计算方法,通过实验比较得出了最佳的计算方法,并设计实现了一个电子商务个性化推荐系统原型,对其他同类网站应用个性化推荐系统具有很好的参考价值.     

融合标签和多元信息的个性化推荐算法研究

多数基于标签的推荐算法都存在推荐方式单一的问题，没有充分利用社会关系等其他信息。针对这一问题，提出了一种融合信任关系、时间因子和标签信息的个性化推荐算法TTLMF，该算法在现有基于标签的个性化推荐算法的基础上，充分利用了用户之间的信任关系和当前上下文的时间信息，使得推荐项目更加符合用户的需求。在公共数据集last.fm上进行了实验，结果表明TTLMF算法在准确率、召回率、[Fmeasure]以及覆盖率这四个指标上具有更好的推荐效果，一定程度上缓解了数据稀疏性和用户的冷启动问题。     

基于时间加权的个性化推荐算法研究

协同过滤算法是个性化推荐系统中应用最成功的推荐算法之一,但传统的算法没有考虑在不同时间段内寻找最近邻居问题,导致寻找的邻居集合可能不是最近邻居集合。针对这个问题,本文提出了基于时间加权的协同过滤算法。该算法赋予每项评分一个按时间逐步递减的权重,利用加权后的评分寻找目标用户的最近邻居。实验表明,改进的算法提高了协同过滤推荐系统的推荐质量。     

基于Web多人协作平台的个性化推荐算法研究

针对用户在Web多人协作平台中面对海量的信息和资源,如何快速便捷地获取自己感兴趣的内容问题,提出一种基于用户特征的个性化推荐算法。在提取出用户特征的基础上,该算法首先通过计算特征的相似性找出目标用户的最近k个邻居,然后由最近邻居的内容推荐项得到目标用户的推荐项。实验结果表明,该算法能够很好地应用于Web多人协作平台。     

基于免疫算法的个性化推荐系统

针对个性化推荐系统中用户的多个不同需求,提出一种基于免疫算法的求解方法。该算法将要求解的个性化 推荐列表建模成一个最大化推荐准确性和多样性的多目标优化问题,采用基于用户的协同过滤技术对用户进行分类,设计了 适合推荐问题求解的抗体编码方式、克隆、变异算子。仿真实验结果表明,所提算法能够有效求得个性化推荐的最佳解,达到 可以同时为多个用户提供多个不同推荐的需求。     

基于情境感知的个性化推荐算法

随着互联网的快速发展,只涉及用户和项目的传统个性化推荐已不能满足推荐要求的效率和准确率.因此,情景感知个性化推荐服务引起了广泛关注,成为新的研究热点.本文分析了情境的定义、情景感知个性化推荐模型,并提出了一种基于情境信息降低维度的关联规则推荐模型.最后,以视频网站的web日志为数据源,融合时间情境因素,实现了基于时间情境划分的关联规则推荐算法,并和传统推荐算法进行对比分析,实验证明,情境感知推荐算法具有更高的准确率和召回率.     

基于LBS的个性化推荐算法

针对传统的协同过滤算法存在用户冷启动、对位置变化不敏感等问题,我们提出了一套较为完善的应用于移动商务的基于LBS（Location Based Service）的个性化推荐算法。本算法利用了位置感知和经典的协同过滤算法,引入距离变量借鉴多属性决策理论得出较为完善的推荐列表。实验证明本算法具有较强可行性。     

基于多特征的个性化图书推荐算法

现有推荐算法计算读者之间或图书之间的相似性不准确、推荐精确度不高。为此,提出一种基于多特征的个性化图书推荐算法。根据中图分类法及图书的特征向量计算图书的相似性,依据读者的特征向量及借阅记录计算读者的相似性。在此基础上产生2种预测结果并对其进行加权,产生最终推荐。实验结果表明,该算法具有较高的图书推荐精确度。     

个性化课程推荐中LFM自动聚类算法研究

为给学生推荐不同兴趣粒度的课程,提出隐含语义模型（Latent Factor Model,以下简称LFM）,并将其应用于网络环境中学生对于课程学习点击的隐性反馈数据集,对学生的兴趣主题、行为习惯和课程类别自动聚类,然后进行Top-N推荐.实验表明,该方法是有效的,且具有较高的准确度.     

基于张量分解的个性化标签推荐算法

基于互联网的社会标签推荐系统为广大用户提供了一个信息共享平台,让用户以"标签"的形式为其浏览的物品标注信息。标签既描述了物品语义,又反映了用户偏好。标签系统的最大优势在于可以发挥群体的智能,获得用户对物品比较准确的关键词描述,而准确的标签信息是提升个性化推荐系统性能的重要资源。然而,现存的标签推荐系统面临的问题是:由于兴趣的不同,不同的用户对于同一物品可能会打不同的标签,或者是同一标签对于不同用户可能会蕴含不同的语义。因此如何有效获取用户、物品、标签3者之间潜在的语义关联成为标签推荐系统需要解决的主要问题。为此引入三维张量模型,利用三维张量的3个维度来分别描述社会标签推荐系统中3种类型的实体:用户、物品、标签。在基于历史标签数据(标签元数据)构建初始张量的基础上,应用高阶奇异值分解(HOSVD)方法降低张量维度,同时实现3种类型实体之间潜在的语义关联分析,从而进一步提高标签推荐系统的准确性。实验结果表明,该方法较当前两种典型的标签推荐算法(FolkRank和PR)在准确率和召回率性能指标上有明显提升。