基于签到数据的群体旅游路线推荐

移动设备和基于位置的服务的广泛应用带来了大量的时空数据,签到数据详细记录了人们出行的移动模式,分析签到数据可以提高基于位置服务的质量,其中旅游路线推荐是重要的研究方向。现有的路线推荐的研究通常只考虑用户独自出行的情况,推荐的路线尽可能满足单个用户需求。结伴出行是旅游中常见的现象,研究群体的旅游路线推荐具有重要的意义。针对此需求,提出了群体旅游路线推荐问题,目标是为群体推荐一条能够使群体整体满意度大,个体满意度差异小,即对群体内所有成员较公平的最优群体旅游路线。通过分析聚合用户偏好时通常采用的平均数策略与无痛苦策略在推荐结果方面存在的不足,针对搜索路线时所具有的动态性特点,提出了一种动态聚合用户偏好的策略(dynamic aggregation preference,DAP)。DAP策略根据当前个体满意度,动态调整群体偏好模型,保证了推荐结果对群体整体满意度较高的同时,个体差异度小。基于DAP策略,建立路线评价模型,对路线进行满意度评分,返回分值最高的路线。利用Gowalla和Foursquare社交网站真实的签到数据集进行了充分实验,验证了算法在不同参数设置下的有效性。     

基于签到数据的群体局部分散式旅游路线搜索

基于位置的社交网络产生了大量反映用户喜好及路线流行规律的数据,为旅游路线搜索提供了新的模式。现有的群体旅游路线搜索通过将多个用户的偏好进行聚合,之后利用个体推荐算法进行搜索。现实生活中存在群体整体上浏览一条线路时,个体用户可以根据需要选择局部不同景点进行访问的需求。基于此需求,提出了群体用户局部分散式旅游路线搜索问题。该问题结合群体用户的个人偏好,发现一条带有局部分散POI(point of interest)的且群体收益最大的访问路线。采用签到数据,通过用户在POI间的转移情况生成POI转移关系图,在关系图上进行路线搜索。为了提高搜索效率,根据POI的流行度与转移关系设计了双层转移关系图,对POI进行了概化,实现了分级查询。设计了基于分支限界搜索策略的优化算法,利用结点间的控制关系进行剪枝,进一步提高了算法的搜索效率。利用Gowalla和Foursquare社交网站真实的签到数据集进行了充分实验,对搜索出的路线收益及算法的运行效率进行了对比,验证了所提出方法的有效性。     

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。     

一种面向多源异构数据的协同过滤推荐算法

随着电子商务网站的快速发展,数据特征和现实需求均发生了较大变化.以大规模、多源性、异构性为主要特征的数据发挥着更加重要的作用.然而,电子商务系统中数据所具有的特性使得大多数协同过滤方法较难直接用于物品推荐.如何整合多源异构数据来实现数据的价值最大化是当前推荐系统亟待解决的问题.针对这一问题,首先分析了多源异构数据中各类数据的特点,并根据各自特点为其设计了不同的建模方式.其次,提出一种新颖的推荐模型用于评分预测任务,它通过融合多关系数据和视觉信息来缓解数据稀疏问题.最后,设计了一种高效的算法MSRA(multi-source heterogeneous information based recommendation algorithm)用于求解所提模型的参数.在多个亚马逊数据集上的实验结果表明:1)面向多源异构数据的推荐算法其性能明显优于当前主流协同过滤算法; 2)该算法不仅可以有效缓解物品的冷启动问题,而且能够更好地预测不同类型物品的实际评分.     

基于位置的社会网络中面向时序特征的兴趣点推荐算法

兴趣点推荐是基于位置的社会网络的重要研究内容之一.传统的兴趣点推荐算法或者应用基本的协同过滤方法,或者在基本的协同过滤算法中引入空间特征,而没有充分发掘时序特征对推荐算法的重要性.为了进一步提高兴趣点推荐算法的性能,提出了一种面向时序特征的兴趣点推荐算法.给出了基本的基于用户的协同过滤方法,分别描述了时间特征和空间特征的作用,并给出了相应的模型表示方法;将时间特征和空间特征进行融合,提出了一种联合推荐算法.实验表明,提出的算法与其他相关算法相比,准确率和召回率显著提高,因此更适合兴趣点的推荐服务.     

基于位置的社会化网络推荐技术研究进展

随着移动互联网技术、定位技术和无线传感技术的飞速发展以及智能手机的不断普及,基于位置的社会化网络及其带来的应用服务应运而生并得到了迅速的发展.位置数据弥合了物理世界和数字世界之间的鸿沟,使得人们能够更深入地了解用户的偏好和行为.针对用户的兴趣所在,为用户提供基于位置的个性化推荐服务,已成为当前基于位置的社会化网络的一项重要服务,得到工业界和学术界的广泛重视,正成为推荐系统和社会化网络研究领域的一个新的研究热点.从推荐对象、推荐方法和评价方法3个方面对基于位置的社会化网络推荐技术进行概括、比较与分析;在此基础上,对这一研究领域未来可能的研究方向进行了总结与展望.     

多传感器的BPNN和SVM多源异构数据融合算法

多传感器的多源异构数据融合处理时,大量的冗余数据及复杂的非线性可分空间导致能耗较大,为此,提出了BP神经网络和支持向量机的多源异构数据融合算法。以数据关系构建约束条件,利用BP神经网络算法建立数据清洗模型,判定节点变量的活跃程度,优化数据输入;建立数据集合,提取数据特征向量;利用支持向量机泛化能力强、凸优化的特点,获取特征的最优分类超平面,获得非线性可分多源数据集转化为高维线性可分空间的最优决策值,输出结果。实验结果表明,该算法融合多源异构数据的能量消耗小、延迟低,融合效果好。     

面向多源异构数据的个性化搜索和推荐算法综述

高效精准的个性化搜索、推荐等服务可为人们生产生活带来极大便利,而随着互联网技术的迅猛发展,面向多源异构数据的个性化搜索和推荐任务逐渐变得日趋复杂,也是当前大数据分析及个性化服务领域的研究热点和难点.个性化搜索和推荐算法广泛收集多源异构数据,获取用户偏好信息,利用各类机器学习、深度学习等技术,构建用户兴趣偏好模型,预测用户偏好,推荐满足用户个性化需求和偏好的项目或内容,提升用户的使用体验和网站平台的商业利益.本文介绍面向多源异构数据的个性化搜索问题的数学描述,综述面向多源异构数据的个性化搜索和推荐算法的相关研究工作,包括:传统个性化搜索和推荐算法、融合多源异构数据的个性化搜索和推荐算法以及动态个性化搜索和推荐算法等相关研究现状,整理了算法常用数据集、性能评价指标及评估体系,进一步阐明了目前面向多源异构数据的个性化搜索和推荐方法的实际应用场景及今后研究的发展方向,并讨论了存在的不足及所面临的严峻挑战,期望为相关领域的研究人员提供有益帮助.     

A personalized POI route recommendation system based on heterogeneous tourism data and sequential pattern mining

Multimedia Tools and Applications - Planning a personalized POI route before touring a new city is an important travel preparation activity; however, it is a challenging and time-consuming task for...     

大数据环境下多源异构数据的访问控制模型

大数据平台具有开放性和共享性，但随着数据量不断增加且用户访问上下文环境复杂多变，RBAC模型难以满足大数据环境下细粒度、灵活的访问控制。针对这一问题，提出了大数据平台下多源异构数据的访问控制模型。该模型根据属性动态地确定角色权限，并构建基于数据组的层次结构，实现数据属性的简单管理。对该模型进行了形式化定义，阐述了在 Hadoop 平台中的实现和工作流程，并通过实验验证了所提方案的性能开销相对较小。     

面向服务的多源异构数据整合平台的设计

为了使中小企业租赁的各种在线应用系统间的数据能够进行有效地整合和共享,并且使企业员工和客户有统一的登陆点来访问企业租赁的各类信息化系统,研究了面向服务的体系架构,在此基础上设计了面向服务架构的数据整合平台。该平台使中小企业能够一站式对多个软件提供商提供的软件进行租赁,将平台作为使用这些应用系统的统一入口,中小企业可以在该平台中建立企业门户,自助整合企业所租赁的应用系统,有效地实现企业应用系统的整合。通过实例结果表明了该平台对不同软件提供商的数据整合的有效性。     

基于异构星型网络分析的药物推荐改进算法HIC-MedRank

伴随着医疗文献数据库的快速增长,缺乏经验的初级医师在为患者开处方时难以阅读大量的医疗文献来获得科学的决策辅助。2013年提出的MedRank算法从Medline数据库中提取医学信息异构星型网络,基于"有疗效的药物是由好的文章提及的,好的文章是由优秀的作者写的并刊登在高水平的期刊上"的假设,旨在为各类疾病的患者推荐最具有疗效的药物。该算法仍然存在几个问题：1）模型输入的疾病不是独立的疾病;2）推荐的结果不是具体的药物;3）没有考虑文章的发表时间等其他因素;4）没有定义判定作者、期刊、文章是"好的"的标准。对以上问题进行了研究并提出HIC-MedRank算法,该算法纳入作者的H指数、期刊的影响因子、文章的引用数作为评判作者、期刊、文章是否优秀的指标,并综合考虑文章的发表时间、支持机构、发表类型等因素,为高血压合并慢性肾脏病（CKD）患者推荐最佳的降压药物。在Medline数据集上的实验结果显示HIC-MedRank推荐的药物比MedRank算法推荐的药物更为精准,与主治医师投票选择的药物较为一致,与美国成人高血压治疗指南（JNC）推荐的药物一致性达到80%。     

基于多源异构数据融合的网络安全态势评估体系

针对基于单点网络数据很难准确地检测网络恶意活动且无法有效地分析网络状况的问题,本文通过引入多源异构数据融合策略,借鉴层次化网络分析思想,构建出包含流量探测模块、属性提炼模块、决策引擎模块、多源融合模块、态势评估模块等五大模块的网络安全态势评估体系。评估体系以BP神经网络为决策引擎分析各数据源的数据,使用指数加权D-S证据理论融合各决策引擎的输出结果,并基于层次化网络威胁评估方法评估网络威胁状况。实验结果表明:不同探测器探测到的数据对于识别不同类型攻击的优势不同;多源融合技术进一步将识别攻击类型的准确率提升到88.7%;层次化网络威胁评估方法能够有效地评估网络威胁状况。     

多源异构环境下数据同步复制技术的研究

针对多源异构环境下数据的特点,提出一种数据同步复制新方案。该方案解决了多源异构环境下数据库的访问,数据的获取与复制,动态数据源的处理以及同步过程中数据冲突与同步的实时性等问题。最后将所提出的方案应用于某省高速公路车辆监控系统中,达到了实际应用要求,表明了该方案的正确性与有效性。     

一种改进的缺失数据协同过滤推荐算法

协同过滤推荐算法是推荐系统研究的热点,近年来,在亚马逊、淘宝等商业系统中获得应用。在实际应用过程中,协同过滤推荐面临数据稀疏和准确性低的问题。作为推荐基础的用户-产品(项目)矩阵通常非常稀疏(存在大量缺失数据),从而导致推荐结果不准确。文章试图在缺失数据情况下提高协同过滤推荐的准确性,聚焦以下两个方面:(1)用户相似度、产品(项目)相似度计算;(2)缺失数据预测。首先,用增强的皮尔森相关系数算法,通过增加参数,对相似度进行修正,提高用户、产品(项目)相似度计算的准确率。接着,提出一种同时考虑了用户和产品(项目)特征的缺失数据预测算法。算法中,对用户和产品(项目)分别设置相似度阈值,只有当用户或产品(项目)相似度达到阈值时,才进行缺失数据预测。预测过程中,同时使用用户和产品(项目)相似度信息,以提高准确度。在模型基础上,用淘宝移动客户端的数据集进行了验证,实验结果表明所提算法比其他推荐算法要优异,对数据稀疏性的鲁棒性要高。     

Agent evaluation based on multi-source heterogeneous information table using TOPSIS

In agent evaluation, a specific role-playing may need more than one capabilities or the task execution process can be divided into several stages. The diverse perspectives to assess candidate agents are denoted as attributes, which is more practical than treating experts as attributes in many other works. In the evaluation table, the attribute values may come from different sources and the data types may not be the same. Therefore, we consider evaluation issues in a Multi-Source Heterogeneous Information System (MSHIS). Considering that grading, voting and marking are three common evaluation scenarios, linguistic variable, Intuitionistic Fuzzy Value (IFV) and real number are utilized to describe the corresponding evaluation results. To evaluate agents in MSHIS, a TOPSIS-based evaluation method is adopted in this work. In the proposed method, the range is utilized to nondimensionalize the distance between agents in each attribute. Then, a weighted Euclidean distance metric is adopted to measure the comprehensive distance. The relative closeness to the ideal agents reflects the agent’s capability on the concerned task. Finally, the illustrative example and comparative experiments are presented to illustrate the effectiveness of our method.     

基于GML的多源异构空间数据集成系统的设计

多源异构的空间数据成为空间信息共享的瓶颈,在网络环境下如何实现多源异构空间数据的集成,成为当前GIS(地理信息系统)发展的一个热点和难点问题.提出了一个基于GML(地理标记语言)的多源异构空间数据集成模型,解决了多源异构空间数据向GML文档的转换,GML与空间数据库服务器的交互以及GML向SVG(可缩放矢量图形)的转换,并使用WebService技术,在Microsoft.NET平台上设计实现了多源异构空间数据集成系统,从而实现了基于GML的空间数据集成和基于SVG的空间数据可视化.     

An improved collaborative movie recommendation system using computational intelligence

Recommendation systems have become prevalent in recent years as they dealing with the information overload problem by suggesting users the most relevant products from a massive amount of data. For media product, online collaborative movie recommendations make attempts to assist users to access their preferred movies by capturing precisely similar neighbors among users or movies from their historical common ratings. However, due to the data sparsely, neighbor selecting is getting more difficult with the fast increasing of movies and users. In this paper, a hybrid model-based movie recommendation system which utilizes the improved K-means clustering coupled with genetic algorithms (GAs) to partition transformed user space is proposed. It employs principal component analysis (PCA) data reduction technique to dense the movie population space which could reduce the computation complexity in intelligent movie recom-mendation as well. The experiment results on Movielens dataset indicate that the proposed approach can provide high performance in terms of accuracy, and generate more reliable and personalized movie recommendations when compared with the existing methods.