LBSN中基于并行图的协同过滤位置推荐算法研究的中期报告.docx

LBSN中基于并行图的协同过滤位置推荐算法研究的中期报告
中期报告
1.研究背景
LBSN（Location-BasedSocialNetworking）是基于地理位置的社交网络，用户能在网络中分享自己的位置信息、朋友圈位置信息等。随着人们生活方式的多元化，LBSN的使用越来越广泛。LBSN平台中的位置推荐算法是提高用户参与度、促进用户体验的重要手段。当前，传统算法已经不能完全满足用户的需求，而基于协同过滤的算法能够从用户的历史评价数据中得到用户对推荐物品的兴趣度，从而提高推荐效果。并行图的算法可以加快协同过滤的运算速度。
2.研究目的
本研究旨在探索基于并行图的协同过滤位置推荐算法的应用，提高LBSN平台的位置推荐效果，加快推荐速度。具体研究任务包括：
1)分析LBSN中位置推荐算法的瓶颈和挑战，认识协同过滤算法的原理和实现方法。
2)设计基于并行图的协同过滤位置推荐算法流程，构筑并行图模型。
3)实现基于并行图的协同过滤位置推荐算法，并利用真实数据进行测试。
4)分析实验结果，比较基于并行图的协同过滤位置推荐算法和传统算法的效率和推荐精度。
3.研究方法
在该研究中，我们采用了实验研究方法，旨在提高LBSN平台的位置推荐效果，加快推荐速度，具体步骤如下：
步骤1：资料收集，收集LBSN平台历史数据、用户评价数据、真实地理位置信息等资料。
步骤2：算法分析，分析LBSN平台中位置推荐算法的瓶颈和挑战，认识协同过滤算法的原理和实现方法。
步骤3：算法设计，结合协同过滤算法和并行图的特点，设计基于并行图的协同过滤位置推荐算法，构筑并行图模型。
步骤4：算法实现，利用真实数据进行算法实现和测试，检验算法效率和推荐精度。
步骤5：实验结果分析，利用实验数据分析基于并行图的协同过滤位置推荐算法与传统算法在推荐效率和精确度方面的差异。
4.研究进展
目前我们已经完成了前三个步骤：收集了LBSN平台历史数据、用户评价数据、真实地理位置信息等资料，同时分析了LBSN平台中位置推荐算法的瓶颈和挑战，并认识了协同过滤算法的原理和实现方法。同时，我们也已经设计了基于并行图的协同过滤位置推荐算法流程，并构筑了基于并行图的算法模型。
接下来，我们将基于真实的LBSN平台数据，实现并行图算法，并利用该算法和传统算法进行对比实验。为了验证算法的准确性和推荐效率，我们将实现基于真实数据的分析，并将分析结果应用于算法的优化和升级。
5.预期结果
我们期望通过本研究，探索出LBSN平台上基于并行图的协同过滤位置推荐算法，并与传统算法进行比较，从而提高LBSN平台的位置推荐效果和推荐速度。
针对实验结果，我们会对数据进行分析，比较两种算法在推荐效率和推荐精确度方面的差异，根据实验结果对算法进行优化和升级。最终，我们期待基于并行图的协同过滤位置推荐算法能够推动LBSN平台的更新和发展。