兴趣点推荐是在基于位置社会网络(location-based social network,LBSN)中流行起来的一种全新形式的推荐.利用LBSN所包含的丰富信息进行个性化推荐能有效增强用户体验和提高用户对LBSN的依赖度.针对无显示用户偏好、兴趣非一致性和数据稀疏性等挑战性问题,研究一种针对LBSN的双重细粒度POI推荐策略,即一方面将用户的全部历史签到信息以小时为单位细分为24个时间段,另一方面将每个POI细分为多个潜在主题及其分布,同时利用用户的历史签到信息和评论信息挖掘出用户在不同时间段的主题偏好,以实现POI的Top-N推荐.为实现该推荐思路,首先,根据用户的评论信息,运用LDA模型提取出每个POI的主题分布;然后,对于每个用户,将其签到信息划分到24个时间段中,通过连接相应的POI主题分布映射出用户在不同时间段对每个主题的兴趣偏好.为解决数据稀疏问题,运用高阶奇异值分解算法对用户-主题-时间三阶张量进行分解,获取用户在每个时间段对每个主题更为准确的兴趣评分.在真实数据集上进行了性能测试,结果表明所提出的推荐策略具有较好的推荐效果.
离线瞬态社会网络(offline ephemeral social network,OffESN)是一种在特定时间通过参加特定事件临时组建的新型社会网络.随着移动智能终端的普及和短距离通信技术(如蓝牙、RFID技术等)的发展,该类型网络得到工业界和学术界越来越多的关注.位置邻近(location proximity)关系是指用户在离线网络中的相遇关系.针对位置邻近关系的动态变化性及持续时间短等特征,主要研究离线瞬态社会网络中多用户邻近关系预测问题.首先,给出离线瞬态社会网络中的相关概念及问题定义;然后,设计多用户邻近关系预测总体框架,包括网络片段收集、叠加网络构建、网络过滤及极大紧密子图发现等步骤.由于多邻近关系的数量及每个邻近关系中用户的数量不能事先确定,基于分裂思想提出了一种极大紧密子图挖掘策略,以预测多用户位置邻近关系.该挖掘算法是以加权边介数为网络分裂依据,以聚集密度为分裂结束条件.在2个真实数据集上完成了实验,验证了所提出预测策略的可行性及效率.
作为智慧物联的重要技术支撑,无线射频识别(radio frequency identification,RFID)技术,已广泛用于供应链等物品追溯及实时监控领域.为提高基于RFID供应链环境中标签对象路径追溯查询效率,须对RFID时空数据进行有效编码.考虑到RFID供应链数据具有海量性、存在环路、更新频繁等特点,在2个向量之间可以插入无限个向量的思想基础上,提出了一种偏增向量路径编码策略.该策略以时空数据结点为编码对象,利用向量加法给结点分配唯一1对向量,实现对每个结点时空信息的统一编码.同时,针对码值过大导致的溢出问题提出了优化方案,并进行了正确性证明.实验结果表明:所提出的偏增向量路径编码策略及其优化策略能满足不同类型追溯查询需求,且具有编码速度快、码值溢出速度慢、更新效率高和支持环路等优点.
