本發(fā)明涉及信息處理技術(shù)領(lǐng)域，尤其涉及一種基于位置服務(wù)的人群分類方法及裝置。

背景技術(shù)：

隨著互聯(lián)網(wǎng)的發(fā)展，人們的生活越來越多地與互聯(lián)網(wǎng)緊密聯(lián)系在一起。隨著人們?nèi)粘Ｉ罟?jié)奏越來越快，用戶日益希望能夠通過互聯(lián)網(wǎng)快速找到自己需要的產(chǎn)品或服務(wù)，以達(dá)到節(jié)省時間的效果。相應(yīng)地，產(chǎn)品或服務(wù)提供者也希望通過互聯(lián)網(wǎng)快速找到需要其提供的產(chǎn)品或服務(wù)的目標(biāo)用戶，并向目標(biāo)用戶推薦其產(chǎn)品或服務(wù)，以促使產(chǎn)品或服務(wù)提供者與目標(biāo)用戶之間達(dá)到相應(yīng)的交易。在銀行、保險等金融機(jī)構(gòu)給客戶提供風(fēng)險類金融產(chǎn)品時，目標(biāo)用戶的設(shè)置，不僅可使金融機(jī)構(gòu)對目標(biāo)用戶進(jìn)行業(yè)務(wù)推廣或廣告宣傳，還在一定程度上對風(fēng)險類金融產(chǎn)品的風(fēng)險控制管理。

現(xiàn)有相似用戶的確定過程如下：通過互聯(lián)網(wǎng)獲取用戶基本信息(包括年齡、性別、學(xué)歷和職業(yè)等)和互聯(lián)網(wǎng)社交信息(如微博、微信和QQ等)，并對用戶基本信息和互聯(lián)網(wǎng)社交信息進(jìn)行分類，以將所有用戶劃分成若干分類人群(如基于學(xué)歷、職業(yè)、消費(fèi)能力等)，通過對目標(biāo)用戶的用戶基本信息和互聯(lián)網(wǎng)社交信息進(jìn)行分析處理，確定其所屬的分類人群，以確定與目標(biāo)用戶相對應(yīng)的相似用戶，基于相似用戶的喜好給目標(biāo)用戶推薦產(chǎn)品或服務(wù)，以提高目標(biāo)用戶對推薦產(chǎn)品或服務(wù)的接受率?，F(xiàn)有相似用戶的確定過程，不僅存在信息采集數(shù)量大的問題，還存在分類結(jié)果準(zhǔn)確性較低和主觀性較強(qiáng)的問題，導(dǎo)致每一分類人群的相似用戶之間的聯(lián)系性較弱，使得產(chǎn)品或服務(wù)提供者向同一分類人群下的相似用戶進(jìn)行業(yè)務(wù)推廣或廣告宣傳時，無法得到相似用戶的響應(yīng)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對現(xiàn)有相似用戶確定過程中存在的問題，提供一種基于位置服務(wù)的人群分類方法及裝置。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種基于位置服務(wù)的人群分類方法，包括：

基于位置服務(wù)獲取用戶的地理位置信息，所述地理位置信息包括與時間相關(guān)聯(lián)的POI信息；

對任一用戶在預(yù)設(shè)期間內(nèi)所有的地理位置信息進(jìn)行聚類分析，獲取生活習(xí)慣軌跡向量表；

利用所述生活習(xí)慣軌跡向量表構(gòu)建原始用戶軌跡矩陣；

采用奇異值分解算法對所述原始用戶軌跡矩陣進(jìn)行矩陣分解，獲取重構(gòu)用戶軌跡矩陣；

基于所述重構(gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶。

優(yōu)選地，所述對任一用戶在預(yù)設(shè)期間內(nèi)所有的地理位置信息進(jìn)行聚類分析，獲取生活習(xí)慣軌跡向量表，包括：

采用DBSCAN算法對任一用戶在預(yù)設(shè)期間內(nèi)所有POI信息進(jìn)行聚類，以獲取若干子集群；

采用K-MEANS算法對每一所述子集群進(jìn)行迭代聚合，獲取每一所述子集群的質(zhì)心POI信息，并將所述質(zhì)心POI信息作為軌跡點(diǎn)輸出；

依時間順序?qū)㈩A(yù)設(shè)期間內(nèi)所有軌跡點(diǎn)排序，以獲取所述生活習(xí)慣軌跡向量表。

優(yōu)選地，所述利用所述生活習(xí)慣軌跡向量表構(gòu)建原始用戶軌跡矩陣，包括：

對n個用戶的生活習(xí)慣軌跡向量表中所有軌跡點(diǎn)進(jìn)行去重處理，獲取m個去重軌跡點(diǎn)；

基于每一用戶的生活習(xí)慣軌跡向量表中各去重軌跡點(diǎn)出現(xiàn)的次數(shù)或頻率，以形成m*1階原始向量；

采用n個用戶對應(yīng)的m*1階原始向量，構(gòu)建m*n階原始用戶軌跡矩陣。

優(yōu)選地，所述采用奇異值分解算法對所述原始用戶軌跡矩陣進(jìn)行矩陣分解，獲取重構(gòu)用戶軌跡矩陣，包括：

采用奇異值分解算法對m*n階原始用戶軌跡矩陣進(jìn)行矩陣分解，以獲取m*m階左奇異向量矩陣、n*n階右奇異向量矩陣的轉(zhuǎn)置和m*n階奇異值對角矩陣；

選取所述奇異值對角矩陣的主對角線上前k個奇異值，對所述左奇異向量矩陣、所述右奇異向量矩陣的轉(zhuǎn)置和所述奇異值對角矩陣進(jìn)行降維處理；以獲取m*k階重構(gòu)左奇異向量矩陣、n*k階右奇異向量矩陣的轉(zhuǎn)置和k*k階奇異值對角矩陣，以形成重構(gòu)用戶軌跡矩陣。

優(yōu)選地，所述基于所述重構(gòu)用戶軌跡矩陣確定目標(biāo)用戶的社交相似用戶，包括：

獲取所述目標(biāo)用戶的m*1階目標(biāo)向量；

采用余弦相似度算法計(jì)算所述目標(biāo)向量與所述原始向量的相似度；

將相似度最高的所述原始向量對應(yīng)的用戶確定為目標(biāo)用戶的社交相似用戶。

本發(fā)明還提供一種基于位置服務(wù)的人群分類裝置，包括：

位置信息獲取模塊，用于基于位置服務(wù)獲取用戶的地理位置信息，所述地理位置信息包括與時間相關(guān)聯(lián)的POI信息；

軌跡向量表獲取模塊，用于對任一用戶在預(yù)設(shè)期間內(nèi)所有的地理位置信息進(jìn)行聚類分析，獲取生活習(xí)慣軌跡向量表；

軌跡矩陣構(gòu)建模塊，用于利用所述生活習(xí)慣軌跡向量表構(gòu)建原始用戶軌跡矩陣；

矩陣分解模塊，用于采用奇異值分解算法對所述原始用戶軌跡矩陣進(jìn)行矩陣分解，獲取重構(gòu)用戶軌跡矩陣；

相似用戶確定模塊，用于基于所述重構(gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶。

優(yōu)選地，所述軌跡向量表獲取模塊包括：

子集群獲取單元，用于采用DBSCAN算法對任一用戶在預(yù)設(shè)期間內(nèi)所有POI信息進(jìn)行聚類，以獲取若干子集群；

軌跡點(diǎn)獲取單元，用于采用K-MEANS算法對每一所述子集群進(jìn)行迭代聚合，獲取每一所述子集群的質(zhì)心POI信息，并將所述質(zhì)心POI信息作為軌跡點(diǎn)輸出；

向量表獲取單元，用于依時間順序?qū)㈩A(yù)設(shè)期間內(nèi)所有軌跡點(diǎn)排序，以獲取所述生活習(xí)慣軌跡向量表。

優(yōu)選地，所述軌跡矩陣構(gòu)建模塊包括：

去重軌跡點(diǎn)獲取單元，用于對n個用戶的生活習(xí)慣軌跡向量表中所有軌跡點(diǎn)進(jìn)行去重處理，獲取m個去重軌跡點(diǎn)；

原始向量獲取單元，用于基于每一用戶的生活習(xí)慣軌跡向量表中各去重軌跡點(diǎn)出現(xiàn)的次數(shù)或頻率，以形成m*1階原始向量；

原始矩陣構(gòu)建模塊，用于采用n個用戶對應(yīng)的m*1階原始向量，構(gòu)建m*n階原始用戶軌跡矩陣。

優(yōu)選地，所述矩陣分解模塊包括：

矩陣分解單元，用于采用奇異值分解算法對m*n階原始用戶軌跡矩陣進(jìn)行矩陣分解，以獲取m*m階左奇異向量矩陣、n*n階右奇異向量矩陣的轉(zhuǎn)置和m*n階奇異值對角矩陣；

矩陣降維單元，用于選取所述奇異值對角矩陣的主對角線上前k個奇異值，對所述左奇異向量矩陣、所述右奇異向量矩陣的轉(zhuǎn)置和所述奇異值對角矩陣進(jìn)行降維處理；以獲取m*k階重構(gòu)左奇異向量矩陣、n*k階右奇異向量矩陣的轉(zhuǎn)置和k*k階奇異值對角矩陣，以形成重構(gòu)用戶軌跡矩陣。

優(yōu)選地，所述相似用戶確定模塊包括：

目標(biāo)向量獲取單元，用于獲取所述目標(biāo)用戶的m*1階目標(biāo)向量；

相似度計(jì)算單元，用于采用余弦相似度算法計(jì)算所述目標(biāo)向量與所述原始向量的相似度；

相似用戶確定單元，用于將相似度最高的所述原始向量對應(yīng)的用戶確定為目標(biāo)用戶的社交相似用戶。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：本發(fā)明所提供的基于位置服務(wù)的人群分類方法及裝置中，通過對用戶在預(yù)設(shè)期間內(nèi)獲取的地理位置信息進(jìn)行聚類分析，獲取生活習(xí)慣軌跡向量表，由于地理位置信息具有較強(qiáng)的客觀性和可靠性，使得形成的生活習(xí)慣軌跡向量表也具有較強(qiáng)的客觀性和可靠性。再基于生活習(xí)慣軌跡向量表構(gòu)建原始用戶軌跡矩陣并采用奇異值分解算法進(jìn)行矩陣，獲取重構(gòu)用戶軌跡矩陣，可基于該重構(gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶?；谥貥?gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶的過程，操作簡單方便，無需采集大量數(shù)據(jù)，且獲取的社交相似用戶與目標(biāo)用戶的生活習(xí)慣具有較高的相似性和客觀性，可向目標(biāo)用戶推送與社交相似用戶相同的產(chǎn)品或服務(wù)，以提高目標(biāo)用戶對推送產(chǎn)品或服務(wù)的接受度，有利進(jìn)行業(yè)務(wù)推廣、廣告宣傳等。

附圖說明

下面將結(jié)合附圖及實(shí)施例對本發(fā)明作進(jìn)一步說明，附圖中：

圖1是本發(fā)明實(shí)施例1中基于位置服務(wù)的人群分類方法的一流程圖。

圖2是本發(fā)明實(shí)施例2中基于位置服務(wù)的人群分類裝置的一原圖框圖。

具體實(shí)施方式

為了對本發(fā)明的技術(shù)特征、目的和效果有更加清楚的理解，現(xiàn)對照附圖詳細(xì)說明本發(fā)明的具體實(shí)施方式。

實(shí)施例1

圖1示出本實(shí)施例中基于位置服務(wù)的人群分類方法的流程圖。該基于位置服務(wù)的人群分類方法由銀行、保險等金融機(jī)構(gòu)中的終端執(zhí)行，用于確定與目標(biāo)用戶相對應(yīng)的社交相似用戶，進(jìn)行人群分類，以實(shí)現(xiàn)對社交相似用戶進(jìn)行業(yè)務(wù)推廣或廣告宣傳，也可以對社交相似用戶購買風(fēng)險類金融產(chǎn)品進(jìn)行風(fēng)險管控。如圖1所示，該基于位置服務(wù)的人群分類方法包括如下步驟：

S10：基于位置服務(wù)獲取用戶的地理位置信息，地理位置信息包括與時間相關(guān)聯(lián)的POI信息。

本實(shí)施例中，目標(biāo)用戶是所有用戶中的一個。以任一用戶一天的地理位置信息為例，該地理位置信息中包括0：00—24：00的POI信息，每一POI信息用于指示電子地圖中的一點(diǎn)，包括POI點(diǎn)名稱、經(jīng)度和緯度等信息，基于用戶的地理位置信息，可了解用戶每天經(jīng)過的家庭住址、辦公場所、購物場所、娛樂場所、健身場所等信息?？梢岳斫獾?，基于位置服務(wù)獲取用戶的地理位置信息，具有較強(qiáng)的客觀性和可靠性。

基于位置服務(wù)(Location Based Service，簡稱LBS)是通過電信移動運(yùn)營商的無線電通訊網(wǎng)絡(luò)(如GSM網(wǎng)、CDMA網(wǎng))或外部定位方式(如GPS)獲取移動終端用戶的位置信息(地理坐標(biāo)，或大地坐標(biāo))，在地理信息系統(tǒng)(Geographic Information System，簡稱GIS)平臺的支持下，為用戶提供相應(yīng)服務(wù)的一種增值業(yè)務(wù)?？傮w來看，LBS由移動通信網(wǎng)絡(luò)和計(jì)算機(jī)網(wǎng)絡(luò)結(jié)合而成，兩個網(wǎng)絡(luò)之間通過網(wǎng)關(guān)實(shí)現(xiàn)交互。移動終端通過移動通信網(wǎng)絡(luò)發(fā)出請求，經(jīng)過網(wǎng)關(guān)傳遞給LBS服務(wù)平臺；LBS服務(wù)平臺根據(jù)用戶請求和用戶當(dāng)前位置進(jìn)行處理，并將結(jié)果通過網(wǎng)關(guān)返回給用戶。POI(Point Of Interest,即興趣點(diǎn)或信息點(diǎn))，包括名稱、類型、經(jīng)度、緯度等資料，以使POI可在電子地圖上呈現(xiàn)，以標(biāo)示電子地圖上的某個地點(diǎn)信息。

本實(shí)施例中，基于位置服務(wù)的移動終端為智能手機(jī)，通過開啟智能手機(jī)上的定位功能，以使LBS服務(wù)平臺實(shí)時獲取智能手機(jī)的地理位置信息，從而了解攜帶該智能手機(jī)的用戶的地理位置信息。地理位置信息包括與時間相關(guān)聯(lián)的POI信息中的時間包括日期和時刻，通過該地理位置信息可了解用戶在任一時刻所處的POI信息。可以理解地，地理位置信息與用戶ID相關(guān)聯(lián)，用戶ID用于識別唯一識別用戶，可以是身份證號或手機(jī)號。

可以理解地，為了減少數(shù)據(jù)處理量，提高處理效率，可預(yù)先設(shè)置時間閾值，以使基于位置服務(wù)獲取用戶的地理位置信息時，只獲取用戶在任一地點(diǎn)停留時間達(dá)到該時間閾值的POI信息，以避免采集到的與時間相關(guān)聯(lián)的POI信息的數(shù)據(jù)量較多，導(dǎo)致處理效率低的問題。

S20：對任一用戶在預(yù)設(shè)期間內(nèi)所有的地理位置信息進(jìn)行聚類分析，獲取生活習(xí)慣軌跡向量表。

其中，生活習(xí)慣軌跡向量表由依據(jù)時間順序排序的軌跡點(diǎn)組成。軌跡點(diǎn)是用戶日常生活中經(jīng)過的地點(diǎn)，可以是家庭住址、辦公場所、購物場所、娛樂場所、健身場所等地點(diǎn)，可在電子地圖中顯示。其中，預(yù)設(shè)期間可以是當(dāng)前系統(tǒng)時間之前的任意一段時間，可以為一個月、三個月或半年，可根據(jù)需求自主設(shè)置?？梢岳斫獾?，預(yù)設(shè)期間越長，其采集到的地理位置信息的數(shù)據(jù)量越多，處理結(jié)果的準(zhǔn)確性越高；預(yù)設(shè)期間越短，其處理效率越高。本實(shí)施例中，從處理結(jié)果的準(zhǔn)確性和處理效率方面進(jìn)行考慮，將設(shè)預(yù)設(shè)期間設(shè)置為1個月。

在一具體實(shí)施方式中，步驟S20包括如下步驟：

S21：采用DBSCAN算法對任一用戶在預(yù)設(shè)期間內(nèi)所有POI信息進(jìn)行聚類，以獲取若干子集群。

其中，DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪聲的基于密度的聚類方法)是一種基于密度的空間算法。該算法將具有足夠密度的區(qū)域劃分為簇，并在具有噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的簇，它將簇定義為密度相連的點(diǎn)的最大集合。DBSCAN算法具有聚類速度快且能夠有效處理噪聲和發(fā)現(xiàn)任意形成的空間聚類的優(yōu)點(diǎn)。

本實(shí)施例中，預(yù)先設(shè)置DBSCAN算法中的預(yù)設(shè)掃描半徑(以下簡稱為eps)和最小包含點(diǎn)數(shù)(minPts)，任選一個未被訪問(unvisited)的POI信息開始，找出與其距離在eps之內(nèi)(包括eps)的所有POI信息，將POI信息與距離在eps之內(nèi)的所有POI信息作為一個子集群輸出。

S22：采用K-MEANS算法對每一子集群進(jìn)行迭代聚合，獲取每一子集群的質(zhì)心POI信息，并將質(zhì)心POI信息作為軌跡點(diǎn)輸出。

K-MEANS算法是很典型的基于距離的算法，采用距離作為相似性的評價指標(biāo)，即認(rèn)為兩個對象的距離越近，其相似度就越大。其計(jì)算公式為其中，k個初始類聚類中心點(diǎn)的選取對聚類結(jié)果具有較大的影響，因?yàn)樵谠撍惴ǖ谝徊街惺请S機(jī)的選取任意k個對象作為初始聚類的中心，初始地代表一個簇。該算法在每次迭代中對數(shù)據(jù)集中剩余的每個對象，根據(jù)其與各個簇中心的距離將每個對象重新賦給最近的簇。若一次迭代前后，J的值沒有發(fā)生變化，說明算法已經(jīng)收斂。K-MEANS算法可快速簡單地對數(shù)據(jù)進(jìn)行聚類，對大數(shù)據(jù)集具有較高的效率且可伸縮性，時間復(fù)雜度近于線性，而且適合挖掘大規(guī)模數(shù)據(jù)集。

本實(shí)施例中，采用K-MEANS算法對每一子集群中的POI信息進(jìn)行迭代聚合，直到最后一次迭代時，迭代前后數(shù)值沒有發(fā)生變化，則獲取該子集群的質(zhì)心POI信息，該質(zhì)心POI信息對應(yīng)一軌跡點(diǎn)。

S23：依時間順序?qū)㈩A(yù)設(shè)期間內(nèi)所有軌跡點(diǎn)排序，以獲取生活習(xí)慣軌跡向量表。

本實(shí)施例中設(shè)預(yù)設(shè)期間為1個月，步驟S23中，先將每天獲取到的與時間相關(guān)聯(lián)的軌跡點(diǎn)按時間順序進(jìn)行排序，再將連續(xù)1個月的軌跡點(diǎn)按日期連接起來，從而形成生活習(xí)慣軌跡向量表。該生活習(xí)慣軌跡向量表可清楚體現(xiàn)客戶在預(yù)設(shè)期間內(nèi)所經(jīng)過的家庭住址、辦公場所、購物場所、娛樂場所、健身場所等軌跡點(diǎn)，具有較強(qiáng)的客觀性和可靠性。

具體地，若A為家庭住址，B為辦公場所，C為購物場所，D為娛樂場所，E為健身場所，F(xiàn)為公園，G為醫(yī)院等等；且A’和A”為A附近500m內(nèi)的地點(diǎn)，B’和B”為B附近500m內(nèi)的地點(diǎn)，C’和C”為C附近500m內(nèi)的地點(diǎn)，D’和D”為D附近500m內(nèi)的地點(diǎn)，D’和D”為D附近500m內(nèi)的地點(diǎn)，D’和D”為D附近500m內(nèi)的地點(diǎn)，……G’和G”為G附近500m內(nèi)的地點(diǎn)。在1個月內(nèi)，第一天的地理位置信息包括A、A’、B’、B、C”、C、B”、B、E”、E、A”、A等POI信息；第二天的地理位置信息包括A、A’、B’、B、D”、D、B”、B、F”、F、A”、A等POI信息……依此類推。步驟S21中采用DBSCAN算法進(jìn)行聚類時，將1個月內(nèi)所有POI信息，通過設(shè)置掃描半徑(以下簡稱為eps)為500m和最小包含點(diǎn)數(shù)(minPts)為1，以將A、A’、A”作為一子集群輸出，將B，B’、B”作為一子集群輸出……G，G’、G”作為一子集群輸出。步驟S22中采用K-MEANS算法對每一子集群進(jìn)行聚類，獲取到子集群中的質(zhì)心POI信息，對于子集群A、A’、A”而言，采用K-MEANS算法進(jìn)行迭代聚類時，獲取到的質(zhì)心POI信息為A，將A作為軌跡點(diǎn)輸出，依此類推，獲取其他軌跡點(diǎn)B、C、D、E、F和G。本實(shí)施例中，任一子集群中質(zhì)心POI信息出現(xiàn)的頻率大于其他POI信息出現(xiàn)的頻率。步驟S23中，用戶第一天的軌跡點(diǎn)為A、B、C、B、E、A，第二天的軌跡點(diǎn)為A、B、D、B、F、A……等，將1個月內(nèi)所有軌跡點(diǎn)依時間順序排序，獲取的生活習(xí)慣軌跡向量表為A、B、C、B、E、A、A、B、D、B、F、A……等。

S30：利用生活習(xí)慣軌跡向量表構(gòu)建原始用戶軌跡矩陣。

具體地，原始用戶軌跡矩陣由多個用戶的生活習(xí)慣軌跡向量表形成，與多個用戶的生活習(xí)慣軌跡向量表中的軌跡點(diǎn)相關(guān)聯(lián)，由于軌跡點(diǎn)的形成具有客觀性和可靠性，使得其形成的原始用戶軌跡矩陣也具有客觀性和可靠性。

在一具體實(shí)施方式中，步驟S30包括如下步驟：

S31：對n個用戶的生活習(xí)慣軌跡向量表中所有軌跡點(diǎn)進(jìn)行去重處理，獲取m個去重軌跡點(diǎn)。

具體地，每一用戶的生活習(xí)慣軌跡向量表中有多個軌跡點(diǎn)重復(fù)，其出現(xiàn)的次數(shù)或頻率不相同。如，用戶的家庭住址和辦公場所為最常出現(xiàn)的軌跡點(diǎn)，其出現(xiàn)的次數(shù)較多或頻率較大；對于身體健康的用戶而言，醫(yī)院為不常出現(xiàn)的軌跡點(diǎn)，其出現(xiàn)的次數(shù)較少或頻率較小。若一用戶的生活習(xí)慣軌跡向量表為A、B、C、B、E、A、A、B、D、B、F、A，則對該用戶的生活習(xí)慣軌跡向量表中所有軌跡點(diǎn)進(jìn)行去重處理，可得到A、B、C、D、E和F等6個去重軌跡點(diǎn)。同理，對n個用戶的生活習(xí)慣軌跡向量表中所有軌跡點(diǎn)進(jìn)行去重處理，將n個用戶所有的軌跡點(diǎn)再進(jìn)行去重處理，以獲取m個去重軌跡點(diǎn)，如A、B、C、D、E、F和G等7個去重軌跡點(diǎn)，此時m為7。

S32：基于每一用戶的生活習(xí)慣軌跡向量表中各去重軌跡點(diǎn)出現(xiàn)的次數(shù)或頻率，以形成m*1階原始向量。

以統(tǒng)計(jì)每一用戶的生活習(xí)慣軌跡向量表中各軌跡點(diǎn)的次數(shù)為例，若任一用戶的生活習(xí)慣軌跡向量表為A、B、C、B、E、A、A、B、D、B、F、A，僅包括6個去重后的軌跡點(diǎn)；但對n個用戶的生活軌跡軌跡向量表中各軌跡點(diǎn)進(jìn)行去重處理后，得到m個去重軌跡點(diǎn)，此時m≧6；因此，要基于對n個用戶的生活軌跡向量表獲取到的m個去重軌跡點(diǎn)，構(gòu)建任一用戶的m*1階原始向量。本實(shí)施例中，m為7，將各軌跡點(diǎn)出現(xiàn)的次數(shù)作為該m*1階原始向量的值，通過形成的m*1階原始向量如下所示，

該m*1階原始向量可直觀顯示用戶的生活習(xí)慣軌跡，以便進(jìn)行社交相似用戶查找。本實(shí)施例中，還可以將每一用戶的生活習(xí)慣軌跡向量表中各軌跡點(diǎn)出現(xiàn)的頻率，作為m*1階原始向量的值。

S33：采用n個用戶對應(yīng)的m*1階原始向量，構(gòu)建m*n階原始用戶軌跡矩陣。

具體地，將n個用戶對應(yīng)的m*1階原始向量，以軌跡點(diǎn)數(shù)量m為行，以用戶數(shù)量n為列，構(gòu)建m*n階原始用戶軌跡矩陣。該m*n階原始用戶軌跡矩陣可直觀地顯示n個用戶的生活習(xí)慣，具有較強(qiáng)的客觀性。

S40：采用奇異值分解算法對原始用戶軌跡矩陣進(jìn)行矩陣分解，獲取重構(gòu)用戶軌跡矩陣。

本實(shí)施例中，通過奇異值分解算法對原始用戶軌跡矩陣進(jìn)行矩陣分解，可獲取降維后的重構(gòu)用戶軌跡矩陣，以便基于重構(gòu)用戶軌跡矩陣確定影響人群分類的各軌跡點(diǎn)的相似度，從而獲取相似社交用戶。

在一具體實(shí)施方式中，步驟S40包括如下步驟：

S41：采用奇異值分解算法對m*n階原始用戶軌跡矩陣進(jìn)行矩陣分解，以獲取m*m階左奇異向量矩陣、n*n階右奇異向量矩陣的轉(zhuǎn)置和m*n階奇異值對角矩陣。

具體地，奇異值分解算法包括M＝UΣV^T；其中，M為m*n階原始用戶軌跡矩陣，U為m*m階左奇異向量矩陣，V為n*n階右奇異向量矩陣，V^T為n*n階右奇異向量矩陣的轉(zhuǎn)置，∑為m*n階奇異值對角矩陣，奇異值對角矩陣的主對角線上的值為奇異值，每個奇異值為非負(fù)數(shù)，并按從大到小降序排列。U矩陣是一個原始空間的正交矩陣，它的每一個列向量都是原始空間的規(guī)范正交基；而V矩陣則是變換之后的域的正交矩陣，它的每一個列向量都是變換空間的規(guī)范正交基。奇異值對角矩陣Σ的值則對應(yīng)了從原始空間(U)到變換空間(V)的對應(yīng)關(guān)系，具體來說就是兩個空間的基向量的拉伸程度。

S42：選取奇異值對角矩陣的主對角線上前k個奇異值，對左奇異向量矩陣、右奇異向量矩陣的轉(zhuǎn)置和奇異值對角矩陣進(jìn)行降維處理；以獲取m*k階重構(gòu)左奇異向量矩陣、n*k階右奇異向量矩陣的轉(zhuǎn)置和k*k階奇異值對角矩陣，以形成重構(gòu)用戶軌跡矩陣。

本實(shí)施例中，降維后的m*k階左奇異向量矩陣U用于限定用戶之間的相似性，而降維后的n*k階右奇異向量矩陣的轉(zhuǎn)置V^T用于限定軌跡點(diǎn)之間的相似性，降維后的k*k階奇異值對角矩陣∑的主對角線上的奇異值，用于體現(xiàn)用戶與軌跡點(diǎn)之間的相關(guān)關(guān)系。將降維后的m*k階左奇異向量矩陣U、降維后的k*k階奇異值對角矩陣∑和與降維后的n*k階右奇異向量矩陣的轉(zhuǎn)置V^T的乘積作為重構(gòu)用戶軌跡矩陣輸出。

本實(shí)施例中，若m為7，而n為5，則形成7*5階原始用戶軌跡矩陣M，采用奇異值分解算法進(jìn)行矩陣分解后，形成7*7階左奇異向量矩陣U，5*5右奇異向量矩陣的轉(zhuǎn)置V^T，7*5階奇異值對角矩陣∑。選取奇異值對角矩陣的主對角線上前k＝2個奇異值，并進(jìn)行降維；則獲取降維后的7*2階左奇異向量矩陣U，5*2右奇異向量矩陣的轉(zhuǎn)置V^T，2*2階奇異值對角矩陣∑。在進(jìn)行相似性分析時，將7*2階左奇異向量矩陣U的每一列當(dāng)成x值，第二列當(dāng)前y值，構(gòu)建二維空間坐標(biāo)系，任意兩點(diǎn)之間夾角越小，且對應(yīng)用戶的生活習(xí)慣越相似，從而確定相似用戶。同理，將5*2右奇異向量矩陣的轉(zhuǎn)置V^T在構(gòu)建好的二維空間坐標(biāo)系中體現(xiàn)，任意兩點(diǎn)之間夾角越小，其對應(yīng)生活習(xí)慣越相似，從而確定具有相似生活習(xí)慣。

S50：基于重構(gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶。

本實(shí)施例中獲取的重構(gòu)用戶軌跡矩陣中，可確定用戶之間的相似性，軌跡點(diǎn)對應(yīng)的生活習(xí)慣的相似性，以及用戶與軌跡點(diǎn)之間的相似性；因此，可基于該重構(gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶，以便利用該社交相似用戶進(jìn)行業(yè)務(wù)推廣、廣告宣傳等。本實(shí)施例中，基于重構(gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶的過程，操作簡單方便，無需采集大量數(shù)據(jù)，具分類結(jié)果較高。

具體地，降維后的m*k階左奇異向量矩陣U用于限定用戶之間的相似性，而降維后的n*k階右奇異向量矩陣的轉(zhuǎn)置V^T用于限定軌跡點(diǎn)之間的相似性，可通過目標(biāo)用戶與m*k階左奇異向量矩陣U進(jìn)行處理，以確定該社交相似用戶，也可通過目標(biāo)用戶的軌跡點(diǎn)和相應(yīng)的次數(shù)或頻率與n*k階右奇異向量矩陣的轉(zhuǎn)置V^T進(jìn)行處理，以確定該社交相似用戶。

在一具體實(shí)施方式中，步驟S50具體包括如下步驟：

S51：獲取目標(biāo)用戶的m*1階目標(biāo)向量。

采用與m*1階原始向量相同的獲取過程，獲取目標(biāo)用戶的m*1階目標(biāo)向量，操作過程簡單方便，數(shù)據(jù)處理量少。

S52：采用余弦相似度算法計(jì)算目標(biāo)向量與原始向量的相似度。

本實(shí)施例中采用向量空間余弦相似度(Cosine Similarity)計(jì)算目標(biāo)向量與原始向量的相似度。具體地，若a向量是(x1,y1)，b向量是(x2,y2)，則向量空間余弦相似度的計(jì)算公式如下：

由此可計(jì)算任意兩個用戶之間的相似度。

S53：將相似度最高的原始向量對應(yīng)的用戶確定為目標(biāo)用戶的社交相似用戶。

本實(shí)施例中，余弦值越接近1，則表明夾角越接近0度，即兩個向量越相似；夾角等于0，即兩個向量相等?；谀繕?biāo)用戶的目標(biāo)向量與任一用戶的原始向量的向量空間余弦相似度，確定相似度最高的原始向量對應(yīng)的用戶為目標(biāo)用戶的社交相似用戶，從而獲取與目標(biāo)用戶的生活習(xí)慣高度相似的社交相似用戶。

本實(shí)施例所提供的基于位置服務(wù)的人群分類方法中，通過對用戶在預(yù)設(shè)期間內(nèi)獲取的地理位置信息進(jìn)行聚類分析，獲取生活習(xí)慣軌跡向量表，由于地理位置信息具有較強(qiáng)的客觀性和可靠性，使得形成的生活習(xí)慣軌跡向量表也具有較強(qiáng)的客觀性和可靠性。再基于生活習(xí)慣軌跡向量表構(gòu)建原始用戶軌跡矩陣并采用奇異值分解算法進(jìn)行矩陣，獲取重構(gòu)用戶軌跡矩陣，可基于該重構(gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶?；谥貥?gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶的過程，操作簡單方便，無需采集大量數(shù)據(jù)，且獲取的社交相似用戶與目標(biāo)用戶的生活習(xí)慣具有較高的相似性和客觀性，可向目標(biāo)用戶推送與社交相似用戶相同的產(chǎn)品或服務(wù)，以提高目標(biāo)用戶對推送產(chǎn)品或服務(wù)的接受度，有利進(jìn)行業(yè)務(wù)推廣、廣告宣傳等。

實(shí)施例2

圖2示出本實(shí)施例中基于位置服務(wù)的人群分類裝置的原理框圖。該基于位置服務(wù)的人群分類裝置由銀行、保險等金融機(jī)構(gòu)中的終端執(zhí)行，用于確定與目標(biāo)用戶相對應(yīng)的社交相似用戶，進(jìn)行人群分類，以實(shí)現(xiàn)對社交相似用戶進(jìn)行業(yè)務(wù)推廣或廣告宣傳，也可以對社交相似用戶購買風(fēng)險類金融產(chǎn)品進(jìn)行風(fēng)險管控。如圖2所示，該基于位置服務(wù)的人群分類裝置包括位置信息獲取模塊10、軌跡向量表獲取模塊20、軌跡矩陣構(gòu)建模塊30、矩陣分解模塊40和相似用戶確定模塊50。

位置信息獲取模塊10，用于基于位置服務(wù)獲取用戶的地理位置信息，地理位置信息包括與時間相關(guān)聯(lián)的POI信息。

本實(shí)施例中，目標(biāo)用戶是所有用戶中的一個。以任一用戶一天的地理位置信息為例，該地理位置信息中包括0：00—24：00的POI信息，每一POI信息用于指示電子地圖中的一點(diǎn)，包括POI點(diǎn)名稱、經(jīng)度和緯度等信息，基于用戶的地理位置信息，可了解用戶每天經(jīng)過的家庭住址、辦公場所、購物場所、娛樂場所、健身場所等信息?？梢岳斫獾?，基于位置服務(wù)獲取用戶的地理位置信息，具有較強(qiáng)的客觀性和可靠性。

基于位置服務(wù)(Location Based Service，簡稱LBS)是通過電信移動運(yùn)營商的無線電通訊網(wǎng)絡(luò)(如GSM網(wǎng)、CDMA網(wǎng))或外部定位方式(如GPS)獲取移動終端用戶的位置信息(地理坐標(biāo)，或大地坐標(biāo))，在地理信息系統(tǒng)(Geographic Information System，簡稱GIS)平臺的支持下，為用戶提供相應(yīng)服務(wù)的一種增值業(yè)務(wù)?？傮w來看，LBS由移動通信網(wǎng)絡(luò)和計(jì)算機(jī)網(wǎng)絡(luò)結(jié)合而成，兩個網(wǎng)絡(luò)之間通過網(wǎng)關(guān)實(shí)現(xiàn)交互。移動終端通過移動通信網(wǎng)絡(luò)發(fā)出請求，經(jīng)過網(wǎng)關(guān)傳遞給LBS服務(wù)平臺；LBS服務(wù)平臺根據(jù)用戶請求和用戶當(dāng)前位置進(jìn)行處理，并將結(jié)果通過網(wǎng)關(guān)返回給用戶。POI(Point Of Interest,即興趣點(diǎn)或信息點(diǎn))，包括名稱、類型、經(jīng)度、緯度等資料，以使POI可在電子地圖上呈現(xiàn)，以標(biāo)示電子地圖上的某個地點(diǎn)信息。

本實(shí)施例中，基于位置服務(wù)的移動終端為智能手機(jī)，通過開啟智能手機(jī)上的定位功能，以使LBS服務(wù)平臺實(shí)時獲取智能手機(jī)的地理位置信息，從而了解攜帶該智能手機(jī)的用戶的地理位置信息。地理位置信息包括與時間相關(guān)聯(lián)的POI信息中的時間包括日期和時刻，通過該地理位置信息可了解用戶在任一時刻所處的POI信息。可以理解地，地理位置信息與用戶ID相關(guān)聯(lián)，用戶ID用于識別唯一識別用戶，可以是身份證號或手機(jī)號。

可以理解地，為了減少數(shù)據(jù)處理量，提高處理效率，可預(yù)先設(shè)置時間閾值，以使基于位置服務(wù)獲取用戶的地理位置信息時，只獲取用戶在任一地點(diǎn)停留時間達(dá)到該時間閾值的POI信息，以避免采集到的與時間相關(guān)聯(lián)的POI信息的數(shù)據(jù)量較多，導(dǎo)致處理效率低的問題。

軌跡向量表獲取模塊20，用于對任一用戶在預(yù)設(shè)期間內(nèi)所有的地理位置信息進(jìn)行聚類分析，獲取生活習(xí)慣軌跡向量表。

其中，生活習(xí)慣軌跡向量表由依據(jù)時間順序排序的軌跡點(diǎn)組成。軌跡點(diǎn)是用戶日常生活中經(jīng)過的地點(diǎn)，可以是家庭住址、辦公場所、購物場所、娛樂場所、健身場所等地點(diǎn)，可在電子地圖中顯示。其中，預(yù)設(shè)期間可以是當(dāng)前系統(tǒng)時間之前的任意一段時間，可以為一個月、三個月或半年，可根據(jù)需求自主設(shè)置?？梢岳斫獾?，預(yù)設(shè)期間越長，其采集到的地理位置信息的數(shù)據(jù)量越多，處理結(jié)果的準(zhǔn)確性越高；預(yù)設(shè)期間越短，其處理效率越高。本實(shí)施例中，從處理結(jié)果的準(zhǔn)確性和處理效率方面進(jìn)行考慮，將設(shè)預(yù)設(shè)期間設(shè)置為1個月。

在一具體實(shí)施方式中，軌跡向量表獲取模塊20具體包括子集群獲取單元21、軌跡點(diǎn)獲取單元22和向量表獲取單元23。

子集群獲取單元21，用于采用DBSCAN算法對任一用戶在預(yù)設(shè)期間內(nèi)所有POI信息進(jìn)行聚類，以獲取若干子集群。

其中，DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪聲的基于密度的聚類方法)是一種基于密度的空間算法。該算法將具有足夠密度的區(qū)域劃分為簇，并在具有噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的簇，它將簇定義為密度相連的點(diǎn)的最大集合。DBSCAN算法具有聚類速度快且能夠有效處理噪聲和發(fā)現(xiàn)任意形成的空間聚類的優(yōu)點(diǎn)。

本實(shí)施例中，預(yù)先設(shè)置DBSCAN算法中的預(yù)設(shè)掃描半徑(以下簡稱為eps)和最小包含點(diǎn)數(shù)(minPts)，任選一個未被訪問(unvisited)的POI信息開始，找出與其距離在eps之內(nèi)(包括eps)的所有POI信息，將POI信息與距離在eps之內(nèi)的所有POI信息作為一個子集群輸出。

軌跡點(diǎn)獲取單元22，用于采用K-MEANS算法對每一子集群進(jìn)行迭代聚合，獲取每一子集群的質(zhì)心POI信息，并將質(zhì)心POI信息作為軌跡點(diǎn)輸出。

K-MEANS算法是很典型的基于距離的算法，采用距離作為相似性的評價指標(biāo)，即認(rèn)為兩個對象的距離越近，其相似度就越大。其計(jì)算公式為其中，k個初始類聚類中心點(diǎn)的選取對聚類結(jié)果具有較大的影響，因?yàn)樵谠撍惴ǖ谝徊街惺请S機(jī)的選取任意k個對象作為初始聚類的中心，初始地代表一個簇。該算法在每次迭代中對數(shù)據(jù)集中剩余的每個對象，根據(jù)其與各個簇中心的距離將每個對象重新賦給最近的簇。若一次迭代前后，J的值沒有發(fā)生變化，說明算法已經(jīng)收斂。K-MEANS算法可快速簡單地對數(shù)據(jù)進(jìn)行聚類，對大數(shù)據(jù)集具有較高的效率且可伸縮性，時間復(fù)雜度近于線性，而且適合挖掘大規(guī)模數(shù)據(jù)集。

本實(shí)施例中，采用K-MEANS算法對每一子集群中的POI信息進(jìn)行迭代聚合，直到最后一次迭代時，迭代前后數(shù)值沒有發(fā)生變化，則獲取該子集群的質(zhì)心POI信息，該質(zhì)心POI信息對應(yīng)一軌跡點(diǎn)。

向量表獲取單元23，用于依時間順序?qū)㈩A(yù)設(shè)期間內(nèi)所有軌跡點(diǎn)排序，以獲取生活習(xí)慣軌跡向量表。

本實(shí)施例中設(shè)預(yù)設(shè)期間為1個月，向量表獲取單元23中，先將每天獲取到的與時間相關(guān)聯(lián)的軌跡點(diǎn)按時間順序進(jìn)行排序，再將連續(xù)1個月的軌跡點(diǎn)按日期連接起來，從而形成生活習(xí)慣軌跡向量表。該生活習(xí)慣軌跡向量表可清楚體現(xiàn)客戶在預(yù)設(shè)期間內(nèi)所經(jīng)過的家庭住址、辦公場所、購物場所、娛樂場所、健身場所等軌跡點(diǎn)，具有較強(qiáng)的客觀性和可靠性。

具體地，若A為家庭住址，B為辦公場所，C為購物場所，D為娛樂場所，E為健身場所，F(xiàn)為公園，G為醫(yī)院等等；且A’和A”為A附近500m內(nèi)的地點(diǎn)，B’和B”為B附近500m內(nèi)的地點(diǎn)，C’和C”為C附近500m內(nèi)的地點(diǎn)，D’和D”為D附近500m內(nèi)的地點(diǎn)，D’和D”為D附近500m內(nèi)的地點(diǎn)，D’和D”為D附近500m內(nèi)的地點(diǎn)，……G’和G”為G附近500m內(nèi)的地點(diǎn)。在1個月內(nèi)，第一天的地理位置信息包括A、A’、B’、B、C”、C、B”、B、E”、E、A”、A等POI信息；第二天的地理位置信息包括A、A’、B’、B、D”、D、B”、B、F”、F、A”、A等POI信息……依此類推。子集群獲取單元21中采用DBSCAN算法進(jìn)行聚類時，將1個月內(nèi)所有POI信息，通過設(shè)置掃描半徑(以下簡稱為eps)為500m和最小包含點(diǎn)數(shù)(minPts)為1，以將A、A’、A”作為一子集群輸出，將B，B’、B”作為一子集群輸出……G，G’、G”作為一子集群輸出。軌跡點(diǎn)獲取單元22中采用K-MEANS算法對每一子集群進(jìn)行聚類，獲取到子集群中的質(zhì)心POI信息，對于子集群A、A’、A”而言，采用K-MEANS算法進(jìn)行迭代聚類時，獲取到的質(zhì)心POI信息為A，將A作為軌跡點(diǎn)輸出，依此類推，獲取其他軌跡點(diǎn)B、C、D、E、F和G。本實(shí)施例中，任一子集群中質(zhì)心POI信息出現(xiàn)的頻率大于其他POI信息出現(xiàn)的頻率。向量表獲取單元23中，用戶第一天的軌跡點(diǎn)為A、B、C、B、E、A，第二天的軌跡點(diǎn)為A、B、D、B、F、A……等，將1個月內(nèi)所有軌跡點(diǎn)依時間順序排序，獲取的生活習(xí)慣軌跡向量表為A、B、C、B、E、A、A、B、D、B、F、A……等。

軌跡矩陣構(gòu)建模塊30，用于利用生活習(xí)慣軌跡向量表構(gòu)建原始用戶軌跡矩陣。

具體地，原始用戶軌跡矩陣由多個用戶的生活習(xí)慣軌跡向量表形成，與多個用戶的生活習(xí)慣軌跡向量表中的軌跡點(diǎn)相關(guān)聯(lián)，由于軌跡點(diǎn)的形成具有客觀性和可靠性，使得其形成的原始用戶軌跡矩陣也具有客觀性和可靠性。

在一具體實(shí)施方式中，軌跡矩陣構(gòu)建模塊30具體包括去重軌跡點(diǎn)獲取單元31、原始向量獲取單元32和原始矩陣構(gòu)建模塊33。

去重軌跡點(diǎn)獲取單元31，用于對n個用戶的生活習(xí)慣軌跡向量表中所有軌跡點(diǎn)進(jìn)行去重處理，獲取m個去重軌跡點(diǎn)。

具體地，每一用戶的生活習(xí)慣軌跡向量表中有多個軌跡點(diǎn)重復(fù)，其出現(xiàn)的次數(shù)或頻率不相同。如，用戶的家庭住址和辦公場所為最常出現(xiàn)的軌跡點(diǎn)，其出現(xiàn)的次數(shù)較多或頻率較大；對于身體健康的用戶而言，醫(yī)院為不常出現(xiàn)的軌跡點(diǎn)，其出現(xiàn)的次數(shù)較少或頻率較小。若一用戶的生活習(xí)慣軌跡向量表為A、B、C、B、E、A、A、B、D、B、F、A，則對該用戶的生活習(xí)慣軌跡向量表中所有軌跡點(diǎn)進(jìn)行去重處理，可得到A、B、C、D、E和F等6個去重軌跡點(diǎn)。同理，對n個用戶的生活習(xí)慣軌跡向量表中所有軌跡點(diǎn)進(jìn)行去重處理，將n個用戶所有的軌跡點(diǎn)再進(jìn)行去重處理，以獲取m個去重軌跡點(diǎn)，如A、B、C、D、E、F和G等7個去重軌跡點(diǎn)，此時m為7。

原始向量獲取單元32，用于基于每一用戶的生活習(xí)慣軌跡向量表中各去重軌跡點(diǎn)出現(xiàn)的次數(shù)或頻率，以形成m*1階原始向量。

以統(tǒng)計(jì)每一用戶的生活習(xí)慣軌跡向量表中各軌跡點(diǎn)的次數(shù)為例，若任一用戶的生活習(xí)慣軌跡向量表為A、B、C、B、E、A、A、B、D、B、F、A，僅包括6個去重后的軌跡點(diǎn)；但對n個用戶的生活軌跡軌跡向量表中各軌跡點(diǎn)進(jìn)行去重處理后，得到m個去重軌跡點(diǎn)，此時m≧6；因此，要基于對n個用戶的生活軌跡向量表獲取到的m個去重軌跡點(diǎn)，構(gòu)建任一用戶的m*1階原始向量。本實(shí)施例中，m為7，將各軌跡點(diǎn)的次數(shù)作為該m*1階原始向量的值，通過形成的m*1階原始向量如下所示，

該m*1階原始向量可直觀顯示用戶的生活習(xí)慣軌跡，以便進(jìn)行社交相似用戶查找。本實(shí)施例中，還可以將每一用戶的生活習(xí)慣軌跡向量表中各軌跡點(diǎn)出現(xiàn)的頻率，作為m*1階原始向量的值。

原始矩陣構(gòu)建模塊33，用于采用n個用戶對應(yīng)的m*1階原始向量，構(gòu)建m*n階原始用戶軌跡矩陣。

具體地，將n個用戶對應(yīng)的m*1階原始向量，以軌跡點(diǎn)數(shù)量m為行，以用戶數(shù)量n為列，構(gòu)建m*n階原始用戶軌跡矩陣。該m*n階原始用戶軌跡矩陣可直觀地顯示n個用戶的生活習(xí)慣，具有較強(qiáng)的客觀性。

矩陣分解模塊40，用于采用奇異值分解算法對原始用戶軌跡矩陣進(jìn)行矩陣分解，獲取重構(gòu)用戶軌跡矩陣。

本實(shí)施例中，通過奇異值分解算法對原始用戶軌跡矩陣進(jìn)行矩陣分解，可獲取降維后的重構(gòu)用戶軌跡矩陣，以便基于重構(gòu)用戶軌跡矩陣確定影響人群分類的各軌跡點(diǎn)的相似度，從而獲取相似社交用戶。

在一具體實(shí)施方式中，矩陣分解模塊40具體包括矩陣分解單元41和矩陣降維單元42。

矩陣分解單元41，用于采用奇異值分解算法對m*n階原始用戶軌跡矩陣進(jìn)行矩陣分解，以獲取m*m階左奇異向量矩陣、n*n階右奇異向量矩陣的轉(zhuǎn)置和m*n階奇異值對角矩陣。

具體地，奇異值分解算法包括M＝UΣV^T；其中，M為m*n階原始用戶軌跡矩陣，U為m*m階左奇異向量矩陣，V為n*n階右奇異向量矩陣，V^T為n*n階右奇異向量矩陣的轉(zhuǎn)置，∑為m*n階奇異值對角矩陣，奇異值對角矩陣的主對角線上的值為奇異值，每個奇異值為非負(fù)數(shù)，并按從大到小降序排列。U矩陣是一個原始空間的正交矩陣，它的每一個列向量都是原始空間的規(guī)范正交基；而V矩陣則是變換之后的域的正交矩陣，它的每一個列向量都是變換空間的規(guī)范正交基。奇異值對角矩陣Σ的值則對應(yīng)了從原始空間(U)到變換空間(V)的對應(yīng)關(guān)系，具體來說就是兩個空間的基向量的拉伸程度。

矩陣降維單元42，用于選取奇異值對角矩陣的主對角線上前k個奇異值，對左奇異向量矩陣、右奇異向量矩陣的轉(zhuǎn)置和奇異值對角矩陣進(jìn)行降維處理；以獲取m*k階重構(gòu)左奇異向量矩陣、n*k階右奇異向量矩陣的轉(zhuǎn)置和k*k階奇異值對角矩陣，以形成重構(gòu)用戶軌跡矩陣。

本實(shí)施例中，降維后的m*k階左奇異向量矩陣U用于限定用戶之間的相似性，而降維后的n*k階右奇異向量矩陣的轉(zhuǎn)置V^T用于限定軌跡點(diǎn)之間的相似性，降維后的k*k階奇異值對角矩陣∑的主對角線上的奇異值，用于體現(xiàn)用戶與軌跡點(diǎn)之間的相關(guān)關(guān)系。將降維后的m*k階左奇異向量矩陣U、降維后的k*k階奇異值對角矩陣∑和與降維后的n*k階右奇異向量矩陣的轉(zhuǎn)置V^T的乘積作為重構(gòu)用戶軌跡矩陣輸出。

本實(shí)施例中，若m為7，而n為5，則形成7*5階原始用戶軌跡矩陣M，采用奇異值分解算法進(jìn)行矩陣分解后，形成7*7階左奇異向量矩陣U，5*5右奇異向量矩陣的轉(zhuǎn)置V^T，7*5階奇異值對角矩陣∑。選取奇異值對角矩陣的主對角線上前k＝2個奇異值，并進(jìn)行降維；則獲取降維后的7*2階左奇異向量矩陣U，5*2右奇異向量矩陣的轉(zhuǎn)置V^T，2*2階奇異值對角矩陣∑。在進(jìn)行相似性分析時，將7*2階左奇異向量矩陣U的每一列當(dāng)成x值，第二列當(dāng)前y值，構(gòu)建二維空間坐標(biāo)系，任意兩點(diǎn)之間夾角越小，且對應(yīng)用戶的生活習(xí)慣越相似，從而確定相似用戶。同理，將5*2右奇異向量矩陣的轉(zhuǎn)置V^T在構(gòu)建好的二維空間坐標(biāo)系中體現(xiàn)，任意兩點(diǎn)之間夾角越小，其對應(yīng)生活習(xí)慣越相似，從而確定具有相似生活習(xí)慣。

相似用戶確定模塊50，用于基于重構(gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶。

本實(shí)施例中獲取的重構(gòu)用戶軌跡矩陣中，可確定用戶之間的相似性，軌跡點(diǎn)對應(yīng)的生活習(xí)慣的相似性，以及用戶與軌跡點(diǎn)之間的相似性；因此，可基于該重構(gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶，以便利用該社交相似用戶進(jìn)行業(yè)務(wù)推廣、廣告宣傳等。本實(shí)施例中，基于重構(gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶的過程，操作簡單方便，無需采集大量數(shù)據(jù)，具分類結(jié)果較高。

具體地，降維后的m*k階左奇異向量矩陣U用于限定用戶之間的相似性，而降維后的n*k階右奇異向量矩陣的轉(zhuǎn)置V^T用于限定軌跡點(diǎn)之間的相似性，可通過目標(biāo)用戶與m*k階左奇異向量矩陣U進(jìn)行處理，以確定該社交相似用戶，也可通過目標(biāo)用戶的軌跡點(diǎn)和相應(yīng)的次數(shù)或頻率與n*k階右奇異向量矩陣的轉(zhuǎn)置V^T進(jìn)行處理，以確定該社交相似用戶。

在一具體實(shí)施方式中，相似用戶確定模塊50具體包括目標(biāo)向量獲取單元51、相似度計(jì)算單元52和相似用戶確定單元53。

目標(biāo)向量獲取單元51，用于獲取目標(biāo)用戶的m*1階目標(biāo)向量。

采用與m*1階原始向量相同的獲取過程，獲取目標(biāo)用戶的m*1階目標(biāo)向量，操作過程簡單方便，數(shù)據(jù)處理量少。

相似度計(jì)算單元52，用于采用余弦相似度算法計(jì)算目標(biāo)向量與原始向量的相似度。

本實(shí)施例中采用向量空間余弦相似度(Cosine Similarity)計(jì)算目標(biāo)向量與原始向量的相似度。具體地，若a向量是(x1,y1)，b向量是(x2,y2)，則向量空間余弦相似度的計(jì)算公式如下：

由此可計(jì)算任意兩個用戶之間的相似度。

相似用戶確定單元53，用于將相似度最高的原始向量對應(yīng)的用戶確定為目標(biāo)用戶的社交相似用戶。

本實(shí)施例中，余弦值越接近1，則表明夾角越接近0度，即兩個向量越相似；夾角等于0，即兩個向量相等?；谀繕?biāo)用戶的目標(biāo)向量與任一用戶的原始向量的向量空間余弦相似度，確定相似度最高的原始向量對應(yīng)的用戶為目標(biāo)用戶的社交相似用戶，從而獲取與目標(biāo)用戶的生活習(xí)慣高度相似的社交相似用戶。

本實(shí)施例所提供的基于位置服務(wù)的人群分類裝置中，通過對用戶在預(yù)設(shè)期間內(nèi)獲取的地理位置信息進(jìn)行聚類分析，獲取生活習(xí)慣軌跡向量表，由于地理位置信息具有較強(qiáng)的客觀性和可靠性，使得形成的生活習(xí)慣軌跡向量表也具有較強(qiáng)的客觀性和可靠性。再基于生活習(xí)慣軌跡向量表構(gòu)建原始用戶軌跡矩陣并采用奇異值分解算法進(jìn)行矩陣，獲取重構(gòu)用戶軌跡矩陣，可基于該重構(gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶?；谥貥?gòu)用戶軌跡矩陣確定與目標(biāo)用戶相對應(yīng)的社交相似用戶的過程，操作簡單方便，無需采集大量數(shù)據(jù)，且獲取的社交相似用戶與目標(biāo)用戶的生活習(xí)慣具有較高的相似性和客觀性，可向目標(biāo)用戶推送與社交相似用戶相同的產(chǎn)品或服務(wù)，以提高目標(biāo)用戶對推送產(chǎn)品或服務(wù)的接受度，有利進(jìn)行業(yè)務(wù)推廣、廣告宣傳等。

本發(fā)明是通過幾個具體實(shí)施例進(jìn)行說明的，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)明白，在不脫離本發(fā)明范圍的情況下，還可以對本發(fā)明進(jìn)行各種變換和等同替代。另外，針對特定情形或具體情況，可以對本發(fā)明做各種修改，而不脫離本發(fā)明的范圍。因此，本發(fā)明不局限于所公開的具體實(shí)施例，而應(yīng)當(dāng)包括落入本發(fā)明權(quán)利要求范圍內(nèi)的全部實(shí)施方式。