基于情境的POI个性化推荐方法研究

为了实现地图POI推荐服务的个性化和智能化,满足用户兴趣偏好,探讨了POI个性化推荐的情境因素,分析了影响用户对POI个性化需求的多维情境,研究了基于情境的POI推荐方法和步骤,提出了顾及效能的改进TOPSIS个性化推荐算法,着重讨论了推荐算法中地理时空等多维情境的处理策略。通过实验对推荐结果、推荐验证进行分析,证明了本文方法的可行性和有效性。     

基于用户轨迹的POI个性化推荐算法研究

为了实现兴趣点(POI)的个性化推荐,本文针对用户轨迹中的含有大量冗余点的问题,探讨了利用POI和公交数据对用户轨迹数据进行压缩的算法。研究了传统的协调过滤推荐算法后,提出一种基于用户轨迹的加权Top N推荐算法(User TN)。实验结果表明,推荐结果的准确率、召回率和个性化程度都优于传统的协同过滤推荐算法,证明了本文方法的有效性。     

融入空间关系的矩阵分解POI推荐模型

兴趣点(point of interest, POI)推荐是在基于位置的社交网络中流行起来的个性化服务。针对数据稀疏和隐性反馈的使用等问题,提出了一种关系型矩阵分解模型——合作竞争矩阵分解(cooperative competition matrix factorization,CC-MF)。该模型根据用户与POI间的相互关系建模,融入空间关系,并将空间关系细分为空间距离关系和空间拓扑关系,挖掘POI之间、POI与用户之间的空间关系,以缓解数据稀疏问题;同时使用加权最小二乘准则构建目标函数,缓解隐性反馈问题。在现实世界签到Foursquare数据集上进行实验,结果显示:(1)CC-MF模型显著提高了推荐结果的准确性;(2)考虑空间拓扑关系的空间距离因素能够进一步提升推荐系统的性能。因此,CC-MF模型具有良好的拓展性和解释性,且缓解了数据稀疏和隐性反馈使用问题。     

关注点推荐算法的霍克斯过程法

关注点（point-of-interest,POI）推荐是基于位置的社交网络（location-based social network,LBSN）中重要的个性化位置服务。针对LBSN中用户签到数据的复杂性和高度稀疏性问题,本文提出了一种基于霍克斯过程的上下文感知协同过滤关注点推荐算法（HWCF）。首先,根据用户签到关注点的地理空间聚集现象分析用户行为特征,筛选用户候选关注点;然后,利用霍克斯过程对候选关注点建模,通过融合空间距离信息、空间序列变换信息、时间信息、用户偏好、关注点流行度等多种上下文信息计算用户访问候选关注点的概率,对访问概率排序得到top-k推荐列表;最后,对算法参数的取值及调整过程进行讨论。试验结果表明,HWCF算法比其他的关注点推荐算法具有更好的推荐效果。     

顾及用户画像的多源遥感信息智能推荐方法EI北大核心CSCD

近年来,我国各类卫星井喷式发展,随之带来的海量卫星遥感数据保障服务的主动性不够、个性化不足等现实问题日益凸现,严重制约了卫星遥感的多领域智能应用。本文针对该问题,设计了一种顾及用户画像的遥感信息智能推荐方法。首先,构建融时间、空间、载荷、分辨率、产品级别5项核心元素的可扩展主题用户画像模型;然后,对模型中各元素权重、区间长度、分布特征值等进行具体表达,给出解算方法;最后,结合各元素权重及兴趣特征值,计算待分发数据与用户兴趣特征值的关联度,定量解算推荐度,实现遥感数据有序智能推荐。对国家减灾中心和北京市公安局禁毒总队两个用户近3 a实际需求订单的试验结果表明,该模型方法解算构建的各主题元素分布特征符合用户实际应用特点,推荐度较高,平均优于94%。研究成果为工程化实现天基遥感信息个性化服务及智能推荐提供了模型方法。     

室内POI显著度评价的Fisher判别法模型

随着社会经济的快速发展,大型建筑物内部结构越来越复杂,室内空间的位置服务愈显重要。地标作为室内空间中的基础要素,能够帮助人们在室内认清方向和定位。但是,现有的室内地标的选取方式大多牵引于室外准则,未考虑室内POI独有的特点,导致所选取出的地标与用户的认知不匹配。针对这一问题,本文在室内空间POI显著度影响因素探究试验基础上,采用Fisher判别法(FDA)对试验数据进行语义信息量化、构建模型、模型回判和交叉互判处理,确定了室内POI显著度评价模型,并用于室内地标的提取。结果表明,建立的判别模型对室内POI显著度的判别和分级效果显著,选取出的地标能够与用户认知结果相一致。     

用户模型驱动的遥感信息智能服务方法

传统的浏览下载的遥感信息服务模式存在被动性、同一性等缺点,如何主动、准确地满足用户的个性化需求已成为遥感信息服务的焦点问题。本文针对遥感信息在空间和波谱上的覆盖特性,引入区间数学的方法建立了用户模型,描述用户兴趣在遥感信息核心元数据上的分布特征。提出关联度和兴趣度概念用来评价遥感信息对用户兴趣的满足程度,设计了基于拓扑关系的关联函数定量计算关联度。通过将待分发遥感信息作为备选方案构建了决策矩阵,从而将遥感信息的智能服务问题转化为多属性决策问题,实现了面向用户兴趣的遥感信息主动推荐。     

大数据构建的赋分评价模型与功能区识别研究

针对如何解决各类兴趣点(POI)的用地面积差异并精确地识别功能区等问题,该文构建了一种新的功能区识别模型.使用网上调查的各类POI的面积数据等,对各类POI的面积大小所处的区间进行赋值,整理出各类POI的面积评分表,并通过对各类POI进行核密度分析得到每个兴趣点的核密度值.通过构建面积评分与核密度值二级赋分评价模型,增加了POI数据的可用性,实现快速获取城市空间结构.经过精度检验,Kappa系数为0.76,功能区识别精度较高.研究结果可用于区位熵指数、土地利用混合度、平均最邻近距离与标准差椭圆等分析,有利于规划人员掌握城市空间结构与进行科学决策.     

基于微博位置签到数据的POI更新方法

POI的现势性对于位置服务至关重要,但传统人工实地调查效率低,现势性无法满足需求。以当前用户参与数众多的微博社交网络为数据平台,提出了一种基于微博位置签到数据的POI更新方法。首先,对微博位置签到数据进行预处理,剔除语义与空间位置不一致的噪声点,在此基础上提出一种基于RANSAC算法的位置签到数据集地理配准方法,实现位置签到数据与已有地理数据库的可靠配准;然后,将位置签到数据集与已有POI数据库进行空间分析与匹配建模,对匹配不成功的位置签到数据进行有效性验证,提取有效新增数据入库用以更新POI;最后,以武汉市的街旁网位置签到数据进行POI更新实验,能够有效地发现新增POI和消失POI,为POI快速高效更新提供了全新的方式。     

基于Python的互联网POI数据爬取

随着互联网的快速发展,兴趣点(POI)数据遍布网络,人们可以找到自己感兴趣的餐馆、电影院、商店等,同时产生了大量利用互联网POI数据进行增值服务开发的业务.然而,面对互联网海量的POI数据,很难通过传统手工下载并整理数据,使得很多针对POI数据开发的业务受阻.鉴于此,以Python为编程语言,以百度地图为平台,构建了互联网POI数据爬取方法框架;并以南昌餐馆POI数据爬取为例进行了实验.结果表明,爬取的POI数据真实有效且效率远高于传统手工调查方法,为POI数据获取提供了良好的方法思路.