基于LBSN的個性化推薦技術研究.pdf

1、隨著定位技術的發(fā)展，用戶地理位置的實時獲取變得越來越簡單，這帶來了基于位置的社交網絡飛速發(fā)展。同時，越來越多的移動終端接入到網絡中，它們提供的位置信息也給用戶帶來了更加豐富的資訊信息。基于位置的社交網絡個性化推薦系統(tǒng)與電子商務、O2O等行業(yè)緊密聯(lián)系在一起，具有極高的經濟價值，因此研究基于LBSN的個性化推薦技術已經成為當今學術界非常熱門的研究領域。
　　本文探究LBSN個性化推薦系統(tǒng)的理論和相關技術，并對常用的推薦算法進行了簡單介

2、紹。研究了當前主流的LBSN個性化推薦技術框架，總結了聚類技術以及好友推薦模型中的不足，并據此提出了兩種改進算法。一種是基于LBSN的聚類算法，用于獲取更好的聚類結果;另一種是將好友推薦模型中好友間的對稱性融入到推薦結果中，并在此基礎上提出一種完全對稱性好友推薦結果，這種推薦結果具有更好的準確率和召回率。
　　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個性化推薦技術的研究現(xiàn)狀與進展。接著，本文對個性化推薦技術的相關

3、理論基礎和各種推薦算法的優(yōu)缺點進行了歸類總結。然后，本文介紹了聚類算法在LBSN個性化推薦技術中的應用，分析了傳統(tǒng)聚類算法在基于LBSN網絡中存在的不足，提出了一種面向LBSN的聚類算法，并通過實驗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，實驗數據顯示，隨著半徑r的減小，本文算法的優(yōu)勢會更加明顯:一定條件下，相對于傳統(tǒng)k-medoids算法，本文算法的代價E可以縮小其到20％;相對于LPKMD算法，代價E能夠縮小1.2

4、％到2％。此外，本文還針對傳統(tǒng)TOP-n算法在好友推薦時所忽略的好友間對稱性問題，提出了一種雙向TOP-n算法，該算法使用了兩種增量策略來構建相似性圖譜，將用戶間的感興趣度轉化為有向圖，并通過實驗證明該算法具有更好的準確率和召回率。實驗顯示，雙向TOP-n算法在不同的推薦個數N以及增量k下優(yōu)勢不同，但總體結果均好于傳統(tǒng)算法，本文推薦算法的準確率隨著推薦個數N的增加而顯著減小，召回率逐步增加。具有完全對稱性推薦結果的CSTOP-n算法以更