基于时空序列模式匹配的兴趣点推荐方法

兴趣点(point of interest,POI)是地理空间信息的重要组成部分,在基于位置的信息服务中被广泛使用.针对用户对兴趣点访问所产生的时空序列,利用闭合序列模式挖掘方法分析频繁模式,在此基础上根据用户当前所处位置或最近访问序列,通过序列分析进行时空序列模式匹配,并按照序列的匹配程度给出兴趣点推荐列表.实验结果...     

一种基于位置和时间信息的兴趣点推荐方法

在社交网络中,人们往往会访问自己比较感兴趣和离自己比较近的地方,而兴趣点推荐就是根据用户的兴趣偏好能够有效地帮助用户选择自己比较感兴趣的地点。笔者提出一种基于位置和时间信息的兴趣点推荐方法。该方法从兴趣点的角度出发分为3个步骤,首先使用用户历史访问的兴趣点的位置信息计算用户历史访问兴趣点和用户未曾访问过的兴趣点的相似度;然后使用时间信息,将一天划分为不同的时间段,统计所有兴趣点在一天中不同时间段被签到的次数,计算用户历史访问兴趣点和用户未曾访问过的兴趣点的相似度;最后根据兴趣点的位置和时间信息综合计算用户历史访问兴趣点与用户未曾访问兴趣点的相似度,根据Top-N策略向用户推荐用户未曾访问过的兴趣点。在现实社会中的真实数据集上进行实验验证,实验结果表明笔者提出的方法是有效的。     

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。     

融合多种影响因子的兴趣点推荐算法

为了解决兴趣点推荐任务中的数据稀疏性问题和充分利用位置社交网络中的多样信息提高个性化推荐质量,提出了一种融合多种影响因子的兴趣点推荐算法。分别对地理信息和社会信息进行地理影响力建模和社会影响力建模,并联合时间信息和地理信息进行时空影响力建模,然后以加权求和的方式整合3种影响力评分得到用户偏好分数,根据用户偏好分数为每个用户提供1个包含Top-N[WT]个兴趣点的推荐列表。实验结果显示,在2个公开数据集上,融合多种影响因子的兴趣点推荐模型的性能优于对比模型。地理-社会-时空影响是兴趣点推荐任务中的关键,对这3种影响建模可为融合关键信息的兴趣点推荐研究提供参考。     

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...     

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。     

基于偏爱路径的个性化推荐系统

目的设计实现基于偏爱路径的个性化推荐系统原型。方法通过建立Web站点访问的一种矩阵表示模型,并据此挖掘用户浏览偏爱路径。结果分析了偏爱度与置信度的区别,提出了页面平均兴趣度的概念,改进了用户浏览偏爱路径算法。引入页面平均兴趣度的概念,给出了Web站点访问的一种矩阵表示模型,在此基础上挖掘用户浏览偏爱路径。结论该方法能准确地反映用户浏览兴趣,证明该系统具有较高的准确性。     

基于操作序列挖掘的OLAP查询推荐方法

针对联机分析处理(OLAP)操作复杂导致的用户使用效率低下问题,提出基于操作序列挖掘的OLAP查询推荐方法.首先从多维表达式(MDX)查询语句记录中提取整数数列形式的查询序列,再利用PrefixSpan方法对查询序列进行频繁序列模式挖掘,并基于挖掘出的模式及其子模式建立概率矩阵,最后通过搜索与用户当前查询操作或查询序列...     

挖掘频繁波动的Web访问模式算法研究

考虑到Web访问数据的动态特性,给出了一个从Web访问日志历史演变中挖掘频繁波动的Web访问模式的方法.首先采用无序树结构表示用户历史访问页面序列集合,然后给出了频繁波动Web访问模式的详细定义以及挖掘算法描述,最后,根据数据集中访问序列的大小和数量变化对于算法扩展性和性能的影响进行了实验.结果表明,该算法具备良好扩展性的同时,能够比较高效地提取出频繁波动的Web访问模式.     

面向移动时空轨迹数据的频繁闭合模式挖掘

移动泛在感知设备的广泛普及为移动轨迹数据的大规模采集、存储与分析开拓了广阔的空间。通过对用户的移动轨迹数据进行分析挖掘,发现其中所蕴含的有价值的行为模式与特征,对于基于位置的服务(Location-based Service,LBS),城市交通管理,精准广告营销等领域均具有重要的价值。文中针对移动轨迹频繁模式规模过大、信息冗余问题定义了频繁闭合移动轨迹模式,以经典闭合序列模式挖掘算法为基础提出了适应于移动轨迹数据的频繁闭合模式Close Traj算法,分别通过对仿真数据与真实数据的实验测试,结果显示文中所提出的Close Traj算法对于频繁闭合移动轨迹模式挖掘问题具有较强的适用性,同时在运行效率方面具有显著优势。     

序列模式的性质研究

序列模式挖掘是数据挖掘中一个重要研究方向,具有广泛的应用背景．序列模式挖掘会产生大量的模式,使得人们很难利用它们．提出上、下闭序列模式的概念,并得到上、下闭序列模式及其它们之间的若干性质,为解决序列模式的数量问题提供理论基础．     

一种基于序列挖掘的分类系统框架

为了有效地对序列数据进行分类，提出了一种集成分类挖掘和序列模式挖掘技术的分类系统框架(SPACS)．先采用一套约束和裁减策略，为每个分类挖掘频繁序列模式，并将其转换为分类序列规则(CSR)；再利用平均CSR匹配置信度和一个规则匹配算法构建有效的序列数据分类器．SPACS不需要在提取序列的特征后采用传统方法进行分类，可以直接利用从序列数据中提取出的频繁序列进行分类．实验结果表明，对于序列类型的数据的分类，SPACS比传统的决策树和关联分类方法具有更高的分类精度．     

基于项目位置索引的序贯模式增量挖掘方法

通过前缀序列的引入，将搜索空间划分为若干个子空间，利用模式增量技术对序贯模式进行有效搜索，并提出了项目位置索引的概念，即将原始序列数据库信息转换到项目位置索引（IPI）中，从而在搜索序贯模式时避免了复杂的多维候选序列的测试，仅需对各前缀序列对应的扩展的项目位置索引库（IPIDBs)做简单的序列数目累加操作，将复杂的高维序贯模式搜索问题巧妙地转换为一维频繁项目的搜索，降低了算法复杂度，提高了效率。     

CSE算法:利用对频繁序列扩展来进行序列模式挖掘

序列模式挖掘是在多个有序事件序列中查找出现频率大于某个阈值的序列模式的数据挖掘方法 ,自从1995年序列模式挖掘的概念被提出以来 ,人们不断地对序列模式挖掘算法进行研究和改进 .本文介绍了一种新的序列模式挖掘方法—CSE算法及其具体实现方法 ,并对该算法性能做了初步的评价 .     

序列模式的一种挖掘算法

序列模式挖掘是数据挖掘中最重要的研究课题之一。基于记录数据库频繁集中各元素CtiD表的基础上,提出了序列模式挖掘的一种算法ISP。该算法考虑了项目集与序列之间的关系,利用时序连接法,采用不同的构造法,构造出相对应的候选集,从而计算出频繁集。由于算法ISP能够利用中间的挖掘结果,故提高了挖掘过程的效率。     

一种快速最大频繁序列模式挖掘算法

针对序列模式挖掘中, 频繁子序列个数随模式长度增加而爆炸性增长的问题, 提出一种从序列数据库中挖掘最大频繁序列模式的新算法(MFSPAN). MFSPAN充分利用不同序列可能具有相同前缀的性质来减少项集比较次数. 在标准测试数据集上的实验结果表明了MFSPAN的有效性.     

快速频繁序列模式挖掘算法

为解决从数据库中挖掘长模式可能遇到较高的计算复杂度问题, 提出一种新的算法FFSPAN. 传统上, 要判断一个序列是否频繁, 需要在原数据库中判断整个序列是否频繁; 而算法FFSPAN是通过在序列数据库中寻找一个频繁项或一个频繁项集来代替寻找一个完整的频繁序列, 而且FFSPAN算法每次扫描的数据库都是迅速减小的, 这使得算法在挖掘的序列模式越长时越有效. 在标准测试数据集上的实验结果表明, FFSPAN算法非常有效.     

基于SAT和BDD的频繁序列挖掘技术

【目的】研究模式挖掘领域中的频繁序列挖掘技术,由于序列模式挖掘存在指数级的搜索空间,且传统的SAT求解算法无法高效求解大规模数据集的缺点,因此研究符号表示和操作技术,用来避免冗余计算。【方法】提出基于SAT的频繁序列挖掘的符号OBDD算法,基于深度优先算法的思想,首先将频繁序列挖掘问题构建为SAT模型,其次对变量进行排序并将约束子句分类后分别描述为OBDD,利用OBDD的"与"操作得到满足SAT的所有频繁序列模式。【结果】实例结果表明,该方法准确可行。【结论】该方法能有效缩减搜索空间,提高求解效率。     

基于数据流的序列模式挖掘算法

为了实现对数据流的序列模式挖掘，提出了基于数据流的序列模式挖掘算法MFSDS-1和MFSDS-2，它们均通过调整入选度的大小来调整保存信息的粒度．算法MFSDS-2利用分层存储结构，不仅能更好地保存序列信息，而且可以通过与全局序列模式的对比得到当前活动的一些异常序列模式．实验结果表明，基于分层存储的算法MFSDS-2的效率比算法MSFDS-1高．