针对位置社交网络(location-based social networks,LBSN)中连续兴趣点(point-of-interest,POI)推荐系统面临的数据稀疏性、签到数据的隐式反馈属性、用户的个性化偏好等挑战,提出一种融合时空信息的连续兴趣点推荐算法。该算法将用户的签到行为建模为用户-当前兴趣点-下一个兴趣点-时间段的四阶张量,并利用LBSN中的地理信息定义用户访问兴趣点的地理距离偏好,最后采用BPR(Bayesian personalized ranking)标准优化目标函数。实验结果表明该算法相比其他先进的连续兴趣点推荐算法具有更好的推荐效果。
在已有的基于NDN架构的车联网(vehicular named data networking,VNDN)内容检索协议中,对于地理位置无关应用的内容检索通常是以洪泛方式获得内容提供者的位置,这种方式不仅开销大且不能适应内容提供者位置的高度动态变化.本文提出了一种基于分簇和预测机制的VNDN内容检索协议CPCoR(content retrieval protocol based on clustering and prediction mechanism).CPCoR通过车辆和路边单元的协同交互,建立了动态的网络内容索引表,在街道内转发机制中选择链路稳定性较好的簇头进行转发,在街道间转发机制中利用街道的路由性能来选择最优的转发街道.实验结果表明,与已有的Navigo和CCVN协议相比,CPCoR协议提高了21.5%和51.3%的内容获取成功率,且有效降低了22.6%和28.4%的内容获取成本.
