本發(fā)明屬于社交網(wǎng)絡(luò)數(shù)據(jù)挖掘與分析領(lǐng)域，特別涉及一種估算用戶到物理事件距離的方法。

背景技術(shù)：

隨著社交網(wǎng)絡(luò)的發(fā)展，越來越多的用戶將身邊發(fā)生的事情發(fā)布到社交媒體中去(例如：新浪微博、Facebook和Twitter等)。然而，由于涉及個(gè)人隱私，絕大部分用戶不愿意共享自己的位置信息，為了解決用戶信息未知的問題，大量工作面向用戶行為軌跡學(xué)習(xí)與位置預(yù)測展開。

文獻(xiàn)1“專利申請(qǐng)?zhí)柺?01410104399.8的中國發(fā)明專利”公開了一種基于用戶移動(dòng)規(guī)則的位置預(yù)測方法，其通過研究用戶的時(shí)空數(shù)據(jù)，挖掘用戶移動(dòng)模式，從歷史移動(dòng)軌跡中發(fā)掘用戶移動(dòng)規(guī)則，解決移動(dòng)用戶位置預(yù)測的快速響應(yīng)與高精度問題。

文獻(xiàn)2“專利申請(qǐng)?zhí)柺?01510073153.3的中國發(fā)明專利”公開了一種位置預(yù)測系統(tǒng)，該系統(tǒng)分為三大模塊，輸入、位置預(yù)測以及輸出模塊：輸入模塊用于接受用戶的簽到數(shù)據(jù)或位置預(yù)測請(qǐng)求；位置預(yù)測模塊通過結(jié)合預(yù)測模型與用戶數(shù)據(jù)，對(duì)用戶位置進(jìn)行預(yù)測；輸出模塊則用于顯示所述位置預(yù)測結(jié)果。該方法使用概率模型對(duì)用戶的位置進(jìn)行預(yù)測。

除此之外，專利申請(qǐng)?zhí)柺?01310518476.X、201110308289.X和200810218368.X的中國發(fā)明專利都公開了基于用戶歷史軌跡信息的位置預(yù)測方法與系統(tǒng)模型，然而，在現(xiàn)有的方法中，未有提出將用戶的位置與事件的地點(diǎn)進(jìn)行關(guān)聯(lián)的方法，僅通過歷史軌跡對(duì)用戶位置進(jìn)行預(yù)測，所得到的結(jié)果大多為數(shù)據(jù)值型(GPS坐標(biāo))，不能夠面向應(yīng)用提供用戶與現(xiàn)實(shí)事件的關(guān)聯(lián)關(guān)系；由于人的行為特征往往是與社會(huì)事件相互關(guān)聯(lián)的，如何解釋用戶與事件的關(guān)系，通過事件發(fā)生時(shí)的物理、社會(huì)與信息空間上的特征，發(fā)掘用戶與事件的關(guān)聯(lián)關(guān)系在公眾安全、社會(huì)治安管理等應(yīng)用場景有著極其重要的意義。

技術(shù)實(shí)現(xiàn)要素：

為了克服現(xiàn)有預(yù)測用戶到物理事件距離的方法實(shí)用性差的不足，本發(fā)明提供一種估算用戶到物理事件距離的方法。該方法將用戶與事件相關(guān)聯(lián)，基于事件發(fā)生的位置，通過比較事件與用戶在物理、信息和社會(huì)三個(gè)特征空間的相似性，并結(jié)合已知位置信息的用戶數(shù)據(jù)，構(gòu)建高斯過程回歸模型，對(duì)位置信息未知的用戶到事件的距離進(jìn)行估算。能夠在物理、信息和社會(huì)三個(gè)維度，解釋用戶的移動(dòng)特性，并通過將用戶與事件進(jìn)行關(guān)聯(lián)，發(fā)掘用戶更深層的行為規(guī)律與模式，在公眾安全與社會(huì)治安管理等應(yīng)用場景中具有很強(qiáng)的現(xiàn)實(shí)意義。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案：一種估算用戶到物理事件距離的方法，其特點(diǎn)是包括以下步驟：

步驟一、根據(jù)事件的主題關(guān)鍵詞在社交網(wǎng)絡(luò)中篩選用戶，并提取與事件相關(guān)的用戶數(shù)據(jù)；

假設(shè)事件的關(guān)鍵詞為EW，發(fā)生的時(shí)間段為ETP，則所有在時(shí)間ETP內(nèi)提及關(guān)鍵詞EW的用戶將會(huì)被篩選為與事件相關(guān)的用戶；針對(duì)這些用戶，使用網(wǎng)絡(luò)爬蟲工具獲取其歷史數(shù)據(jù)，構(gòu)建用戶個(gè)體的數(shù)據(jù)模型，表示為公式(1)

RU＝〈L,C,F〉 (1)

其中，L表示該用戶的歷史簽到數(shù)據(jù)，C表示用戶歷史上發(fā)布的狀態(tài)信息，F(xiàn)表示用戶在社交網(wǎng)絡(luò)中的好友信息。

步驟二、根據(jù)事件發(fā)生時(shí)的位置信息、參與者信息以及事件的主題內(nèi)容，構(gòu)建事件的特征表示模型；

針對(duì)事件在物理、信息和社會(huì)空間三個(gè)方面的特征，結(jié)合事件發(fā)生時(shí)的地理位置信息，參與者信息以及事件主題，構(gòu)建事件的特征表達(dá)模型，其表示為公式(2)

EF＝<CM,ET,EA> (2)

其中，CM表示事件在物理空間的特征，其通過提取所有事件參與者的歷史移動(dòng)軌跡，組建群體移動(dòng)特征用于表示事件的物理空間屬性，是所有參與事件的用戶歷史上到事件位置距離的概率分布函數(shù)；假設(shè)每個(gè)參與者的歷史簽到序列為PLS,當(dāng)前事件的位置為EL，pd_i表示任意一個(gè)PLS_i到EL的距離，則計(jì)算出的所有pd_i表示某一個(gè)參與者到事件位置的距離分布，那么，所有參與者的pd_i構(gòu)成的集合就是參與者群體到事件位置的距離分布，即為群組移動(dòng)特征CM，是一種關(guān)于距離的概率分布函數(shù)。

ET表示事件在信息空間的特征，其通過提取事件的話題與主題詞得到；每名參與者在事件發(fā)生時(shí)期都會(huì)發(fā)布有關(guān)事件話題的狀態(tài)，通過提取所有參與者發(fā)布的文本內(nèi)容，并提取關(guān)鍵詞，構(gòu)成關(guān)鍵詞特征向量，每個(gè)維度表示一類關(guān)鍵詞，最終構(gòu)成事件在信息空間的特征ET。

EA表示事件在社會(huì)空間的特征，其通過提取參與事件的用戶信息以及他們的社交關(guān)系得到。

步驟三、基于步驟一中與事件相關(guān)的用戶數(shù)據(jù)，提取用戶個(gè)體在物理、信息和社會(huì)空間的特征表示模型；

用戶個(gè)體在物理、信息和社會(huì)三個(gè)空間的特征表達(dá)模型通過步驟一中建立的用戶數(shù)據(jù)模型導(dǎo)出，其表示為公式(3)

UF＝<IM,HC,RF> (3)

其中，IM通過用戶數(shù)據(jù)中的歷史簽到地點(diǎn)與當(dāng)前事件地點(diǎn)距離度量，表示的是用戶到事件距離的概率分布函數(shù)；假設(shè)用戶的歷史簽到地點(diǎn)序列為LS，當(dāng)前事件的位置為EL，d_i表示地點(diǎn)序列中任意LS_i到EL的距離，那么，計(jì)算得到的所有d_i的概率分布情況則為IM，即一種關(guān)于距離的概率分布函數(shù)。

HC通過提取用戶在社交媒體上的歷史文本得到，表示的是用戶歷史上經(jīng)常提及的文本信息；通過對(duì)歷史文本信息關(guān)鍵詞的提取，構(gòu)建關(guān)鍵詞特征向量，每個(gè)維度表示一類關(guān)鍵詞信息，即可對(duì)比事件的話題關(guān)鍵詞特征，計(jì)算二者的相似性。

RF通過提取用戶每條文本信息中與好友的交互信息得到，表示的是用戶近期經(jīng)常溝通的社交好友信息。

步驟四、針對(duì)步驟二、步驟三中構(gòu)建的事件與用戶個(gè)體特征表示模型，定義用戶與事件在物理、信息和社會(huì)三個(gè)特征空間的相似性，基于此構(gòu)建用戶與事件的關(guān)聯(lián)度；

針對(duì)步驟二、步驟三分別構(gòu)建的事件與用戶個(gè)體特征模型，定義這兩個(gè)特征表達(dá)模型在物理、信息和社交空間的相似性，進(jìn)而衡量用戶與事件之間的關(guān)聯(lián)度；針對(duì)用戶u以及事件e，其物理空間相似性表示為公式(4)

$M(u,e)=\underset{d\&Element;D}{\&Sigma;}IM\left(d\right)log\frac{IM\left(d\right)}{CM\left(d\right)}---\left(4\right)$

其中，IM(d)表示用戶個(gè)體歷史軌跡中相對(duì)事件位置距離的概率分布函數(shù)，CM(d)表示事件參與者群體相對(duì)于事件位置距離的概率分布函數(shù)，分別對(duì)應(yīng)公式(3)、公式(2)中的IM與CM。該測量值越小，表明指定用戶在物理空間特征上與對(duì)應(yīng)事件相關(guān)性越高。

其次，二者信息空間相似性表示為公式(5)

$C(u,e)=\frac{C\left(u\right)C\left(e\right)}{\left|\right|C\left(u\right)\left|\right|\left|\right|C\left(e\right)\left|\right|}---\left(5\right)$

其中，C(u)與C(e)分別指代用戶u和事件e在信息空間的特征，即公式(3)和公式(2)中的用戶歷史文本信息HC以及事件發(fā)生時(shí)的主題ET，該公式計(jì)算兩者的余弦相似度，值越大，表明指定用戶在信息空間特征上與對(duì)應(yīng)事件相關(guān)性越高；其中，由于用戶發(fā)布的歷史文本具有時(shí)間先后順序，越靠近當(dāng)前事件發(fā)生的時(shí)間段，其內(nèi)容更能表現(xiàn)用戶當(dāng)前的文本興趣偏好，故在構(gòu)建用戶關(guān)鍵詞特征向量C(u)的時(shí)候考慮到了時(shí)間因素，其表達(dá)如公式(6)和公式(7)

C(u)＝〈w₁,w₂,......,w_n> (6)

$w_i=\underset{j=1}{\overset{m}{\&Sigma;}}{w}_{i,j}*\exp \{-(T_e-t_j)\}---\left(7\right)$

其中，w_i表示某一維的關(guān)鍵詞權(quán)重，其通過公式(7)計(jì)算得到；其中，w_i,j表示第i維關(guān)鍵詞在t_j時(shí)刻出現(xiàn)的次數(shù)，T_e表示事件發(fā)生時(shí)的時(shí)刻，通過計(jì)算，最終得到每一維關(guān)鍵詞的權(quán)重大小，越靠近事件發(fā)生時(shí)發(fā)布的文本關(guān)鍵詞，其權(quán)重越高。

再次，在社會(huì)空間中，用戶u與事件e的相似性表示為公式(8)

$S(u,e)=\frac{|S\left(u\right)\&cap;S\left(e\right)|}{\left|S\left(e\right)\right|}---\left(8\right)$

其中，S(u)與S(e)分別指代用戶u和事件e在社會(huì)空間的特征，即公式(3)和公式(2)中的用戶近期經(jīng)常交互的好友信息RF以及事件發(fā)生時(shí)的參與者信息EA，該測量值越大，說明指定用戶的好友參與對(duì)應(yīng)事件所占人數(shù)比例越大，即該用戶在社會(huì)空間特征上與對(duì)應(yīng)事件相關(guān)性越高。

最終，用戶與社會(huì)事件的關(guān)聯(lián)度表示為公式(9)

Correlation(u,e)＝M(u,e)^-1+C(u,e)+S(u,e) (9)

其中，M(u,e)，C(u,e)和S(u,e)分別為上述的用戶與事件在物理、信息和社會(huì)特征空間的相似性；由于M(u,e)的值越小，表明用戶與事件相關(guān)性越高，故對(duì)M(u,e)取倒數(shù)，使得在構(gòu)建用戶與事件關(guān)聯(lián)度的過程中，最終結(jié)果Correlation(u,e)值越大，表明用戶與事件的關(guān)聯(lián)度越高。

步驟五、基于用戶與事件的關(guān)聯(lián)度，結(jié)合已知位置信息的用戶數(shù)據(jù)，訓(xùn)練高斯過程回歸模型，估算位置信息未知的用戶到事件的距離；

通過融合用戶與社會(huì)事件在物理、信息和社會(huì)空間的相似性，即合并公式(4)、公式(5)和公式(6)的計(jì)算結(jié)果，并結(jié)合已知位置信息的用戶數(shù)據(jù)建立高斯過程回歸模型GPR，以用戶與事件的關(guān)聯(lián)度Correlation(u,e)為輸入，以用戶到事件地點(diǎn)的距離為輸出，訓(xùn)練高斯過程回歸模型。并通過模型，基于用戶與事件的關(guān)聯(lián)度，估算位置信息未知的用戶與事件的距離。模型計(jì)算公式如(10)

Distance(u_estimate,e)＝GPR_Trained(Correlation(u_estimate,e)) (10)

其中，GPR_Trained表示使用已知位置信息的用戶以及對(duì)應(yīng)的用戶事件關(guān)聯(lián)度訓(xùn)練出的高斯過程回歸模型，Correlation(u_estimate,e)表示需要估算的用戶，其與事件的關(guān)聯(lián)度，Distance(u_estimate,e)表示要估算的用戶到事件距離值的大小。

本發(fā)明的有益效果是：該方法將用戶與事件相關(guān)聯(lián)，基于事件發(fā)生的位置，通過比較事件與用戶在物理、信息和社會(huì)三個(gè)特征空間的相似性，并結(jié)合已知位置信息的用戶數(shù)據(jù)，構(gòu)建高斯過程回歸模型，對(duì)位置信息未知的用戶到事件的距離進(jìn)行估算。能夠在物理、信息和社會(huì)三個(gè)維度，解釋用戶的移動(dòng)特性，并通過將用戶與事件進(jìn)行關(guān)聯(lián)，發(fā)掘用戶更深層的行為規(guī)律與模式，在公眾安全與社會(huì)治安管理等應(yīng)用場景中具有很強(qiáng)的現(xiàn)實(shí)意義。

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作詳細(xì)說明。

附圖說明

圖1是本發(fā)明估算用戶到物理事件距離的方法的流程圖。

具體實(shí)施方式

參照?qǐng)D1。本發(fā)明估算用戶到物理事件距離的方法具體步驟如下：

步驟一、根據(jù)事件的主題關(guān)鍵詞在社交網(wǎng)絡(luò)中篩選用戶，并提取與事件相關(guān)的用戶數(shù)據(jù)；

使用事件發(fā)生時(shí)的主題與話題詞作為關(guān)鍵詞，對(duì)比社交網(wǎng)絡(luò)用戶發(fā)布的個(gè)人狀態(tài)信息的內(nèi)容，按照其內(nèi)容是否包含有事件關(guān)鍵詞，將用戶分為兩個(gè)部分：與事件相關(guān)的以及與事件無關(guān)的。本方法只針對(duì)與事件相關(guān)的用戶展開研究，與事件無關(guān)的用戶不作為本方法的研究對(duì)象。假設(shè)事件的關(guān)鍵詞為EW(Event Words)，發(fā)生的時(shí)間段為ETP(Event Time Period)，則所有在時(shí)間ETP內(nèi)提及關(guān)鍵詞EW的用戶將會(huì)被篩選為與事件相關(guān)的用戶；針對(duì)這些用戶，使用網(wǎng)絡(luò)爬蟲工具獲取其歷史數(shù)據(jù)，構(gòu)建用戶個(gè)體的數(shù)據(jù)模型，表示為公式(1)

RU＝<L,C,F> (1)

其中，L表示該用戶的歷史簽到數(shù)據(jù)(Location)，C表示用戶歷史上發(fā)布的狀態(tài)信息(Contents)以及F表示用戶在社交網(wǎng)絡(luò)中的好友信息(Friends)。

步驟二、根據(jù)事件發(fā)生時(shí)的位置信息、參與者信息以及事件的主題內(nèi)容，構(gòu)建事件的特征表示模型；

針對(duì)事件在物理、信息和社會(huì)空間三個(gè)方面的特征，結(jié)合事件發(fā)生時(shí)的地理位置信息，參與者信息以及事件主題，構(gòu)建事件的特征表達(dá)模型，其表示為公式(2)

EF＝<CM,ET,EA> (2)

其中，CM表示事件在物理空間的特征，其通過提取所有事件參與者的歷史移動(dòng)軌跡，組建群體移動(dòng)特征(Collective Mobility)用于表示事件的物理空間屬性，是所有參與事件的用戶歷史上到事件位置距離的概率分布函數(shù)；假設(shè)每個(gè)參與者的歷史簽到序列為PLS(Participant Location Sequence),當(dāng)前事件的位置為EL(Event Location)，pd_i表示任意一個(gè)PLS_i到EL的距離，則計(jì)算出的所有pd_i表示某一個(gè)參與者到事件位置的距離分布，那么，所有參與者的pd_i構(gòu)成的集合就是參與者群體到事件位置的距離分布，即為群組移動(dòng)特征CM，是一種關(guān)于距離的概率分布函數(shù)。

ET表示事件在信息空間的特征，其通過提取事件的話題(Event Topic)與主題詞得到；每名參與者在事件發(fā)生時(shí)期都會(huì)發(fā)布有關(guān)事件話題的狀態(tài)，通過提取所有參與者發(fā)布的文本內(nèi)容，并提取關(guān)鍵詞，構(gòu)成關(guān)鍵詞特征向量，每個(gè)維度表示一類關(guān)鍵詞，最終構(gòu)成事件在信息空間的特征ET。

EA表示事件在社會(huì)空間的特征，其通過提取參與事件的用戶信息(Event Attendees)以及他們的社交關(guān)系得到。

步驟三、基于步驟一中與事件相關(guān)的用戶數(shù)據(jù)，提取用戶個(gè)體在物理、信息和社會(huì)空間的特征表示模型；

用戶個(gè)體在物理、信息和社會(huì)三個(gè)空間的特征表達(dá)模型通過步驟一中建立的用戶數(shù)據(jù)模型導(dǎo)出，其表示為公式(3)

UF＝<IM,HC,RF> (3)

其中，IM(Individual Mobility)通過用戶數(shù)據(jù)中的歷史簽到地點(diǎn)(Locations)與當(dāng)前事件地點(diǎn)距離度量，表示的是用戶到事件距離的概率分布函數(shù)；假設(shè)用戶的歷史簽到地點(diǎn)序列為LS(Location Sequence)，當(dāng)前事件的位置為EL(Event Location)，d_i表示地點(diǎn)序列中任意LS_i到EL的距離，那么，計(jì)算得到的所有d_i的概率分布情況則為IM，即一種關(guān)于距離的概率分布函數(shù)。

HC通過提取用戶在社交媒體上的歷史文本得到，表示的是用戶歷史上經(jīng)常提及的文本信息(Historical Contents)；通過對(duì)歷史文本信息關(guān)鍵詞的提取，構(gòu)建關(guān)鍵詞特征向量，每個(gè)維度表示一類關(guān)鍵詞信息，即可對(duì)比事件的話題關(guān)鍵詞特征，計(jì)算二者的相似性。

RF通過提取用戶每條文本信息中與好友的交互信息得到，表示的是用戶近期經(jīng)常溝通的社交好友信息(Recent Friends)。

步驟四、針對(duì)步驟二、步驟三中構(gòu)建的事件與用戶個(gè)體特征表示模型，定義用戶與事件在物理、信息和社會(huì)三個(gè)特征空間的相似性，基于此構(gòu)建用戶與事件的關(guān)聯(lián)度；

針對(duì)步驟二、步驟三分別構(gòu)建的事件與用戶個(gè)體特征模型，定義這兩個(gè)特征表達(dá)模型在物理、信息和社交空間的相似性，進(jìn)而衡量用戶與事件之間的關(guān)聯(lián)度；針對(duì)用戶u以及事件e，其物理空間相似性表示為公式(4)

$M(u,e)=\underset{d\&Element;D}{\&Sigma;}IM\left(d\right)log\frac{IM\left(d\right)}{CM\left(d\right)}---\left(4\right)$

其中，IM(d)表示用戶個(gè)體歷史軌跡中相對(duì)事件位置距離的概率分布函數(shù)，CM(d)表示事件參與者群體相對(duì)于事件位置距離的概率分布函數(shù)，分別對(duì)應(yīng)公式(3)、(2)中的IM與CM。該測量值越小，表明指定用戶在物理空間特征上與對(duì)應(yīng)事件相關(guān)性越高。

其次，二者信息空間相似性表示為公式(5)

$C(u,e)=\frac{C\left(u\right)C\left(e\right)}{\left|\right|C\left(u\right)\left|\right|\left|\right|C\left(e\right)\left|\right|}---\left(5\right)$

其中，C(u)與C(e)分別指代用戶u和事件e在信息空間(Content)的特征，即公式(3)和(2)中的用戶歷史文本信息HC以及事件發(fā)生時(shí)的主題ET，該公式計(jì)算兩者的余弦相似度，值越大，表明指定用戶在信息空間特征上與對(duì)應(yīng)事件相關(guān)性越高；其中，由于用戶發(fā)布的歷史文本具有時(shí)間先后順序，越靠近當(dāng)前事件發(fā)生的時(shí)間段，其內(nèi)容更能表現(xiàn)用戶當(dāng)前的文本興趣偏好，故在構(gòu)建用戶關(guān)鍵詞特征向量C(u)的時(shí)候考慮到了時(shí)間因素，其表達(dá)如公式(6)和(7)

C(u)＝<w₁,w₂,......,w_n〉 (6)

$w_i=\underset{j=1}{\overset{m}{\&Sigma;}}{w}_{i,j}*\exp \{-(T_e-t_j)\}---\left(7\right)$

其中w_i表示某一維的關(guān)鍵詞權(quán)重，其通過公式(7)計(jì)算可得；其中w_i,j表示第i維關(guān)鍵詞在t_j時(shí)刻出現(xiàn)的次數(shù)，T_e表示事件發(fā)生時(shí)的時(shí)刻，通過計(jì)算，最終可得每一維關(guān)鍵詞的權(quán)重大小，越靠近事件發(fā)生時(shí)發(fā)布的文本關(guān)鍵詞，其權(quán)重越高。

再次，在社會(huì)空間中，用戶u與事件e的相似性表示為公式(8)

$S(u,e)=\frac{|S\left(u\right)\&cap;S\left(e\right)|}{\left|S\left(e\right)\right|}---\left(8\right)$

其中，S(u)與S(e)分別指代用戶u和事件e在社會(huì)空間(Social)的特征，即公式(3)和(2)中的用戶近期經(jīng)常交互的好友信息RF以及事件發(fā)生時(shí)的參與者信息EA，該測量值越大，說明指定用戶的好友參與對(duì)應(yīng)事件所占人數(shù)比例越大，即該用戶在社會(huì)空間特征上與對(duì)應(yīng)事件相關(guān)性越高。

最終，用戶與社會(huì)事件的關(guān)聯(lián)度可以表示為公式(9)

Correlation(u,e)＝M(u,e)^-1+C(u,e)+S(u,e) (9)

其中，M(u,e)，C(u,e)和S(u,e)分別為上述的用戶與事件在物理、信息和社會(huì)特征空間的相似性；由于M(u,e)的值越小，表明用戶與事件相關(guān)性越高，故對(duì)M(u,e)取倒數(shù)，使得在構(gòu)建用戶與事件關(guān)聯(lián)度的過程中，最終結(jié)果Correlation(u,e)值越大，表明用戶與事件的關(guān)聯(lián)度越高。

步驟五、基于用戶與事件的關(guān)聯(lián)度，結(jié)合已知位置信息的用戶數(shù)據(jù)，訓(xùn)練高斯過程回歸模型，估算位置信息未知的用戶到事件的距離；

通過融合用戶與社會(huì)事件在物理、信息和社會(huì)空間的相似性，即合并公式(4)、(5)和(6)的計(jì)算結(jié)果，并結(jié)合已知位置信息的用戶數(shù)據(jù)建立高斯過程回歸模型(GPR，Gaussian Process Regression)，以用戶與事件的關(guān)聯(lián)度Correlation(u,e)為輸入，以用戶到事件地點(diǎn)的距離為輸出，訓(xùn)練高斯過程回歸模型。并通過模型，基于用戶與事件的關(guān)聯(lián)度，估算位置信息未知的用戶與事件的距離。模型計(jì)算公式如(10)

Distance(u_estimate,e)＝GPR_Trained(Correlation(u_estimate,e)) (10)

其中，GPR_Trained表示使用已知位置信息的用戶以及對(duì)應(yīng)的用戶事件關(guān)聯(lián)度訓(xùn)練出的高斯過程回歸模型，Correlation(u_estimate,e)表示需要估算的用戶，其與事件的關(guān)聯(lián)度，Distance(u_estimate,e)表示要估算的用戶到事件距離值的大小。