發(fā)布時間：2023-12-09 17:18

　　隨著大數(shù)據(jù)時代的到來,利用大數(shù)據(jù)技術(shù)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(nèi)的迅速普及,使得大學校園積累了大量基于位置的社交網(wǎng)絡(luò)(Location-Based Social Networks,LBSNs)數(shù)據(jù),為學生行為分析提供了客觀條件。文中使用學生WiFi簽到數(shù)據(jù)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(shù)據(jù)矩陣分解嵌入(Matrix Factorization Embedding for Dense Data,MFED)算法在校園真實數(shù)據(jù)集進行實驗,并將算法的實驗效果在校園WiFi簽到數(shù)據(jù)分析系統(tǒng)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(qū)域和該...

【文章頁數(shù)】：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(tǒng)推薦系統(tǒng)
        1.1.2 基于位置的社交網(wǎng)絡(luò)數(shù)據(jù)
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作
    1.4 本文組織結(jié)構(gòu)
2 WiFi簽到數(shù)據(jù)采集與分析技術(shù)基礎(chǔ)
    2.1 數(shù)據(jù)采集
    2.2 數(shù)據(jù)預處理
        2.2.1 數(shù)據(jù)清洗
        2.2.2 軌跡分段、路網(wǎng)匹配
        2.2.3 數(shù)據(jù)預處理工具
    2.3 數(shù)據(jù)分析
    2.4 WiFi簽到數(shù)據(jù)集基本特征
    2.5 本章小結(jié)
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(jié)果與驗證
        3.3.1 評測指標
        3.3.2 對比實驗
        3.3.3 實驗結(jié)果
        3.3.4 參數(shù)調(diào)整
    3.4 本章小結(jié)
4 密集數(shù)據(jù)矩陣分解嵌入算法
    4.1 推薦算法分析
    4.2 密集數(shù)據(jù)矩陣分解嵌入算法
        4.2.1 問題定義
        4.2.2 模型架構(gòu)
        4.2.3 MFED算法
        4.2.4 目標函數(shù)
        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(shù)調(diào)整
    4.4 本章小結(jié)
5 校園WiFi簽到數(shù)據(jù)分析系統(tǒng)
    5.1 系統(tǒng)設(shè)計概述
    5.2 系統(tǒng)需求
    5.3 設(shè)計實現(xiàn)
        5.3.1 行為數(shù)據(jù)分析
        5.3.2 可視化
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 研究成果總結(jié)
    6.2 展望
參考文獻
附錄:攻讀學位期間發(fā)表的學術(shù)論文及參與項目
致謝



本文編號：3871889