隨著大數據時代的到來,利用大數據技術對大學生群體的研究越來越多,且智能移動終端在大學校園內的迅速普及,使得大學校園積累了大量基于位置的社交網絡(Location-Based Social Networks,LBSNs)數據,為學生行為分析提供了客觀條件。文中使用學生WiFi簽到數據集進行興趣點(Point-of-interest,POI)推薦,提出基于校園地理信息的Logistic矩陣分解(Campus Geographic Information based Logistic Matrix Factorization,CGLMF)POI推薦算法和密集數據矩陣分解嵌入(Matrix Factorization Embedding for Dense Data,MFED)算法在校園真實數據集進行實驗,并將算法的實驗效果在校園WiFi簽到數據分析系統進行可視化分析。具體來說,本文主要貢獻如下:(1)本文基于校園地理模型和融合地理信息的POI推薦算法提出基于校園地理信息的Logistic矩陣分解(CGLMF)POI推薦算法,該算法利用學生個人信息和校園地理信息,通過考慮學生的主要活動區域和該...

【文章頁數】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景
        1.1.1 傳統推薦系統
        1.1.2 基于位置的社交網絡數據
    1.2 國內外研究現狀
    1.3 本文主要工作
    1.4 本文組織結構
2 WiFi簽到數據采集與分析技術基礎
    2.1 數據采集
    2.2 數據預處理
        2.2.1 數據清洗
        2.2.2 軌跡分段、路網匹配
        2.2.3 數據預處理工具
    2.3 數據分析
    2.4 WiFi簽到數據集基本特征
    2.5 本章小結
3 融合地理信息的興趣點推薦
    3.1 校園地理信息模型
    3.2 基于校園地理信息的Logistic矩陣分解
    3.3 實驗結果與驗證
        3.3.1 評測指標
        3.3.2 對比實驗
        3.3.3 實驗結果
        3.3.4 參數調整
    3.4 本章小結
4 密集數據矩陣分解嵌入算法
    4.1 推薦算法分析
    4.2 密集數據矩陣分解嵌入算法
        4.2.1 問題定義
        4.2.2 模型架構
        4.2.3 MFED算法
        4.2.4 目標函數
        4.2.5 模型訓練
        4.2.6 模型對比
    4.3 實驗分析與驗證
        4.3.1 評測指標
        4.3.2 實驗效果
        4.3.3 參數調整
    4.4 本章小結
5 校園WiFi簽到數據分析系統
    5.1 系統設計概述
    5.2 系統需求
    5.3 設計實現
        5.3.1 行為數據分析
        5.3.2 可視化
    5.4 本章小結
6 總結與展望
    6.1 研究成果總結
    6.2 展望
參考文獻
附錄:攻讀學位期間發表的學術論文及參與項目
致謝



本文編號：3871889