开题报告2016-付帅-01121391

《开题报告2016-付帅-01121391》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、西安电子科技大学通信工程学院本科生毕业论文（设计）开题报告（2016届）学生姓名过迦专业通信工程学号01121391指导教师朱晓妍2015年1月5日（本表一式三份，学生、指导教师、学院各一份）一、论文名称及项□来源名称：基于用户历史数据的个性化地点推荐系统幵发来源：科研二、研究目的和意义目的：将用户历史数据进行收集和分析，建立用户模型，并对推荐对象进行分析建模，然后根据基于位置的推荐算法向用户进行推荐。也就是说在原有社交网络屮，添加地理位置这一展性，通过给用户或用户活动增加空间位置这一信息而向用户推荐相关对象，使用户

2、体验更加丰富。意义：地理位置信息作为用户上下文屮重要组成之一隐含了大量信息，包括用户个人兴趣以及行为，这就提供给我们一个机会，那就是更好的了解用户在一个社交结构屮，不单单是用户的线上行为，而且包括了用户在现实生活屮的流动性和活跃度信息。在信息技术与互联网技术飞速发展的今天，信息量已严重过载。而基于用户历史数据的个性化地点推荐系统可以有效的解决这一问题。用户可以从海量信息屮及时获取到对自己有用的信息，让生活变的更加简单、方便。由此可见，个性化地点推荐系统对人们的生活方式有着重耍的意义，这一问题的解决对互联网、IT等各个

3、产业都有着巨大推动作用。三、国内外研究现状和发展趋势基于位置的推荐算法依赖于用户过去的历史数据，利用用户对去过的地方的访问时间、显示评分或者评论来推测用户的喜好，进而预测用户对于没冇去过的地方是杏冇兴趣并进行相关推荐。地点推荐已经成为最近研究的一个重点。地点推荐算法主耍利用用户的个人信息数据，位置元数裾以及用户历史位置数裾。一些地点推荐算法通过将位置元（如位置描述和标签等）与用户的个人信息匹配来推荐地点。Park等在文献［1］屮使用W叶斯网络模型，对用户个人信息（年龄、性别、饮食偏好）与参观的价格和类型匹配。Lu等在

4、文献［2］中探讨了各个点之间的内空间和时间的关系轨迹以确定相关的用户偏好的活动子序列。Ye等在文献［3］［4］屮提出一利

5、方法基于用户签到的吋IX!分布来提取位置特点。用户的历史数据包括他们对历史位置的评分数据、签到数据以及个人喜好。使用用户历史位置数据进行地点推荐比单独的利用用户的个人信息数据推荐更有优势。它可以忽略跟用户匹配度很高但是用户评分很差的地点。Chow等在文献［5］中，Horozov等在文献［6］中,Ye等在文献［7］中以及DelPreteandCapra等在文献［8］中都提出使用协同化过滤模型的个性化

6、地点推荐算法。基于位置的社交网络还不是一个完全成熟的领域，如何为这个领域用户提供更好的服务并挖掘更大的商机是每个移动互联网公司需要考虑的问题。好的位置社交推荐系统对基于位置的社交网络吸引用户和商家有着非常关键的作用。经过分析，发现今后还可以从以下儿方而展幵进一步研究：1.根据用户的不同喜好，对同一地点的不同用户进行个性化推荐；2.将推荐模型应用在更广泛的数据及上：3.将除位置信息以外的时间、情感等上下文信息运用到推荐模型中来：4.解决冷扃动为题。移动互联网时代面临着大数据的处理压力，数裾结构复杂，噪声信息繁多。如何充

7、分利用这些数据，挖掘出其屮的价值，在未来仍有很长的路耍走。这需要学术界和业界的共同努力，业界公开数据，学术界参与研究，相信将成为未来一段吋W的研究潮流。四、主耍研究内容、耍解决的问题及本文的初步方案主耍研究内容：把用户模型屮的兴趣信息和推荐对象模型屮的特征信息匹配，同时使用相应的推荐算法进行筛选，找到用户可能感兴趣的对象，推荐给用户。耍解决的问题：1.对用户历史数据的采集与分析，并对用户进行建模；2.对推荐对象的特点分析，进行推荐对象的建模：3.对基于地点的推荐算法进行研究分析，确定合适的推荐算法，并进行模拟推荐；4

8、.对推荐算法效果进行评测并进行优化。初步方案：1.对位置社交个性化推荐算法的当前研究现状和而临的挑战进行描述。简要概述基于位置的社交网络，位置推荐系统及常用推荐算法。1.研究基于位置社交网络的个性化地点推荐算法。针对影响地点推荐的三个要素：用户偏好、社交影响以及位置距离介绍基本个性化推荐算法。2.分析个性化地点推荐算法而临的问题，针对问题说明解决方案。根据解决方法提出一个融合用户协同过滤、社交影响以及朴素贝叶斯分类的自适应地点推荐算法。3.使用Foursquare数据集验证改进的地点推存算法效果。同事，采用准确率pr

9、ecision,作为度量依据，与其他推荐算法比较分析。五、工作的主要阶段、进度和完成吋IX!第一阶段（2015年12月-2016年1月上初）资料收集及整理，确定论文研究A容以及论文题□，拟定论文提纲和开题报告；第二阶段（2016年1H初-3月初）根裾收集的大量资料，进行系统学习。包拈用户历史数据的采集方法，如何对用户进行建模，推荐算法的学习与研