融合上下文信息和重叠社区发现的个性化位置推荐方法研究

The recommendation algorithm for location based social network research recently mainly recommends the appropriate location to the user without taking into account the influence of the context information such as time and tag factors on the location recommendation, which restricts the timeliness and accuracy of the recommendation. This project explores new theory and technology that integrate context information and overlapping community detection to provide users with time-aware location recommendation services. First, the user's check-in information is divided into time segments and we identify the association model between user and location according to relation of node and edge attributes and check-in time, then the model of user relation and the model of location relation graph are extracted respectively from the heterogeneous network. Second, an overlapping community detection algorithm based on game theory is proposed, the algorithm clusters user relation and location relation graph respectively. Next, the location topic distribution of the tag context information is analyzed based on Gaussian weighting LDA model, and the tensor decomposition technique is used to analyze user's location preference at different time. In the end, user's candidate recommended locations are obtained based on the local user community structure and location community structure with computation of user similarity and location attraction, it can improve the accuracy of recommendation and user satisfaction. The result of our study can be used in many areas such as smart travel, e-commerce and traffic control. It could give new insight and ideas in the realm of location based social network research, and would further provide theoretical guidance and technical support for development of location based social networking service.

基于位置社交网络中的推荐算法主要实现向用户推荐合适的位置，没有综合考虑时间、标签因素等上下文信息对位置推荐的影响，制约了推荐时效性和准确性。本项目旨在研究融合上下文信息和重叠社区发现为用户提供具有时间感知的位置推荐服务的新理论和新技术。首先，将用户的签到信息按时间段进行划分，确立用户和位置之间的关联模式，抽取异构网络中存在的用户关系和位置关系图模型；然后，提出基于博弈理论的重叠社区发现算法，分别对用户关系和位置关系图模型进行聚类，为后续推荐提供支持；最后，通过基于高斯加权的LDA模型分析标签信息中的位置潜在主题分布，结合张量分解技术分析用户在不同时间下的兴趣偏好，根据局部用户社区结构、位置社区结构和量化的用户相似度与位置吸引度，获取用户的候选推荐位置，提高推荐的准确度和用户满意度。该研究结果可应用于智慧旅游、电子商务和交通监管等领域，为基于位置社交服务的其他应用提供理论指导和技术支持。

位置推荐是基于位置的社交网络（LBSN：Location based Social Network）中的一个重要应用，旨在为用户推荐可能感兴趣的地理位置，是实现用户的个性化需求和解决信息过滤问题的重要手段。本项目以社区发现为研究主线，以张量分解和协同过滤为研究方法，研究为用户提供推荐服务的新理论和新技术。首先，利用节点和连边属性以及签到的时间关系，抽取了异构网络中存在的用户关系图模型；其次，提出了基于博弈理论的重叠社区发现算法对用户关系图模型进行聚类以解决网络数据稀疏问题，同时又提出了基于群智能优化的社区发现算法并拓展性研究了群智能优化算法在天线阵列波束成形、特征选择等方面的应用；再次，研究了基于矩阵分解和K-means聚类的位置推荐方法，该算法既降低了用户相似度的计算量又提高推荐结果的准确度；然后，为了充分利用网络中的上下文关系，挖掘用户对访问位置、访问类别的偏好，提出了基于张量分解和协同过滤技术实现具有时间感知的个人位置推荐算法，该算法设计了一种融合时间的用户相似度计算方法和具有地理约束的地点流行度计算方法，提高了推荐的准确度和用户满意度；最后，对用户的影响力进行量化表示，设计了群组用户分歧度计算方法，提出了融合群组分歧度和个体偏好聚合策略的多用户位置推荐算法，该方法同比其他群组推荐算法准确率提高率超过20%。本项目能够实现高效且准确的个人及多用户推荐服务，本项目的研究结果能进一步为基于位置服务的其他应用提供理论指导和技术支持。