一種融合協(xié)同過濾算法和位置信息的目標(biāo)地推薦方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種融合協(xié)同過濾算法和位置信息的目標(biāo)地推薦方法。
【背景技術(shù)】
[0002] 在網(wǎng)絡(luò)爆炸的時代，人們往往要面對"信息過載"的問題，即如何在海量的信息中 找到自己感興趣的信息。搜索引擎和推薦系統(tǒng)是目前解決該問題的主要技術(shù)，與搜索引擎 相比，用戶更加青睞于使用個性化推薦系統(tǒng)，因為它能自動的從用戶注冊信息、用戶瀏覽日 志、歷史評分記錄和項目信息等方面進(jìn)行分析，從而挖掘用戶的興趣偏好和項目的特征，然 后為用戶實(shí)現(xiàn)個人感興趣信息的私人訂制。
[0003] 因此，有必要設(shè)計一種融合協(xié)同過濾算法和位置信息的目標(biāo)地推薦方法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問題是提供一種融合協(xié)同過濾算法和位置信息的目標(biāo)地 推薦方法，該融合協(xié)同過濾算法和位置信息的目標(biāo)地推薦方法易于實(shí)施，結(jié)合了協(xié)同過濾 算法和旅行代價計算，為用戶給出了最佳目標(biāo)地的推薦，科學(xué)性和實(shí)用性強(qiáng)，能為用戶的生 活和出行帶來極大的便利。
[0005] 發(fā)明的技術(shù)解決方案如下：
[0006] -種融合協(xié)同過濾算法和位置信息的目標(biāo)地推薦方法，計算（1)基于協(xié)同過濾 算法生成用戶u對目標(biāo)地i的預(yù)測評分P(u，i)，以及⑵用戶u到目標(biāo)地i的旅行代價 TravelPenalty(u, i)；
[0007] 則最終目標(biāo)地i在用戶U的推薦列表中的推薦值定義為：
[0008] RecScore(u，i) = P (u，i)-TravelPenalty(u，i)
[0009] 針對多個目標(biāo)地i計算RecScore (u，i)，并將RecScore (u，i)最大值對應(yīng)的目標(biāo) 地作為最終推薦的目標(biāo)地；
[0010] 多個目標(biāo)地位于距離當(dāng)前用戶U所在地半徑為距離閾值K的目標(biāo)區(qū)域內(nèi)。
[0011] 所述的預(yù)測評分P (U，i)計算方法如下：
[0013] 其中，S(i，k)是與目標(biāo)地i最相近的K個目標(biāo)地集合，N(U)是用戶u給過評分的 目標(biāo)地的集合；
[0014] ru, j是用戶u對目標(biāo)地j的評分；
[0015] @是所有N個用戶對目標(biāo)地i評分的均值，其計算公式為其中Tlt 表示用戶t對目標(biāo)地i的評分；
[0016] sim' (i，j)為余弦相似度修正值，有：
對數(shù)的底數(shù)默認(rèn)為10 ;
[0018] 其中sim(i，j)為修正前的余弦相似度：
[0020] %是用戶u對所有目標(biāo)地評分的均值；
[0021] 其中
，ru>1是用戶u對目標(biāo)地i的評分；r u, j 是用戶u對目標(biāo)地j的評分；％;是用戶u對所有目標(biāo)地【所有目標(biāo)地的范圍為前述的目標(biāo)區(qū) 域】評分的均值；U = N(i) n N(j)是給目標(biāo)地i和目標(biāo)地j都打過評分的用戶集合；N(i) 是給目標(biāo)地i打過評分的用戶集合，N(j)是給目標(biāo)地j打過評分的用戶集合；
[0022] 當(dāng)sim(i，j)為正時，說明目標(biāo)地i和目標(biāo)地j正相關(guān)，具有相似性，具有推薦價 值。當(dāng)sim(i，j)為非正值時，說明目標(biāo)地i和目標(biāo)地j負(fù)相關(guān)或不相關(guān)，不具有相似性，則 不具有推薦價值；并且計算修正后的相似度時，只計算正相關(guān)的目標(biāo)地：
[0023] 評分的計算方法為：假定T天時間內(nèi)，連接次數(shù)為n，那么評分為
由于歸 一化處理f后r的值過小，為防止量級誤差將r值倍數(shù)級增加。數(shù)字"7"并無特殊含義，此 處取該值。
[0024] 旅行代價TravelPenalty (u，i)的計算方法如下：
[0025] 給定用戶u的位置L，設(shè)定距離閾值K，得到距離用戶u旅行代價不大于K值的目 標(biāo)地集合；假定用戶u到目標(biāo)地i的距離為I1，則對應(yīng)的旅行代價為：
[0027] A和B兩點(diǎn)的距離1的計算公式為：
[0029] 其中Lat 1和Lungl分別為A點(diǎn)的經(jīng)煒度，Lat2和Lung2分別為B點(diǎn)的經(jīng)煒度；其 中a = Latl-Lat2為兩點(diǎn)煒度之差；b = Lungl-Lung2為兩點(diǎn)經(jīng)度之差；6378. 137為地球半 徑，單位為公里。
[0030] 對于多個目標(biāo)地，將計算得到的RecScore (u，i)按照降序排列，取前N個值輸出為 推薦目標(biāo)地列表。
[0031] 所述的目標(biāo)地為商鋪、展覽館或運(yùn)動場館。
[0032] 用戶U對商鋪的評分是本用戶U對商鋪的評分。
[0033] 本方案基于全城布點(diǎn)的商鋪（以下均已商鋪為例進(jìn)行說明，則這里的商鋪也可以 是展覽館等，特此說明）AP上報的數(shù)據(jù)信息，根據(jù)用戶的行為記錄，為用戶推薦其感興趣的 私人訂制商鋪列表。由于商鋪具有位置屬性，用戶更加傾向于離自身距離較近的商鋪，同時 考慮需要付出的旅行代價。
[0034] 根據(jù)用戶的需求推薦：即只按照興趣度高低推薦或在興趣度的基礎(chǔ)上考慮地理因 素推薦?？紤]地理因素推薦時，需要用戶自己定位自己所在的位置（GPS獲取用戶所在地的 經(jīng)煒度）。
[0035] 有益效果：
[0036] 本發(fā)明的融合協(xié)同過濾算法和位置信息的目標(biāo)地推薦方法，易于實(shí)施，實(shí)施成本 低，且結(jié)合了協(xié)同過濾算法和旅行代價計算，為用戶給出了最佳目標(biāo)地的推薦，科學(xué)性和實(shí) 用性強(qiáng)，能為用戶的生活和出行帶來極大的便利。
【具體實(shí)施方式】
[0037] 以下將結(jié)合具體實(shí)施例對本發(fā)明做進(jìn)一步詳細(xì)說明：
[0038] 實(shí)施例1 :
[0039] 一、基于金字塔模型的協(xié)同過濾算法（PMCF)
[0040] PMCF算法首先忽略物品的位置信息，利用基于商鋪的協(xié)同過濾算法生成用戶u對 商鋪i的預(yù)測評分P (U，i)，再考慮到商鋪的位置屬性對用戶興趣度的影響，最終商鋪i在 用戶u的推薦列表中的推薦值定義為：
[0041] RecScore(u，i) = P (u，i)-TravelPenalty(u，i)
[0042] 其中TravelPenalty (u，i)標(biāo)示用戶u到商鋪i的旅行代價。
[0043] 2. 1基于商鋪的協(xié)同過濾算法
[0044] 基于商鋪的協(xié)同過濾算法主要分為兩步：
[0045] 1)計算商鋪之間的相似度。
[0046] 2)根據(jù)商鋪的相似度和用戶的歷史行為為用戶生成推薦列表。
[0047] 2. I. 1商鋪相似度計算
[0048] 本方案采用修正的余弦相似度來計算商鋪之間的相似度。其中用戶對商鋪的評分 由一定周期內(nèi)用戶連接商鋪AP的次數(shù)表征。假定一定周期T天時間內(nèi)，連接次數(shù)為n，那么 評分為Γ = f X 7,即將評分歸一化到[0, 7]范圍內(nèi)。
[0050] 其中
其中ru, i是用戶u對商鋪i的評分； ru, j是用戶u對商鋪j的評分；$是用戶對所有商鋪評分的均值；U = N(i) (? N(j)是給商 鋪i和商鋪j都打過評分的用戶集合。
[0051] 兩個商鋪如果被同一個用戶打過相同的評分，那么其商鋪之間的相似度比被同一 用戶打過不同評分的兩個商鋪之間的相似度高。本方案通過使用同一用戶對兩個商鋪的評 分差值的倒數(shù)來修正余弦相似度。公式如下：
[0053] 2. 1. 2生成推薦列表
[0054] 給定一個用戶u，通過計算用戶u對商鋪i的預(yù)測評分P (u，i)來判斷用戶u對商 鋪i的喜好程度。公式如下：
[0056] 其中S(i，k)是與商鋪i最相近的K個商鋪集合，N(U)是用戶u給過評分的商鋪 的集合。設(shè)置最低推薦值，將大于最低推薦值的商鋪生成Top-N推薦列表提供給用戶。
[0057] 2. 2基于位置信息的推薦
[0058] 推薦系統(tǒng)首先忽略商鋪的位置信息，使用基于商鋪的協(xié)同過濾算法生成用戶u對 商鋪i的預(yù)測評分P (u，i)。再考慮商鋪的位置信息對用戶興趣度的影響，最終物品i在用 戶u的推薦列表中定義為：
[0059] RecScore(u，i) = P (u，i)-TravelPenalty(u，i)
[0060] 其中TravelPenalty (u，i)表示為用戶u到商鋪i的旅行代價。TravelPenalty (u， i)的基本思想是對商鋪i與用戶u之前評分的所有商鋪的位置計算距離的平均值，然后將 所求的平均值歸一化到評分取值的相同范圍內(nèi)，如[0, 1]。
[0061] 給定用戶u的位置L，設(shè)定K值（距離閾值），返回距離用戶u旅行代價不大于K值 的商鋪集合。假定用戶u到商鋪i的距離為I1，這時其旅行代價為：
即將旅行代價歸一化到[0，1]范圍內(nèi)，用戶可以隨意定