融入个性化隐私保护的签到激励机制

现有的签到激励机制很少考虑用户的隐私需求,为了保护签到数据中的隐私信息,提出具有个性化隐私保护功能的激励机制,该机制利用差分隐私方法对签到数据中的时间和位置信息进行扰动;同时,为了提高签到数据的质量,设计了基于数据质量的奖励策略,根据签到用户的签到数据质量计算奖励额.实验表明,所提出的签到激励机制可以在保护用户隐私的同时,较好地保证了签到数据的质量.     

基于区域活跃用户的好友推荐和位置推荐算法

针对目前多数基于位置的推荐算法中未考虑用户的实时位置和时间因素, 使得推荐缺乏实时性的问题, 提出一种基于区域活跃用户的推荐算法, 以解决传统基于位置的推荐算法中存在冷启动的问题. 首先, 发掘用户当前所在位置的区域活跃用户, 以此作为推荐标准, 为用户进行推荐. 其次, 在位置推荐中引入时间因素, 使推荐更具准确性和实时性. 实验结果表明: 该算法融入的区域活跃用户好友数可提升推荐系统的实时性; 算法融合的位置信息可使推荐更准确.     

基于聚类和时间权重的协同过滤位置预测算法

校园无线网络产生大量用户位置数据,它使掌握用户行为轨迹、预测用户位置成为可能.协同过滤广泛用于预测和推荐系统中,但现有研究存在数据稀疏性和不适用于处理时空数据的缺点.本文提出基于聚类和时间权重的协同过滤位置预测算法.首先利用DBSCAN聚类算法对用户进行聚类,缓解数据稀疏性.然后在簇内计算用户-位置评分矩阵时引入时间权重,使用户近期的位置签到对预测有更大贡献.与传统协同过滤方法相比,该方法准确率提高9.1%,召回率提高5.2%,F1-SCORE提高7%.     

结合地点类别和社交网络的兴趣点推荐

随着互联网和全球定位技术的高速发展,基于位置的社交网络(location-based social network)不断涌现,鼓励用户通过签到的形式发布个人动态并实时分享地理位置。海量的签到数据为挖掘用户偏好提供了机会,有利于提供基于位置的服务,如兴趣点(point of interest)推荐。兴趣点推荐旨在通过分析用户历史出行记录来得到用户的位置偏好,从而在未来为用户推荐新的地点,同时也能帮助广告商精准地投放用户感兴趣的广告。地点类别往往能够精准地提炼出位置的上下文语义,而现有的兴趣点研究大多都直接去计算用户对地点的偏好,没有有效地结合类别信息。通过对社交网站Yelp的公开数据集进行分析,发现相比访问共同的地点,朋友之间更容易访问相同的类别。因此,考虑朋友间地点类别偏好关系比直接考虑用户间项目偏好的关系更为合适。文中提出一种结合地点类别和社交网络的兴趣点推荐算法CSRS,先从用户历史签到记录获取用户地点类别偏好,然后考虑朋友间的类别偏好差异性。在Yelp数据集上的实验结果表明,与其他算法相比,文中提出的算法在准确率和召回率指标上都取得了更好的结果。     

基于LBSNs的地点推荐算法优化与实现

针对现有地点推荐算法中的两个最主要问题:多算法融合的算法权重选择及算法假设地理因素对所有用户的签到产生的影响都相同,提出了一种基于社交关系与签到记录的个性化地点推荐算法USGP.算法首先单独计算出社交关系和用户签到记录的相似度,然后通过各用户住宅的物理距离对相似度影响因子进行调节;同时采用非参数化方法对用户历史签到地点的分布规律进行统计,计算出地理因素对用户签到的影响.最后进行了算法验证实验,实验结果表明,基于社交关系与签到记录的个性化地点推荐算法USGP的召回率和准确率,都明显好于现在已有的地点推荐算法.     

基于多任务权重参数学习的兴趣点推荐算法研究

基于位置的社交网络的快速发展,通过借助社交网络来分享用户位置信息,其中包含了丰富的上下文信息,比如用户签到、兴趣点地理位置、用户社交关系等,从而对兴趣点推荐的发展提供了很大的机遇.但是,如何有效地利用这些上下文信息,解决数据稀疏和隐式反馈等问题,是很大的挑战.针对这一问题,提出了一种能够动态融合不同上下文因素的推荐算法,该推荐算法可以融合不同类型的上下文因素,比如地理信息、类别信息、时间信息等,通过一种类似梯度下降的动态权重参数学习的方法,动态地学习每个因素的权重,适应不同类型用户特点,从而改善兴趣点推荐效果.     

AES加密的WiFi安全智能签到系统的设计与实现

针对现有的基于WiFi签到系统只考虑系统设计及功能实现,未考虑到数据的安全传输问题,提出利用随机数加时间戳作为密钥,使用AES算法加密服务器之间的通信数据,保证无线控制服务器、认证服务器及签到服务器间个人信息的安全传输。最后,利用微信向客户端发送签到信息。实验结果表明,服务器端能够精准地获取客户端的签到时间、地点及个人信息,保证了师生信息的安全。     

融合社交关系与代价敏感的兴趣点推荐算法

在基于位置的社交网络中,用户签到矩阵极其稀疏,采用排序学习技术进行兴趣点推荐是目前的热门研究方向。针对基于排序学习的兴趣点推荐模型存在精度不高、推荐列表忽略兴趣点的位置等问题,提出一种基于ListMLE的兴趣点推荐算法。基于推荐列表中兴趣点位置的关注度差异,将改进ListMLE算法应用到兴趣点推荐中;用户社交关系影响融入ListMLE的打分函数;代价敏感方法融入推荐列表计算过程。实验表明,在真实数据集Gowalla上,算法的准确率和召回率均优于基线排序学习算法。     

基于移动终端的网络签到系统

传统的手工签到耗用时间长、数据统计复杂、数据量大不便于保存,不适合大范围、人数多的签到场合,没有信息发布与推送功能。基于移动终端的网络签到系统通过无线网络使服务器与具有Android操作系统的终端设备相连,在终端设备上进行签到,签到数据同时上传到服务器的数据库,提高了签到的效率,保证教学、会议等综合性大型聚会场所的快速签到,便于数据统计和存储,同时该系统还可以实时的进行网络查询签到,终端设备可以获取服务器推送的各种信息,及时获得通知通报。对基于移动终端网络签到系统在校园课堂签到应用的系统设计、开发实现方法、实施步骤进行了总体阐述。     

基于时滞的网络控制系统鲁棒H_∞滤波

针对图像序列目标匹配跟踪中出现模板漂移导致目标丢失的问题,提出一种基于距离加权平均绝对差的模板漂移抑制算法。对传统的最小绝对差准则进行改进,利用模板边缘到中心的距离作为参数对实时图与基准图的绝对差结果进行加权,增大失配位置漂移误差,使得真实位置的绝对差最小以防止模板更新过程中产生漂移。研究结果表明:该算法可以在跟踪中有效抑制模板漂移,实现对形变目标的长时间稳定跟踪,实时性好,便于在实时系统中实现。     

位置信息挖掘中的差异化服务机制设计

在基于位置服务(LBS)系统中,用户通过主动上报个人位置信息即可获取所需服务.LBS在带给用户便利的同时,也会泄露个人隐私.相反,服务提供方则希望通过获取位置信息等隐私来最大化自身收益.在实际的LBS系统中,不同用户对于服务水平和位置隐私间的偏好存在差异.服务提供方只能了解用户偏好的分布情况,无法准确获知每个用户的真实偏好.因此,在位置信息挖掘过程中,针对这一信息的不对称性,本文设计了基于合同理论的差异化服务机制.该机制构建了逆向选择模型,针对不同偏好类型的用户设计了不同的最优合同组合以实现差异化服务.性能仿真验证了算法机制的可行性和有效性.结果也表明,本算法机制可以激励用户上报更真实的位置信息,使得服务提供方在位置信息挖掘中获取更大的收益.     

基于距离加权平均绝对差的模板漂移抑制算法

针对图像序列目标匹配跟踪中出现模板漂移导致目标丢失的问题,提出一种基于距离加权平均绝对差的模板漂移抑制算法。对传统的最小绝对差准则进行改进,利用模板边缘到中心的距离作为参数对实时图与基准图的绝对差结果进行加权,增大失配位置漂移误差,使得真实位置的绝对差最小以防止模板更新过程中产生漂移。研究结果表明:该算法可以在跟踪中有效抑制模板漂移,实现对形变目标的长时间稳定跟踪,实时性好,便于在实时系统中实现。     

基于排序学习的连续兴趣点推荐

针对位置社交网络中连续兴趣点推荐系统面临的个性化偏好、数据稀疏性和签到行为的隐式反馈属性等挑战,提出一种基于排序学习的连续兴趣点推荐模型。本文使用三阶张量模型对用户的连续签到行为进行建模,并利用LBSNs中的地理信息定义用户访问兴趣点的地理距离偏好,最后使用基于排序学习的优化标准优化求解模型参数。在两个真实的LBSNs数据集上的实验结果表明,本文提出的模型在推荐性能上优于当前流行的兴趣点推荐算法。     

应用时间滑动窗口模型的轨迹相似性研究

针对社交网络用户个人信息难以获取、公开信息不完整、不通用甚至内容虚假的问题，选择了普适性强，且能客观、真实反映用户行为习惯的位置数据作为相似性分析依据，对新浪微博、滴滴打车进行位置数据采集，形成两个高价值且具有国内网民特色的数据集作为实验对象.提出了一种基于时间滑动窗口模型的轨迹相似性匹配算法，通过调整时间窗口和位置距离优化算法F值，实现不同网络平台用户的相似性分析.以对新浪微博和滴滴打车的用户位置数据为例进行验证，实验结果证明了地理位置为虚拟身份相似性判断的正相关影响因子，且判断相似性的平均F值超过90%.      

改进防碰撞算法在RFID考勤系统中的应用研究

目的解决目前一些基于RFID的考勤系统因标签碰撞造成数据识别率低、系统稳定性差等问题。方法对现有的RFID防碰撞算法进行了分析,在传统的帧时隙ALOHA防碰撞算法基础上,提出了一种改进的动态帧时隙ALOHA防碰撞算法。结果构建了基于RFID的考勤系统架构,实现了人员考勤信息的记录及防止代替签到情况的发生。此外,还给出了改进的RFID防碰撞算法的详细过程。结论改进算法能够让系统以高吞吐量工作,缩短了识别时间,提高了系统的整体性能。     

基于用户偏好加权的混合网络推荐算法

基于热传导或物质扩散理论的推荐算法首先利用网络结构得到对象间推荐关系,然后根据对象间关系预测用户喜欢的对象,而忽略了用户偏好。为了弥补这个缺陷,根据用户已选择对象的标签,利用TF-IDF方法构建用户偏好模型,以用户在预测对象标签上的平均偏好作为对该对象的偏好程度,采用加权方法与现有基于网络推荐算法混合运算。经在基准数据集MovieLens上测试表明,通过与目前效果最好的几种基于网络推荐算法进行加权混合运算,推荐结果在推荐精度、个性化、多样化等多种评价指标方面均比原有算法有明显提高。     

LBSN中结合相遇和拓扑结构的朋友推荐算法

利用基于位置的社交网络(LBSN)中的共享位置信息,提出一种结合相遇和拓扑结构的朋友推荐算法.该方法定义用户关系为相遇模型,通过考虑朋友间时间和空间的相遇特征,基于随机路点模型计算轨迹间在相同时间下的相遇频率作为用户相似度,结合拓扑相似度作为最终的推荐依据.实验结果表明,所提出的方法较传统基于拓扑的好友推荐算法准确率更高.     

一种基于RSSI距离比的传感器节点定位算法

随着无线传感器网络的应用与发展,WSN作为一种全新的信息获取和处理技术已得到广泛应用。如何对传感器网络节点进行快速、精确的定位,已成为WSN系统急需解决的问题。为此,提出了一种基于RSSI距离比的MDS定位算法。该算法巧用RSSI距离比,结合Euclidean测距技术计算节点间距离矩阵,运用MDS算法建立相应的全局坐标系统。根据已知锚节点物理位置,通过坐标变换(旋转与平移)最终确定未知节点的物理位置。实验结果表明:该方法能有效地提高定位的精度,对开发高精度定位系统具有重要的参考价值。     

一种融合PageRank的协同过滤帖子推荐方法

针对贴吧用户面临严重的信息过载问题,提出一种基于用户信息的协同过滤帖子推荐方法.分析帖子推荐的属性特点后,首先利用一个融合了用户评论行为的PageRank算法去判断参与一个帖子讨论中各用户的重要性,主要考虑各用户之间的回复关系以及各用户之间回复的时间关系;然后把PageRank得分高的用户作为聚类中心进行k-means聚类;最后把帖子中聚类得到的用户与推荐系统使用者通过协同过滤算法计算相似度,并结合用户的PageRank得分,选择与用户相关度较高的帖子作为推荐结果.实验结果表明,该模型比现在使用的热门帖子推荐有着更好的表现.     

基于在线客户情绪能量感知的商品推荐算法

为了解决基于传统数据挖掘方法的电子商务推荐算法时效性差、准确度不高的问题，提出了基于情绪能量感知的推荐算法。该算法能实时判断在线用户的购买倾向；通过情感能量匹配技术，对商品特征进行分类，并与用户情绪状态进行匹配。理论性能分析和实验证明，该算法较之传统方法具有较高的匹配准确度、较好的时效性和用户满意度。