本發(fā)明涉及一種面向位置社交網(wǎng)絡(luò)的興趣點(diǎn)推薦方法，屬于社交興趣推薦領(lǐng)域。

背景技術(shù)：

近年來，基于位置的社交網(wǎng)絡(luò)(locationbasedsocialnetworks,lbsns)的迅猛發(fā)展，為推薦服務(wù)提供用戶信息、社交關(guān)系、位置坐標(biāo)、簽到時間、評論信息等多維度信息。在lbsn中，用戶通過簽到來發(fā)布自己的當(dāng)前位置信息，并分享他們對當(dāng)前興趣點(diǎn)(poi，如旅游景點(diǎn)、博物館、圖書館、餐廳等)的評論信息和體驗(yàn)感覺。這些基于位置的社交網(wǎng)站收集了海量的用戶簽到信息，利用用戶的簽到信息向用戶推薦感興趣且沒有去過的地方。興趣點(diǎn)推薦對于用戶和商家都有著非常重要的作用，一方面減輕用戶信息過載問題，滿足用戶個性化需求，另外一方面幫助商家向潛在用戶推送廣告，增加商家的知名度，以此提高商業(yè)效益。因此，興趣點(diǎn)推薦算法的研究具有重要的現(xiàn)實(shí)意義。

目前，興趣點(diǎn)推薦算法研究主要結(jié)合用戶信息、社交關(guān)系、位置坐標(biāo)、簽到時間、評論信息等進(jìn)行推薦。其中，有效的利用時空因素可以進(jìn)一步提高興趣點(diǎn)推薦的性能，給用戶帶來更好的推薦體驗(yàn)。在日常生活中時間因素起著非常重要的作用?；谏缃痪W(wǎng)絡(luò)的用戶行為的時間特征包含用戶訪問興趣點(diǎn)的時間記錄。通過分析用戶的簽到數(shù)據(jù)，挖掘出用戶行為的時序特征，從而改善推薦效果。例如，人們通常在工作日和周末訪問的地方不同。隨著時間的變化，用戶的偏好也會發(fā)生變化。與此同時，地理位置對于位置推薦影響力也不容忽視。tobler的第一地理學(xué)法則顯示：相對于距離遠(yuǎn)的興趣點(diǎn)，距離近的興趣點(diǎn)之間更相似。在現(xiàn)實(shí)生活中，人們通常訪問一個興趣點(diǎn)后，通常喜歡訪問該興趣點(diǎn)附近的地理位置。換句話說，相鄰的興趣點(diǎn)比遠(yuǎn)距離的興趣點(diǎn)具有更強(qiáng)的地理相關(guān)性?；诘乩砦恢玫呐d趣點(diǎn)推薦分為2種：一種方法是僅考慮用戶的當(dāng)前位置坐標(biāo)，過濾掉離用戶較遠(yuǎn)的興趣點(diǎn)，另一種方法是應(yīng)用主題模型或者地理潛在特征來獲取poi的潛在特征。

以上成果有效的推進(jìn)興趣點(diǎn)推薦服務(wù)的發(fā)展，但是仍然存在不足：

1)推薦精確率和召回率低。很難從簽到數(shù)據(jù)中得到有效信息和過于稀疏的數(shù)據(jù)是推薦精度低的原因之一。除此之外，未能夠?qū)τ脩艉灥綌?shù)據(jù)進(jìn)行深入分析；

2)將時間劃分為多個片段，會加劇數(shù)據(jù)稀疏。

技術(shù)實(shí)現(xiàn)要素：

時間和空間特征是興趣點(diǎn)推薦系統(tǒng)的獨(dú)特屬性。有效的利用時空因素可以進(jìn)一步提高興趣點(diǎn)推薦的性能，給用戶帶來更好的推薦體驗(yàn)。但是，現(xiàn)有研究對于時間特征研究不深入，只是簡單的將用戶簽到偏好進(jìn)行不同時刻的劃分，沒有深入挖掘時間因素對用戶偏好的影響。除此之外，將時間等分24個片段，會加劇數(shù)據(jù)稀疏。然而，簽到數(shù)據(jù)集自身特征挖掘的局限性和數(shù)據(jù)的過于稀疏性也是興趣點(diǎn)推薦精確率和召回率低的原因之一。針對上述問題，本發(fā)明提供一種面向位置社交網(wǎng)絡(luò)的興趣點(diǎn)推薦方法，目的是給用戶推薦從未去過的位置，提高推薦精度，減輕用戶信息過載問題，滿足用戶個性化需求，同時也可以幫助商家向潛在用戶推送廣告，增加商家的知名度，以此提高商業(yè)效益。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：

本發(fā)明提供一種面向位置社交網(wǎng)絡(luò)的興趣點(diǎn)推薦方法，包括如下步驟：

步驟1，根據(jù)目標(biāo)用戶的簽到興趣點(diǎn)的歷史記錄，獲取目標(biāo)用戶的相似用戶集合；

步驟2，通過在基于用戶的協(xié)同過濾算法中，融入時間特征，得到基于時間特征和用戶協(xié)同過濾的興趣點(diǎn)評分；

步驟3，將基于時間因素的興趣點(diǎn)流行度的估算融入空間特征去，得到基于空間特征和興趣點(diǎn)流行度特征的興趣點(diǎn)評分；

步驟4，分別將步驟2的基于時間特征和用戶協(xié)同過濾的興趣點(diǎn)評分和步驟3的基于空間特征和興趣點(diǎn)流行度特征的興趣點(diǎn)評分進(jìn)行標(biāo)準(zhǔn)化，再將標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行線性組合，得到目標(biāo)用戶對興趣點(diǎn)的綜合評分；

步驟5，根據(jù)步驟4中的綜合評分向目標(biāo)用戶進(jìn)行興趣點(diǎn)推薦。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟1中目標(biāo)用戶的相似用戶v為與目標(biāo)用戶u的歷史共同簽到興趣點(diǎn)數(shù)量nu,v＞m的用戶，其中，u,v∈user，v∈suser，user為所有用戶的集合，suser為目標(biāo)用戶u的相似用戶集合，m為設(shè)定閾值。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟2中基于時間特征和用戶協(xié)同過濾的興趣點(diǎn)評分為：

其中，為基于時間特征和用戶協(xié)同過濾的目標(biāo)用戶u在時間點(diǎn)t對興趣點(diǎn)l的評分，t∈t，l∈l，t為時間周期，l為興趣點(diǎn)集合；nuser為user中的用戶數(shù)量，為任一用戶r∈user在時間點(diǎn)t和時間點(diǎn)t1的相似度，t≠t1，為目標(biāo)用戶u在時間點(diǎn)t1對興趣點(diǎn)l的簽到值，記作表示用戶u在與時間點(diǎn)t1相鄰的連續(xù)時間點(diǎn)簽到興趣點(diǎn)l的值。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟3中基于空間特征和興趣點(diǎn)流行度特征的興趣點(diǎn)評分為：

其中，為基于空間特征和興趣點(diǎn)流行度特征的目標(biāo)用戶u在時間點(diǎn)t對興趣點(diǎn)l的評分；lu為目標(biāo)用戶u的簽到興趣點(diǎn)集合，geodist(l,lj)為興趣點(diǎn)l和lj之間的球面距離，lj∈lu，l∈l且λ為第一預(yù)設(shè)參數(shù)，λ∈[0,1]，cil,t為在時間點(diǎn)t對興趣點(diǎn)l簽到的用戶集合，cil為對興趣點(diǎn)l簽到的用戶集合，cil′,t為在時間點(diǎn)t對興趣點(diǎn)l′簽到的用戶集合，cil′為對興趣點(diǎn)l′簽到的用戶集合，|cil,t|為在時間點(diǎn)t對興趣點(diǎn)l簽到的用戶數(shù)量，|cil|為對興趣點(diǎn)l簽到的用戶數(shù)量，|cil′,t|為在時間點(diǎn)t對興趣點(diǎn)l'簽到的用戶數(shù)量，|cil′|為對興趣點(diǎn)l'簽到的用戶數(shù)量。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟4中采用min-max分別將步驟2的基于時間特征和用戶協(xié)同過濾的興趣點(diǎn)評分和步驟3的基于空間特征和興趣點(diǎn)流行度特征的興趣點(diǎn)評分進(jìn)行標(biāo)準(zhǔn)化。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟4中目標(biāo)用戶對興趣點(diǎn)的綜合評分為：

其中，k為第二預(yù)設(shè)參數(shù)，k∈[0,1]；為標(biāo)準(zhǔn)化后的為標(biāo)準(zhǔn)化后的

作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟5中根據(jù)步驟4中的綜合評分，按綜合評分從高到低的順序向目標(biāo)用戶進(jìn)行興趣點(diǎn)推薦。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：本發(fā)明首先通過在基于用戶的協(xié)同過濾算法中，融入時間特征，給出相應(yīng)的建模方法；然后將基于時間因素的興趣點(diǎn)流行度的估算融入空間特征去，給出相應(yīng)的建模方法；最后將兩個方法進(jìn)行融合，得到一個基于線性框架的興趣點(diǎn)推薦建模方法有助于提高推薦精確度，克服了傳統(tǒng)的興趣點(diǎn)推薦或應(yīng)用基本的協(xié)同過濾方法、或在基本的協(xié)同過濾算法中引入空間特征，而忽視了時序和興趣點(diǎn)流行度特征對推薦精確度的影響。

附圖說明

圖1是本發(fā)明的實(shí)現(xiàn)模型圖。

圖2是本發(fā)明融合時空和流行度特征的興趣點(diǎn)推薦算法流程圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說明：

一、體系結(jié)構(gòu)

基于本發(fā)明的系統(tǒng)由原始語料庫、預(yù)處理數(shù)據(jù)模塊、相似度計(jì)算模塊、時間感知的協(xié)同過濾模塊、最近鄰候選興趣點(diǎn)選擇模塊、興趣點(diǎn)流行度模塊、融合空間和流行度模塊以及線性融合模塊等組成，如圖1所示。以下對各部分進(jìn)行具體說明：

一個原始語料庫，存儲從foursquare網(wǎng)站上抓取的用戶的簽到記錄(包含用戶id，簽到位置id，位置坐標(biāo)，時間)；

預(yù)處理數(shù)據(jù)模塊，過濾掉與目標(biāo)用戶簽到相同位置少于m次的相似用戶，得到目標(biāo)用戶u的最近鄰相似用戶集合；

相似度計(jì)算模塊，主要計(jì)算任意兩個時間點(diǎn)的相似度和基于不同時間點(diǎn)的用戶相似度，提出基于連續(xù)時間的平滑技術(shù)，可以解決由于將一天時間劃分為以小時為單位的多個時間點(diǎn)所帶來的數(shù)據(jù)稀疏問題，提高推薦精確度；

時間感知的協(xié)同過濾模塊，在基于用戶的協(xié)同過濾中，采用基于不同時間點(diǎn)的平滑技術(shù)，得到目標(biāo)用戶u在時間點(diǎn)t訪問興趣點(diǎn)l的推薦模型；

最近鄰候選興趣點(diǎn)選擇模塊，采用地球球面距離公式計(jì)算候選興趣點(diǎn)離目標(biāo)用戶歷史訪問興趣點(diǎn)的距離，對其中最短距離取反，得到目標(biāo)用戶訪問候選興趣點(diǎn)l的條件概率；

興趣點(diǎn)流行度模塊，主要是進(jìn)行用戶對興趣點(diǎn)的歡迎程度的評估，利用候選興趣點(diǎn)在某個時間點(diǎn)的被簽到數(shù)量和該候選興趣點(diǎn)長期的被簽到數(shù)量計(jì)算得到；

融合空間和流行度模塊，在最近鄰候選興趣點(diǎn)估計(jì)的基礎(chǔ)上，融合基于時間因素的興趣點(diǎn)流行度估計(jì)，得到最終目標(biāo)用戶u在時間點(diǎn)t訪問興趣點(diǎn)l的推薦模型；

線性聯(lián)合模塊，將以上兩個推薦模型進(jìn)行線性加權(quán)，實(shí)驗(yàn)采用foursquare數(shù)據(jù)集，按興趣點(diǎn)評分從高到低排序向用戶推薦興趣點(diǎn)。

二、方法流程

如圖2所示，當(dāng)目標(biāo)用戶u在時間點(diǎn)t對其進(jìn)行興趣點(diǎn)推薦，具體步驟如下：

步驟1：預(yù)處理數(shù)據(jù)，得到目標(biāo)用戶u的相似用戶集合suser。具體預(yù)處理數(shù)據(jù)步驟如下：統(tǒng)計(jì)foursquare數(shù)據(jù)集中目標(biāo)用戶u訪問過的地點(diǎn)集合lu。遍歷地點(diǎn)集合lu,找到訪問過相同的興趣點(diǎn)的用戶v，計(jì)算目標(biāo)用戶u和用戶v共同訪問的興趣點(diǎn)的數(shù)量nu,v,若nu,v大于閾值m,則用戶v是目標(biāo)用戶u與之相似的用戶，否則過濾掉v。如此反復(fù)，最后得到與目標(biāo)用戶u的相似的用戶集合suser。其中m∈{0,1,..,10}，通過調(diào)整參數(shù)m的值發(fā)現(xiàn)，其值為4時，實(shí)驗(yàn)結(jié)果最優(yōu)。

步驟2：將用戶歷史簽到時間t按小時等分為24段，t＝{0,1,...,23}，例如09:01:00記為9，00:10:00記為0。

步驟3：利用公式計(jì)算任意兩個時間點(diǎn)的相似度，記為其中，是對于任意的用戶r∈user，用戶u的時間點(diǎn)t與任意時間點(diǎn)t1之間的相似度，t≠t1，nuser為數(shù)據(jù)集中用戶數(shù)量，user為foursquare數(shù)據(jù)集中的所有用戶集合。

步驟4：利用公式計(jì)算用戶u在與t相鄰的連續(xù)時間點(diǎn)簽到位置l的值。

步驟5：利用公式計(jì)算基于不同時間點(diǎn)的用戶相似度，記為其中，和分別是基于不同時間點(diǎn)，用戶u和相似用戶v在時間點(diǎn)t簽到興趣點(diǎn)l的值，t和l分別是時間點(diǎn)集合和foursquare數(shù)據(jù)集中的所有地點(diǎn)的集合。

步驟6：根據(jù)基于不同時間點(diǎn)的用戶相似度，利用公式得到用戶u在時間點(diǎn)t對興趣點(diǎn)l的評分。

步驟7：采用地球球面距離公式，計(jì)算用戶對于距離的敏感度，找到最近鄰候選興趣點(diǎn)。其中，球面距離公式為：

geodist(li,lj)＝r·cos^-1(sin(lati)·sin(latj)+cos(lati)·cos(latj)·cos(lngi-lngj))，用戶對于距離的敏感度的計(jì)算公式為興趣點(diǎn)li的坐標(biāo)是<lati,lngi>,興趣點(diǎn)lj的坐標(biāo)是<latj,lngj>，r是地球的近似半徑，目標(biāo)用戶u訪問過的地點(diǎn)集合為li∈l且

步驟8：利用候選興趣點(diǎn)在某個時間點(diǎn)的被簽到數(shù)量和該候選興趣點(diǎn)長期的被簽到數(shù)量，計(jì)算基于時間因素的興趣點(diǎn)流行度。其中，流行度計(jì)算公式為λ為第一預(yù)設(shè)參數(shù)，λ∈[0,1]，cil,t為在時間點(diǎn)t對興趣點(diǎn)l簽到的用戶集合，cil為對興趣點(diǎn)l簽到的用戶集合，|cil,t|為在時間點(diǎn)t對興趣點(diǎn)l簽到的用戶數(shù)量，|cil|為對興趣點(diǎn)l簽到的用戶數(shù)量，|cil′,t|為在時間點(diǎn)t對興趣點(diǎn)l'簽到的用戶數(shù)量，|cil′|為對興趣點(diǎn)l'簽到的用戶數(shù)量。

步驟9：將步驟7和8通過公式進(jìn)行組合，得到在空間和興趣點(diǎn)流行度特征影響下，用戶對于某個興趣點(diǎn)l的推薦評分。

步驟10：將步驟6和9通過公式進(jìn)行線性組合，得到用戶對于每個興趣點(diǎn)的綜合推薦評分。其中，因?yàn)?imgfile="bda0001349287750000067.gif"wi="187"he="78"img-content="drawing"img-format="gif"orientation="portrait"inline="no"/>使用了不同的方法進(jìn)行計(jì)算的，所以在融合前必須采用min-max標(biāo)準(zhǔn)化方法對這兩個結(jié)果進(jìn)行線性變換得到標(biāo)準(zhǔn)格式數(shù)據(jù)，即

步驟11：按綜合評分從高到低的順序向目標(biāo)用戶進(jìn)行top-n興趣點(diǎn)推薦，即由高至低向目標(biāo)用戶推薦綜合評分較高的n個興趣點(diǎn)。

以上所述，僅為本發(fā)明中的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。