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。     

基于眼动实验的个性化地图推荐模型探讨

结合地学眼动实验方法,提出一种以用户视觉为主体的个性化地图推荐模型,避免了个性化推荐技术中冷启动与用户数据稀疏的缺陷,使得在现有的用户兴趣与需求挖掘条件下,个性化服务的推荐结果更加精确。最后对模型进行了测试,并得出了统计结果。     

天之眼——一种基于增强现实的POI移动终端系统

为了提高用户体验,进一步推动基于位置的服务,尝试性地将增强现实技术引入到智能终端的LBS应用中,使虚拟的POI信息和真实场景实时地有机融合,让用户以身临其境的方式体验LBS服务。通过原型系统“天之眼”的研发,证明了本设想的应用价值,实现了“看到数据,点到信息”的目标。     

室内地标提取的POI显著度定量评价模型

室内地标在室内位置信息服务（location based service,LBS）中发挥着重要作用。针对室外地标提取方法不能完全适用于更为复杂的室内环境的问题,提出了一种显著度定量评价模型用于在室内环境中提取地标。以大型商场的室内环境为研究对象,从视觉、认知、空间3个方面分析影响室内兴趣点（point of interest,POI）显著性的主要因素,并用这些因素构建了室内POI整体显著度评价模型。选择武汉市群光购物中心室内的POI数据进行显著度计算,依据显著度的差异性提取了多层地标,反映不同粒度的室内区域空间知识。提取的多层地标可以作为室内智能导航系统中的重要标识,为在复杂的大型商场内实现快速寻路、多粒度路径导引提供关键线索。     

基于天地图的POI数据采集系统设计与实现

针对传统POI数据采集方式成本高,更新缓慢,属性信息不完整等问题,分析天地图提供的地理信息服务和编程接口,结合网络开发技术提出了基于天地图的POI数据采集思路,开发了原型系统,实现了POI数据的采集与动态更新,对保障POI数据现势性、正确性和完整性具有参考意义。     

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。     

基于角色标注的中文POI名称语义分类方法

针对现有中文兴趣点POI(points of interest)分类的不足,分析POI名称的结构特征,利用中文文本处理、语义相似度计算方法,提出一种基于角色标注的中文名称语义分类方法,提高POI分类的精度。     

融入空间关系的矩阵分解POI推荐模型

个性化兴趣点推荐是基于位置社交网络的一项重要服务,通过用户签到数据的序列信息和时空上下文信息可以有效挖掘用户的移动模式和兴趣偏好。为充分挖掘用户的个性化时空偏好和连续签到序列的长期依赖关系,提出嵌入时空条件的概率生成模型,构建门控扩张残差网络,实现基于门控扩张残差网络的兴趣点推荐方法。所提方法通过门控扩张残差网络学习用户的签到序列,将用户连续签到的空间距离和时间间隔作为约束条件,挖掘用户连续签到行为的时空规律,捕获用户签到行为的序列偏好和时空偏好。使用Foursquare和Instagram两套公开的签到数据集进行实验,结果表明,与表现最好的对比算法NextItNet相比,所提方法在召回率、精确度、F1分数和归一化折损累计增益等评价指标上都有明显提升。在Foursquare数据集上,各项指标的提升范围为1.52%~24.95%;在Instagram数据集上,各项指标的提升范围为7.06%~42.47%。所提方法适用于挖掘用户连续签到中存在的长期依赖关系,可以有效嵌入空间距离和时间间隔影响因素,提高了兴趣点推荐的准确性。

     

融入空间关系的矩阵分解POI推荐模型

兴趣点(point ofinterest,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 competi-tion matrix factorization,CC-MF).该模型根据用户与POI间的相...     

上下文感知下的个性化旅游推荐系统初探

为了将用户感兴趣的旅游信息主动推荐给用户,通过引入上下文感知技术,提出了旅游推荐系统中的上下文模型,借助上下文敏感的地球空间信息服务设计了上下文感知下的个性化旅游推荐系统的原型架构。     

基于文本挖掘的个性化地图服务模型研究

随着个性化地图服务的深入研究,如何获取更加实时可靠的用户个性化信息和需求,成为当前研究的难点。本文从人们最重要的交流工具——文本数据出发,在当前文本挖掘技术的支持下,提出了一种能够识别挖掘用户所言,分析提取用户所需,并最终实现地图可视化的个性化地图服务模型。通过实例验证,该模型能够有效地提取地图知识和用户信息,为个性化地图服务的发展提供技术和数据支撑。     

POI的分类标准研究

POI点是地理信息的重要组成部分,通过对POI点的使用者及其所关注兴趣点的研究,给出POI分类的原则和方法,为地理信息的查询、浏览服务提供了良好的支持,从而提高了地理信息的服务水平。     

顾及背景知识的多事件序列关联规则挖掘方法

事件序列关联规则挖掘旨在发现序列中不同事件在邻近时间域内的相互依赖关系,对于理解事件间的交互作用机制具有重要意义。然而,当前事件序列关联规则挖掘方法忽略了序列中事件的分布特征,支持度与置信度阈值参数设置困难,进而造成了挖掘结果的冗余或遗漏问题。充分考虑序列中事件的固有分布特征,定义了新的规则度量指标,并给出了一种顾及背景知识的多事件序列关联规则挖掘算法。实验结果表明,与当前经典的MOWCATL算法比较,此方法挖掘结果更加准确,且规则度量指标间的一致性更好,可有效改善挖掘规则冗余或遗漏问题。应用此方法对2013年冬季北京市PM_2.5浓度与气象因素的多序列进行挖掘,发现PM_2.5浓度与空气相对湿度的联系最为紧密,高湿、低温和弱风环境最容易导致高浓度PM_2.5的形成。     

采用密度聚类算法的兴趣点数据可视化方法

针对目前对兴趣点数据的主要可视化方法均无法从宏观角度清晰地描述其分布规律及特征的问题,提出了基于密度聚类算法DBSCAN的兴趣点可视化方法。采用DBSCAN算法对兴趣点数据进行聚类及可视化,既有效地解决大数据量时兴趣点数据重叠遮盖的问题,又在宏观角度上发现其分布规律且在细节层次上保持数据的位置精确度。在学区房选址的应用中,将常用的兴趣点可视化方法与聚类可视化相结合,可以较为直观地选取合适的学区房。     

面向任务的驾车导航POI分级体系构建的研究

POI分级体系的构建是POI自适应表达的关键。文中从影响驾车导航的因素出发,对驾车导航任务进行归纳,然后针对不同的导航任务,采用定性定量相结合的方式,通过问卷调查、焦点小组法以及数理统计的方法,构建对应不同导航任务的POI分级体系,满足驾车导航POI自适应表达的需要。     

从城市兴趣点中提取多层次地标方法探究

为了获取结构化空间知识,本文在前人研究基础上,提出一种依据显著度差异从城市POI数据中提取多层次地标的方法。分别从知名度、通达度以及个体特征三个方面量化分析了影响POI显著性的因素;然后利用这三个指标构建了POI显著性度量模型,并进行了武汉市武昌区地标提取实验。最后,以各层地标为种子生成Voronoi图,用来反映各层地标的空间影响范围及上下层地标之间蕴含的认知规律。     

基于位置数据和POI的聚类方法

提出了一种基于自适应迭代的空间聚类方法,以探索城市空间设施与人们出行行为的内在关系。基于位置数据和POI,先将微博数据进行格网化,转化为连续的格网数据;再利用自适应迭代的聚类方法和相关性分析探索微博的空间分布和城市公共服务设施的时间活跃度。实验结果表明,微博数据和服务设施之间具有较强的相关性,并从大数据分析角度为城市规划布局的优化提供了辅助决策;但将其应用到实际规划中还有待进一步验证和完善。