一種模式與偏好感知的poi推薦方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種模式與偏好感知的POI推薦方法,所述方法包括:通過將GPS數(shù)據(jù)集中的地理位置信息轉(zhuǎn)換為語義信息,考慮位置流行度與用戶熟悉度,對(duì)用戶的移動(dòng)行為進(jìn)行建模,并發(fā)現(xiàn)目標(biāo)用戶的潛在好友,從潛在好友的行為模型中,挖掘出候選服務(wù),給候選服務(wù)打分,從而為目標(biāo)用戶推薦前k個(gè)候選服務(wù)。本發(fā)明可以實(shí)現(xiàn)個(gè)性化的POI推薦,解決了實(shí)際環(huán)境中位置有限性與數(shù)據(jù)稀疏性問題,同時(shí)利用移動(dòng)軌跡描述方法反映用戶的興趣與偏好,進(jìn)而提高系統(tǒng)可擴(kuò)展性,為未來基于位置的社交網(wǎng)絡(luò)中個(gè)性化路線推薦提供有益的解決思路。
【專利說明】
-種模式與偏好感知的PO I推薦方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及網(wǎng)絡(luò)通信領(lǐng)域,特別設(shè)及一種模式與偏好感知的POI推薦方法及系統(tǒng)。
【背景技術(shù)】
[0002] 基于位置的社交網(wǎng)絡(luò)(Xbs化)(例如:Foursquare JacebookPlaceJwitterW 及街 旁等)是利用用戶的簽到信息,將在線社交網(wǎng)絡(luò)和物理位置結(jié)合起來,W實(shí)現(xiàn)虛擬世界中基 于位置的服務(wù)資源的共享與傳播。近年來,由于大量傳感器嵌入的智能移動(dòng)設(shè)備的廣泛應(yīng) 用,使得LBS化獲得了空前發(fā)展。其中,智能手機(jī)無疑成為用戶最青睞的設(shè)備。用戶可W通過 智能手機(jī)無處不在地訪問互聯(lián)網(wǎng),并且使用基于位置的應(yīng)用,W體驗(yàn)各種各樣的網(wǎng)絡(luò)服務(wù), 例如:多媒體服務(wù)、實(shí)時(shí)新聞、W及交通信息等。經(jīng)Nokia預(yù)測顯示,隨著移動(dòng)用戶數(shù)量的急 劇增加,未來移動(dòng)數(shù)據(jù)總量將增加1000倍。根據(jù)國際電信聯(lián)盟(ITU)最近的一封報(bào)告顯示, 到2020年,將會(huì)有大約250億個(gè)可連接的設(shè)備。由于數(shù)據(jù)量的快速增加,第一個(gè)關(guān)于大數(shù)據(jù) 的ITU標(biāo)準(zhǔn)已經(jīng)在2015年被提出來。大量的網(wǎng)絡(luò)服務(wù)被推送到移動(dòng)用戶端,用戶可W根據(jù)自 己的喜好選擇不同的服務(wù)。但是,由于服務(wù)數(shù)量的增加,用戶常常收到許多無用的服務(wù)信 息,W導(dǎo)致當(dāng)前狀態(tài)下用戶需要的服務(wù)被淹沒。因此,未來服務(wù)推薦系統(tǒng)所面臨的挑戰(zhàn)不是 "從任何地點(diǎn)、在任何時(shí)刻、向任何人推薦服務(wù)",而是"從合適的地點(diǎn)、在合適的時(shí)刻、向合 適的用戶、推薦合適的服務(wù)"。
[0003] POI推薦是伴隨著LBSNs出現(xiàn)的一種新的服務(wù)推薦類型,與傳統(tǒng)的服務(wù)推薦不同, POI推薦更關(guān)注于向用戶推薦個(gè)性化的、服務(wù)體驗(yàn)質(zhì)量(QoE)保證的服務(wù)。利用上下文信息 (例如:時(shí)間、地理位置、社交關(guān)系等),P〇I推薦系統(tǒng)可W為用戶提供智能的、定制的服務(wù)選 項(xiàng)。在該領(lǐng)域中研究主題主要包括:位置預(yù)測、用戶行為分析、移動(dòng)模式建模、W及社交關(guān)系 檢測等。其中,用戶行為分析和移動(dòng)模式建模得到了學(xué)術(shù)界的廣泛關(guān)注。
[0004] 在實(shí)現(xiàn)本發(fā)明的過程中,發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)至少存在W下問題:
[0005] 第一、只考慮地理位置信息不能有效地實(shí)現(xiàn)POI推薦,并且在實(shí)際環(huán)境中常常存在 數(shù)據(jù)稀疏性問題;第二、現(xiàn)存的POI推薦系統(tǒng)沒有考慮用戶訪問位置的順序性,針對(duì)用戶來 說,不同的訪問順序?qū)?huì)產(chǎn)生不同的興趣與偏好;第S、現(xiàn)存的POI推薦系統(tǒng)不能很好地適 應(yīng)不同種類的POI分類,因此可擴(kuò)展性較低。
【發(fā)明內(nèi)容】
[0006] 為了解決服務(wù)推薦過程中的位置有限性與數(shù)據(jù)稀疏性問題,提高系統(tǒng)可擴(kuò)展性, 并為用戶推薦滿足其興趣與偏好的個(gè)性化服務(wù),本發(fā)明提供了一種模式與偏好感知的POI 推薦方法及系統(tǒng)。所述技術(shù)方案如下:
[0007] -種模式與偏好感知的POI推薦方法,所述方法包括:
[000引利用語義軌跡轉(zhuǎn)換方法,將GI^數(shù)據(jù)集中的地理位置信息轉(zhuǎn)換為語義信息;
[0009] 根據(jù)位置流行度與用戶熟悉度,對(duì)用戶的移動(dòng)行為進(jìn)行建模;
[0010] 根據(jù)用戶偏好模型,獲取目標(biāo)用戶的潛在好友;
[0011] 根據(jù)潛在好友的行為模式,挖掘出候選服務(wù),給候選服務(wù)打分,從而為目標(biāo)用戶推 薦前k個(gè)POI服務(wù)。
[0012] 所述語義軌跡轉(zhuǎn)換根據(jù)如下方法獲?。?br>[0013] 對(duì)GPS數(shù)據(jù)集中的原始點(diǎn)進(jìn)行聚類,得到具有一定駐留行為的停留點(diǎn);
[0014] 計(jì)算每一類型i在一個(gè)停留區(qū)域中所占的權(quán)重;
[0015] 對(duì)停留點(diǎn)再進(jìn)行一次聚類,計(jì)算每一個(gè)位置以的坐標(biāo),然后計(jì)算每一類型i在位置 中所占的權(quán)重,最后聚類位置的特征向量,得到位置所屬的類別。
[0016] 所述用戶移動(dòng)行為建模根據(jù)如下方法獲?。?br>[0017] 將用戶和位置作為中屯、節(jié)點(diǎn)和權(quán)威節(jié)點(diǎn),中屯、節(jié)點(diǎn)的值表示用戶熟悉度,權(quán)威節(jié) 點(diǎn)的值表示位置流行度,對(duì)于每一類型C,計(jì)算用戶熟悉度Mf C/)和位置流行度王^(只);
[0018] 分別定義和表示用戶熟悉度和位置流行度的特征向量,利用迭代的方法, 計(jì)算每一類型的用戶熟悉度,W及相應(yīng)類型的位置流行度。
[0019] 所述潛在好友發(fā)現(xiàn)根據(jù)如下方法獲?。?br>[0020] 定義path為位置軌跡和語義軌跡中長度為1的子序列,W表示用戶的活動(dòng)順序;
[0021] 利用流行性和時(shí)間間隔,計(jì)算用戶之間的path相似度;
[0022] 考慮地理空間和語義空間所在的比重,計(jì)算用戶m和U2的相似度,對(duì)相似度的值排 序,從而發(fā)現(xiàn)目標(biāo)用戶的潛在好友;
[0023] 所述方法還包括:
[0024] 從用戶的語義軌跡集合中提取長度為n的子序列;
[0025] 判斷該子序列是否在一天內(nèi),如果不在一天內(nèi),則刪除該子序列,重新提取下一個(gè) 子序列;
[0026] 判斷該子序列是否在移動(dòng)模式集合內(nèi),如果是,則對(duì)應(yīng)子序列的訪問次數(shù)加1,如 果否,則將其添加至模式集合,并將訪問次數(shù)加1;
[0027] 當(dāng)訪問次數(shù)小于一定閥值時(shí),刪除該子序列;
[0028] 根據(jù)訪問次數(shù)的值,對(duì)子序列進(jìn)行排序。
[0029] 所述POI服務(wù)推薦根據(jù)如下方法獲取:
[0030] 基于提取出的移動(dòng)模式,為目標(biāo)用戶挖掘出具有長度為n的連續(xù)子序列;
[0031] 從潛在好友的行為模型中,挖掘出候選服務(wù),并且計(jì)算候選服務(wù)的得分,然后將候 選服務(wù)按照其分?jǐn)?shù)進(jìn)行排序,最后為目標(biāo)用戶推薦前k個(gè)POI服務(wù)。
[0032] 所述方法還包括:
[0033] 從目標(biāo)用戶的行為模型中提取目標(biāo)用戶的移動(dòng)模式;
[0034] 從相似用戶集合中提取相似用戶的移動(dòng)模式;
[0035] 按照相似用戶的相似度,將相似用戶降序排列;
[0036] 判斷相似用戶的移動(dòng)模式是否和目標(biāo)用戶的移動(dòng)模式相同,如果是,則將該相似 用戶的移動(dòng)模式加入到候選服務(wù)集合中,如果否,則刪除該用戶,重新匹配下一個(gè)相似用 戶;
[0037] 將候選服務(wù)按照得分高低進(jìn)行排序,為目標(biāo)用戶推薦前k個(gè)POI服務(wù)。
[0038] -種模式與偏好感知的POI推薦系統(tǒng),所述系統(tǒng)包括語義軌跡轉(zhuǎn)換模塊、路徑提取 模塊、移動(dòng)模式提取模塊、潛在好友發(fā)現(xiàn)模塊、候選服務(wù)挖掘模塊W及POI推薦模塊,其中,
[0039] 所述語義軌跡轉(zhuǎn)換模塊,用于將基于位置的社交網(wǎng)絡(luò)數(shù)據(jù)集中的地理位置信息轉(zhuǎn) 換為語義信息;
[0040] 所述路徑提取模塊,用于提取每一個(gè)用戶的位置路徑和語義路徑;
[0041] 所述移動(dòng)模式提取模塊,用于提取每一個(gè)用戶的移動(dòng)模式;
[0042] 所述潛在好友發(fā)現(xiàn)模塊,用于發(fā)現(xiàn)目標(biāo)用戶的潛在好友集合;
[0043] 所述候選服務(wù)挖掘模塊,用于從潛在好友中挖掘適合用戶行為模式的候選服務(wù);
[0044] 所述POI推薦模塊,用于從候選服務(wù)中挑選前k個(gè)服務(wù)推薦給目標(biāo)用戶。
[0045] 本發(fā)明實(shí)施例提供的技術(shù)方案帶來的有益效果是:
[0046] 通過將GPS數(shù)據(jù)集中的地理位置信息轉(zhuǎn)換為語義信息,考慮位置流行度與用戶熟 悉度,對(duì)用戶的移動(dòng)行為進(jìn)行建模,并發(fā)現(xiàn)目標(biāo)用戶的潛在好友,從潛在好友的行為模型 中,挖掘出候選服務(wù),給候選服務(wù)打分,從而為目標(biāo)用戶推薦前k個(gè)候選服務(wù)。本發(fā)明實(shí)施例 提供的方案,可W實(shí)現(xiàn)個(gè)性化的POI推薦,解決了實(shí)際環(huán)境中位置有限性與數(shù)據(jù)稀疏性問 題,同時(shí)利用移動(dòng)軌跡描述方法反映用戶的興趣與偏好,進(jìn)而提高系統(tǒng)可擴(kuò)展性,為未來基 于位置的社交網(wǎng)絡(luò)中個(gè)性化路線推薦提供有益的解決思路。
【附圖說明】
[0047] 圖1是本發(fā)明實(shí)施例一提供的模式與偏好感知的POI推薦方法原理流程圖;
[0048] 圖2是本發(fā)明實(shí)施例一提供的語義轉(zhuǎn)換示意圖;
[0049] 圖3是本發(fā)明實(shí)施例一提供的移動(dòng)模式提取算法示意圖。
[0050] 圖4是本發(fā)明實(shí)施例一提供的個(gè)性化服務(wù)推薦算法示意圖。
[0051] 圖5是本發(fā)明實(shí)施例二提供的模式與偏好感知的POI推薦系統(tǒng)結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0052] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚,下面將結(jié)合附圖對(duì)本發(fā)明實(shí)施方 式作進(jìn)一步地詳細(xì)描述。
[0053] 本發(fā)明提出了一種模式與偏好感知的POI推薦方法,目的是為用戶推薦符合其生 活模式與偏好的個(gè)性化服務(wù),有效解決位置有限性與數(shù)據(jù)稀疏性問題,同時(shí)利用移動(dòng)軌跡 描述方法反映用戶的興趣與偏好,提高系統(tǒng)可擴(kuò)展性。
[0054] 本發(fā)明提供的用戶偏好模型,將GPS數(shù)據(jù)集中的地理位置信息轉(zhuǎn)換為語義信息,并 考慮位置流行度與用戶熟悉度,對(duì)用戶的移動(dòng)行為進(jìn)行建模;根據(jù)用戶偏好模型,獲取目標(biāo) 用戶的潛在好友;再根據(jù)潛在好友的行為模式,挖掘出候選服務(wù),給候選服務(wù)打分,從而為 目標(biāo)用戶推薦前k個(gè)候選服務(wù)。
[00對(duì)實(shí)施例一
[0056] 如圖1所示,為本發(fā)明實(shí)施例提供的模式與偏好感知的POI推薦方法原理流程圖, 其中,
[0057] 步驟10,利用語義軌跡轉(zhuǎn)換方法,將GPS數(shù)據(jù)集中的地理位置信息轉(zhuǎn)換為語義信 息。
[0058] 在基于位置的社交網(wǎng)絡(luò)中,每一個(gè)用戶都擁有其簽到的地理位置信息。利用運(yùn)些 信息,我們可W預(yù)測用戶未來的活動(dòng)位置,并且為用戶推薦基于興趣點(diǎn)(POI)的服務(wù)。但是, 由于地理位置的有限性及數(shù)據(jù)稀疏性,我們不能很好地從原始的地理位置信息中挖掘出相 似的用戶。如圖2所示,表示的是=個(gè)用戶生成的=條移動(dòng)軌跡(A,B,C),左半部分是位置軌 跡,右半部分是相應(yīng)的語義軌跡。在比較用戶相似性時(shí),如果只考慮地理空間上位置軌跡之 間的距離,那么A和B更相似;但是,實(shí)際上從語義空間的角度來看,C和B更相似。并且,C和B 之間具有相同的語義軌跡序列"看病^購物^休閑"。因此,用戶C可W為用戶B推薦該語義 軌跡所對(duì)應(yīng)的位置軌跡序列"醫(yī)院3^商場3^公園3"。
[0059] 對(duì)GI^數(shù)據(jù)集中的原始點(diǎn)進(jìn)行聚類,得到具有一定駐留行為的停留點(diǎn)。該聚類方法 可W表示為:
[0060]
公式(I )
[0061] 為了將地理位置信息轉(zhuǎn)換為語義信息,本發(fā)明利用TF-IDF思想,每一類型i在一個(gè) 停留區(qū)域中所占的權(quán)重可W被計(jì)算為:
[0062]
公賣(2)
[0063]為了唯一標(biāo)識(shí)用戶的活動(dòng)行為,本發(fā)明對(duì)停留點(diǎn)再進(jìn)行一次聚類,每一個(gè)位置以 的坐標(biāo)可W被計(jì)算為:
[0065]同時(shí),每一類型i的權(quán)重值可W被計(jì)算為:「00661
[QHAyl 1 公式。)
公乂(4) 公式(5 )
[0068] 從而完成了地理位置信息到語義信息的轉(zhuǎn)換,通過聚類每一個(gè)位置的特征向量, 本發(fā)明可W得到每一位置所屬的種類類別。
[0069] 步驟20,根據(jù)位置流行度與用戶熟悉度,對(duì)用戶的移動(dòng)行為進(jìn)行建模。
[0070] 為了進(jìn)一步體現(xiàn)用戶對(duì)位置的了解程度。在構(gòu)建用戶偏好模型時(shí),本發(fā)明將位置 流行度和用戶熟悉度考慮在內(nèi)。
[0071] 基于HITS算法,本發(fā)明分別將用戶和位置作為中屯、節(jié)點(diǎn)和權(quán)威節(jié)點(diǎn)。中屯、節(jié)點(diǎn)的 值表示用戶熟悉度,權(quán)威節(jié)點(diǎn)的值表示位置流行度。對(duì)于每一類型C,用戶熟悉度W,'00和 公、式(6 ) 位置流行度(/))可W被計(jì)算為:[0072]
[0 公式(7) H-
[0074] 其中,M嗦示用戶-位置矩陣,表示用戶i訪問位置j的次數(shù),表示用戶i 對(duì)每一類型C的熟悉度,/3;)表示每一類型C中位置j的流行度。
[0075] 利用迭代的方法,本發(fā)明分別定義if和^表示用戶熟悉度和位置流行度的特征 向量,最終的迭代過程可W被計(jì)算為:
[0076] 公式(8)
[0077] 公式(9)
[0078] 其中,n表示迭代次數(shù)。初始化, 該迭代過程終止。
[0079] 因此,本發(fā)明得到了每一類型的用戶熟悉度,W及相應(yīng)類型的位置流行度,從而構(gòu) 建了用戶偏好模型。
[0080] 步驟30,根據(jù)用戶偏好模型,獲取目標(biāo)用戶的潛在好友。
[0081] 利用GPS數(shù)據(jù)集與POI數(shù)據(jù)集,本發(fā)明可W挖掘出用戶的興趣和偏好。例如,如果一 個(gè)人經(jīng)常去體育館或健身房,那么他/她很可能喜歡運(yùn)動(dòng)。一般情況下,兩個(gè)用戶的移動(dòng)軌 跡在地理空間和語義空間上的距離越近,他們將擁有更相似的興趣與偏好。因此,本發(fā)明可 W利用包含位置軌跡信息和語義軌跡信息的用戶偏好模型來為目標(biāo)用戶發(fā)現(xiàn)其潛在的相 似用戶。
[0082] 利用IDF值,每一個(gè)位置和類型的流行性可W被計(jì)算為:
[0083]
公式no)
[0084] 其中,N表示位置的總個(gè)數(shù),化表示位置L的個(gè)數(shù),nc表示具有類型C的位置的個(gè)數(shù)。
[0085] 本發(fā)明定義path為位置軌跡和語義軌跡中長度為1的子序列,W表示用戶的活動(dòng) 順序。
[0086] 同時(shí),在計(jì)算用戶相似性時(shí),本發(fā)明將時(shí)間間隔考慮在內(nèi),運(yùn)里的時(shí)間是每一個(gè) path的開始時(shí)間。時(shí)間間隔越短,用戶相似度越高。
[0087] 利用流行性和時(shí)間間隔,用戶之間的path相似度可W被計(jì)算為:
[008引 公式(11 )
[C 公式(12)
[0090] 其中,1表示path的長度,I ti-t21表示兩條path的時(shí)間間隔。
[0091] 通過考慮地理空間和語義空間所在的比重,用戶Ul和U2的相似度可W被計(jì)算為:
[0092]
公式(1.3.)
[0093] 其中,Wl和Wg分別表示位置path和語義path的權(quán)重,m表示用戶Ui和U2所具有的公 共path的長度。
[0094] 對(duì)Sim的值進(jìn)行排序,本發(fā)明可W發(fā)現(xiàn)目標(biāo)用戶的潛在好友。
[00M]具體的移動(dòng)模式提取算法如圖3所示,其中,
[0096] 1)提取長度為n的子序列。
[0097] 2)判斷子序列是否在一天內(nèi),如果不在一天內(nèi),則返回步驟1)。
[0098] 3)判斷子序列是否在移動(dòng)模式集合內(nèi)。
[0099] 4)刪除不滿足閥值的子序列。
[0100] 5)對(duì)子序列排序。
[0101 ]步驟40,根據(jù)潛在好友的行為模式,挖掘出候選服務(wù),給候選服務(wù)打分,從而為目 標(biāo)用戶推薦前k個(gè)POI服務(wù)。
[0102] 基于提取出的移動(dòng)模式,本發(fā)明可W為目標(biāo)用戶挖掘出具有長度為n的連續(xù)子序 列。
[0103] 從潛在好友的行為模型中,本發(fā)明挖掘出候選服務(wù),并且候選服務(wù)的得分可W被 計(jì)算為:
[01041
公乂(1斗)
[0105] 因此,將Scorep(S)的值排序,本發(fā)明可W為目標(biāo)用戶P推薦前k個(gè)POI服務(wù)。
[0106] 具體的個(gè)性化服務(wù)推薦算法如圖4所示,其中,
[0107] 1)提取目標(biāo)用戶的移動(dòng)模式。
[0108] 2)提取相似用戶的移動(dòng)模式
[0109] 3)將相似用戶按降序排列。
[0110] 4)判斷相似用戶的移動(dòng)模式是否和目標(biāo)用戶的移動(dòng)模式相同,如果否,則返回步 驟3),匹配下一個(gè)相似用戶。
[0111] 5)將提取出的移動(dòng)模式加入到候選服務(wù)集合中。
[0112] 6)候選服務(wù)排序,為目標(biāo)用戶推薦前k個(gè)POI服務(wù)。
[0113] 實(shí)施例二
[0114] 如圖5所示,本發(fā)明實(shí)施例提供了一種模式與偏好感知的POI推薦系統(tǒng),包括語義 軌跡轉(zhuǎn)換模塊100、路徑提取模塊200、移動(dòng)模式提取模塊300、潛在好友發(fā)現(xiàn)模塊400、候選 服務(wù)挖掘模塊500 W及POI推薦模塊600,具體如下:
[0115] 語義軌跡轉(zhuǎn)換模塊100,用于將基于位置的社交網(wǎng)絡(luò)數(shù)據(jù)集中的地理位置信息轉(zhuǎn) 換為語義信息;
[0116] 路徑提取模塊200,用于提取每一個(gè)用戶的位置路徑和語義路徑;
[0117] 移動(dòng)模式提取模塊300,用于提取每一個(gè)用戶的移動(dòng)模式;
[0118] 潛在好友發(fā)現(xiàn)模塊400,用于發(fā)現(xiàn)目標(biāo)用戶的潛在好友集合;
[0119] 候選服務(wù)挖掘模塊500,用于從潛在好友中挖掘適合用戶行為模式的候選服務(wù);
[0120] POI推薦模塊600,用于從候選服務(wù)中挑選前k個(gè)服務(wù)推薦給目標(biāo)用戶。
[0121] 需要說明的是:上述實(shí)施例提供的模式與偏好感知的POI推薦系統(tǒng)在推薦個(gè)性化 服務(wù)時(shí),僅W上述各功能模塊的劃分進(jìn)行舉例說明,實(shí)際應(yīng)用中,可W根據(jù)需要而將上述功 能分配由不同的功能模塊完成,即將裝置的內(nèi)部結(jié)構(gòu)劃分成不同的功能模塊,W完成W上 描述的全部或者部分功能。另外,上述實(shí)施例提供的數(shù)據(jù)傳輸裝置與數(shù)據(jù)傳輸方法實(shí)施例 屬于同一構(gòu)思,其具體實(shí)現(xiàn)過程詳見方法實(shí)施例,運(yùn)里不再寶述。
[0122] 上述本發(fā)明實(shí)施例序號(hào)僅僅為了描述,不代表實(shí)施例的優(yōu)劣。
[0123] 綜上所述,在本發(fā)明實(shí)施例中,通過將GI^數(shù)據(jù)集中的地理位置信息轉(zhuǎn)換為語義信 息,考慮位置流行度與用戶熟悉度,對(duì)用戶的移動(dòng)行為進(jìn)行建模,并發(fā)現(xiàn)目標(biāo)用戶的潛在好 友,從潛在好友的行為模型中,挖掘出候選服務(wù),給候選服務(wù)打分,從而為目標(biāo)用戶推薦前k 個(gè)候選服務(wù)。本發(fā)明實(shí)施例提供的方案,可W實(shí)現(xiàn)個(gè)性化的POI推薦,解決了實(shí)際環(huán)境中位 置有限性與數(shù)據(jù)稀疏性問題,同時(shí)利用移動(dòng)軌跡描述方法反映用戶的興趣與偏好,進(jìn)而提 高系統(tǒng)可擴(kuò)展性,為未來基于位置的社交網(wǎng)絡(luò)中個(gè)性化路線推薦提供有益的解決思路。
[0124] 本領(lǐng)域普通技術(shù)人員可W理解實(shí)現(xiàn)上述實(shí)施例的全部或部分步驟可W通過硬件 來完成,也可W通過程序來指令相關(guān)的硬件完成,所述的程序可W存儲(chǔ)于一種計(jì)算機(jī)可讀 存儲(chǔ)介質(zhì)中,上述提到的存儲(chǔ)介質(zhì)可W是只讀存儲(chǔ)器,磁盤或光盤等。
[0125] W上所述僅為本發(fā)明的較佳實(shí)施例,并不用W限制本發(fā)明,凡在本發(fā)明的精神和 原則之內(nèi),所作的任何修改、等同替換、改進(jìn)等,均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種模式與偏好感知的POI推薦方法,其特征在于,所述方法包括: 利用語義軌跡轉(zhuǎn)換方法,將GPS數(shù)據(jù)集中的地理位置信息轉(zhuǎn)換為語義信息; 根據(jù)位置流行度與用戶熟悉度,對(duì)用戶的移動(dòng)行為進(jìn)行建模; 根據(jù)用戶偏好模型,獲取目標(biāo)用戶的潛在好友; 根據(jù)潛在好友的行為模式,挖掘出候選服務(wù),給候選服務(wù)打分,從而為目標(biāo)用戶推薦前 k個(gè)POI服務(wù)。2. 如權(quán)利要求1所述的方法,其特征在于,所述語義軌跡轉(zhuǎn)換方法包括: 對(duì)GPS數(shù)據(jù)集中的原始點(diǎn)進(jìn)行聚類,得到具有一定駐留行為的停留點(diǎn); 計(jì)算每一類型i在一個(gè)停留區(qū)域中所占的權(quán)重; 對(duì)停留點(diǎn)再進(jìn)行一次聚類,計(jì)算每一個(gè)位置L1的坐標(biāo),然后計(jì)算每一類型i在位置中所 占的權(quán)重,最后聚類位置的特征向量,得到位置所屬的類別。3. 如權(quán)利要求1所述的方法,其特征在于,所述用戶移動(dòng)行為建模包括: 將用戶和位置作為中心節(jié)點(diǎn)和權(quán)威節(jié)點(diǎn),中心節(jié)點(diǎn)的值表示用戶熟悉度,權(quán)威節(jié)點(diǎn)的 值表示位置流行度,對(duì)于每一類型C,計(jì)算用戶熟悉度MfGl和位置流行度/4(/4: 分別定義和表示用戶熟悉度和位置流行度的特征向量,利用迭代的方法,計(jì)算 每一類型的用戶熟悉度,以及相應(yīng)類型的位置流行度。4. 如權(quán)利要求1所述的方法,其特征在于,所述潛在好友發(fā)現(xiàn)方法包括: 定義path為位置軌跡和語義軌跡中長度為1的子序列,以表示用戶的活動(dòng)順序; 利用流行性和時(shí)間間隔,計(jì)算用戶之間的path相似度; 考慮地理空間和語義空間所在的比重,計(jì)算用戶UjPu2的相似度,對(duì)相似度的值排序, 從而發(fā)現(xiàn)目標(biāo)用戶的潛在好友。5. 如權(quán)利要求4所述的方法,其特征在于,所述方法還包括: 從用戶的語義軌跡集合中提取長度為η的子序列; 判斷該子序列是否在一天內(nèi),如果不在一天內(nèi),則刪除該子序列,重新提取下一個(gè)子序 列; 判斷該子序列是否在移動(dòng)模式集合內(nèi),如果是,則對(duì)應(yīng)子序列的訪問次數(shù)加1,如果 否,則將其添加至模式集合,并將訪問次數(shù)加1; 當(dāng)訪問次數(shù)小于一定閥值時(shí),刪除該子序列; 根據(jù)訪問次數(shù)的值,對(duì)子序列進(jìn)行排序。6. 如權(quán)利要求1所述的方法,其特征在于,所述POI服務(wù)推薦方法,包括: 基于提取出的移動(dòng)模式,為目標(biāo)用戶挖掘出具有長度為η的連續(xù)子序列; 從潛在好友的行為模型中,挖掘出候選服務(wù),并且計(jì)算候選服務(wù)的得分,然后將候選服 務(wù)按照其分?jǐn)?shù)進(jìn)行排序,最后為目標(biāo)用戶推薦前k個(gè)POI服務(wù)。7. 如權(quán)利要求6所述的方法,其特征在于,所述方法還包括: 從目標(biāo)用戶的行為模型中提取目標(biāo)用戶的移動(dòng)模式; 從相似用戶集合中提取相似用戶的移動(dòng)模式; 按照相似用戶的相似度,將相似用戶降序排列; 判斷相似用戶的移動(dòng)模式是否和目標(biāo)用戶的移動(dòng)模式相同,如果是,則將該相似用戶 的移動(dòng)模式加入到候選服務(wù)集合中,如果否,則刪除該用戶,重新匹配下一個(gè)相似用戶; 將候選服務(wù)按照得分高低進(jìn)行排序,為目標(biāo)用戶推薦前k個(gè)POI服務(wù)。8. -種模式與偏好感知的POI推薦系統(tǒng),其特征在于,所述系統(tǒng)包括語義軌跡轉(zhuǎn)換模 塊、路徑提取模塊、移動(dòng)模式提取模塊、潛在好友發(fā)現(xiàn)模塊、候選服務(wù)挖掘模塊以及POI推薦 模塊,其中, 所述語義軌跡轉(zhuǎn)換模塊,用于將基于位置的社交網(wǎng)絡(luò)數(shù)據(jù)集中的地理位置信息轉(zhuǎn)換為 語義信息; 所述路徑提取模塊,用于提取每一個(gè)用戶的位置路徑和語義路徑; 所述移動(dòng)模式提取模塊,用于提取每一個(gè)用戶的移動(dòng)模式; 所述潛在好友發(fā)現(xiàn)模塊,用于發(fā)現(xiàn)目標(biāo)用戶的潛在好友集合; 所述候選服務(wù)挖掘模塊,用于從潛在好友中挖掘適合用戶行為模式的候選服務(wù); 所述POI推薦模塊,用于從候選服務(wù)中挑選前k個(gè)服務(wù)推薦給目標(biāo)用戶。
【文檔編號(hào)】G06F17/30GK106021305SQ201610291350
【公開日】2016年10月12日
【申請(qǐng)日】2016年5月5日
【發(fā)明人】許長橋, 關(guān)建峰, 朱亮
【申請(qǐng)人】北京郵電大學(xué)