本發(fā)明涉及計(jì)算機(jī)領(lǐng)域，具體涉及一種基于內(nèi)存計(jì)算框架、融合社交環(huán)境及時(shí)空數(shù)據(jù)的位置推薦方法。

背景技術(shù)：

隨著城市快速發(fā)展，餐廳、影院等線下服務(wù)地點(diǎn)日益增加，極大豐富了人們的生活體驗(yàn)。然而琳瑯滿目的位置地點(diǎn)也增加了用戶的選擇成本，因此一種解決信息過載并改善用戶體驗(yàn)的有效方法即提供個(gè)性化位置推薦方法被提出。

由于位置社交網(wǎng)絡(luò)包含大量的位置，基于位置服務(wù)的推薦技術(shù)可以使用戶更容易找到符合自己偏好的位置。因此，位置推薦有利于人們探索城市中的新地帶，提高城市生活質(zhì)量。特別是當(dāng)用戶身處在一個(gè)陌生環(huán)境的時(shí)候。也可以利用位置推薦為實(shí)體商店發(fā)現(xiàn)潛在客戶，并為這些客戶提供相關(guān)廣告，促使客戶訪問商店，從而提高商家的利潤。位置推薦還可以為用戶推薦符合個(gè)人偏好的旅行路線，幫助用戶避免信息過載、節(jié)約行程安排時(shí)間，以及提高旅行意愿，推動(dòng)旅游業(yè)的發(fā)展。因?yàn)槲恢猛扑]能夠過濾無用信息，也能提高服務(wù)商的利潤，為大眾、商家和旅行者帶來便利和利益，所以，在位置社交網(wǎng)絡(luò)中，為用戶進(jìn)行位置推薦是尤為重要的。

技術(shù)實(shí)現(xiàn)要素：

為了克服上述現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明的目的是提供一種基于內(nèi)存計(jì)算框架、融合社交環(huán)境及時(shí)空數(shù)據(jù)的位置推薦方法，該方法計(jì)算速度快，準(zhǔn)確性高。

為了實(shí)現(xiàn)本發(fā)明的上述目的，本發(fā)明提供了一種基于內(nèi)存計(jì)算框架、融合社交環(huán)境及時(shí)空數(shù)據(jù)的位置推薦方法，包括以下步驟：

第一步，搭建形成包含master主機(jī)和slave從機(jī)的集群，將用戶簽到表數(shù)據(jù)導(dǎo)入master主機(jī)中，由master主機(jī)進(jìn)行分割，并將數(shù)據(jù)的預(yù)處理任務(wù)分派給slave從機(jī)，同時(shí)追蹤slave從機(jī)上的分布式計(jì)算，收集slave從機(jī)的反饋信息進(jìn)行匯總統(tǒng)計(jì)，得到用戶簽到矩陣CI^t；

第二步，從社交網(wǎng)絡(luò)中去獲取用戶的社交好友關(guān)系數(shù)據(jù)，并對用戶簽到矩陣CI^t和用戶的社交好友關(guān)系數(shù)據(jù)進(jìn)行整理，得到用戶之間的社交關(guān)系矩陣SN；

第三步，對社交環(huán)境進(jìn)行分析，具體包括建立基于時(shí)間狀態(tài)的社交圈、利用用戶簽到矩陣CI^t和簽到日志分析和量化個(gè)人偏好、個(gè)人偏好相似度、用戶之間的社交信任以及社交親近度；

第四步，對簽到矩陣進(jìn)行拆分并分解，得到用戶隱特征矩陣U^t和位置隱特征矩陣L，并構(gòu)建推薦模型目標(biāo)函數(shù)得到用戶隱特征矩陣U^t和位置隱特征矩陣L，將用戶隱特征矩陣U^t和位置隱特征矩陣L進(jìn)行合并預(yù)測用戶在每個(gè)時(shí)間狀態(tài)t下的簽到偏好矩陣采用投票方案將不同時(shí)間狀態(tài)下的預(yù)測矩陣合并為統(tǒng)一的位置偏好預(yù)測矩陣

第五步，將得到的位置偏好預(yù)測矩陣的數(shù)據(jù)提取，轉(zhuǎn)換成可視化的形式，輸出分析結(jié)果。

本發(fā)明利用Apache Spark內(nèi)存計(jì)算框架對龐大的用戶歷史簽到歷史記錄數(shù)據(jù)進(jìn)行處理以及利用Spark上的矩陣庫進(jìn)行矩陣運(yùn)算，提高計(jì)算效率，提升算法在處理海量數(shù)據(jù)情況下的速度和容錯(cuò)能力，提高了給用戶推薦位置的準(zhǔn)確性和快速性。

進(jìn)一步的，所述第二步包括以下幾個(gè)步驟：

B1、整理用戶簽到表數(shù)據(jù)，數(shù)據(jù)包含用戶社交關(guān)系、用戶的簽到的時(shí)空數(shù)據(jù)、用戶簽到的主題數(shù)據(jù)，得到用戶簽到集合U＝{u₁,u₂,...,u_n}和位置集合L＝{l₁,l₂,...,l_m}，u表示用戶，n代表用戶的ID，l表示簽到位置，m代表簽到位置的ID，；

B2、對用戶簽到表數(shù)據(jù)統(tǒng)計(jì)，得出用戶和位置之間關(guān)聯(lián)關(guān)系，用L_u表示用戶u歷史簽到過的位置集合，使用地理坐標(biāo)<經(jīng)度，緯度>對位置進(jìn)行地理編碼；

B3、對用戶簽到數(shù)據(jù)做預(yù)處理：統(tǒng)計(jì)用戶在各位置的簽到頻率，記為用戶-位置簽到頻率矩陣用戶-位置簽到頻率矩陣中的元素c_u,i代表用戶u在位置i上的簽到次數(shù)；

B4、統(tǒng)計(jì)用戶社交關(guān)系表，得出用戶之間是否存在好友關(guān)系，用戶之間的社交關(guān)系用矩陣表示。

該方法能準(zhǔn)確快速的得到用戶之間的社交關(guān)系。

進(jìn)一步的，所述第三步包括以下幾個(gè)步驟：

C1、建立社交圈給定時(shí)間狀態(tài)，同時(shí)滿足下列兩個(gè)條件的所有用戶v構(gòu)成用戶u的社交圈

1)在原始社交網(wǎng)絡(luò)中用戶u和v之間存在直接社交關(guān)系，即SN_u,v＝1；

2)其中代表用戶u在時(shí)間狀態(tài)t下的歷史簽到集合，代表u在時(shí)間狀態(tài)t下有過簽到記錄；

如果用戶v在特定時(shí)間狀態(tài)t下符合上述條件，則記為否則記為

C2、分析個(gè)人偏好：

1)分析簽到日志中包含的位置信息和主題信息，為日志中出現(xiàn)的每個(gè)位置計(jì)算主題分布向量，使用符號D_l表示位置l的主題分布向量，其中，代表主題標(biāo)識；

2)為確定時(shí)間狀態(tài)下的每個(gè)用戶計(jì)算個(gè)人偏好分布向量計(jì)算公式為：其中*號表示歸一化處理；

計(jì)算用戶偏好分布和位置主題分布之間的相似度Q_u,l，并將其視為用戶u對位置l潛在訪問的可能性，其中Q_u,l＝cosin(D_u,D_l)；

C3、分析用戶偏好相似度，計(jì)算公式為：其中，表示在特定時(shí)間狀態(tài)t下，用戶u和v之間的主題偏好相似度；

C4、分析用戶之間的社交信任S_u,v：用代表用戶u在時(shí)間狀態(tài)t下的信任值，計(jì)算公式為：

其中是用戶u在時(shí)間狀態(tài)t下的簽到次數(shù)，是v在時(shí)間狀態(tài)t下社交圈的好友數(shù)量，d是衰減因子，0＜d＜1；

根據(jù)計(jì)算用戶之間的社交信任，計(jì)算公式為：

C5、分析用戶之間的親近度，首先計(jì)算用戶之間的親密程度，計(jì)算公式為：

得到用戶之間的親近度，計(jì)算公式為：其中，是時(shí)間狀態(tài)t下用戶u和v簽到中心點(diǎn)之間的空間距離，利用用戶簽到位置的經(jīng)緯度數(shù)據(jù)的平均值表示用戶簽到中心，將用戶的位置投射到地球這個(gè)球面上，計(jì)算用戶之間的距離

通過對社交圈個(gè)人偏好分布向量用戶偏好相似度、用戶之間的社交信任和用戶之間的親近度的分析，使得對社交環(huán)境的分析準(zhǔn)確性更高，更全面。

進(jìn)一步的，所述第四步包括以下幾個(gè)步驟：

D1、對簽到矩陣進(jìn)行拆分：將一天分為Φ個(gè)時(shí)間狀態(tài)，把原始社交網(wǎng)絡(luò)矩陣SN和用戶-簽到頻率矩陣CI分別拆分成Φ個(gè)子矩陣，每個(gè)子矩陣對應(yīng)一個(gè)時(shí)間狀態(tài)t，使用符號SN^t表示子社交網(wǎng)絡(luò)矩陣、CI^t表示子用戶-簽到頻率矩陣；

D2、對用戶簽到矩陣CI^t進(jìn)行分解，將用戶簽到矩陣CI^t分解成多個(gè)簽到頻率子矩陣相乘的形式，把每個(gè)簽到頻率子矩陣分解成用戶隱特征矩陣U^t，和位置隱特征矩陣L，k是隱空間的向量維度，分解方法為：

a、利用個(gè)人偏好、偏好相似度、社交信任以及親近度四種社交因素建立推薦模型目標(biāo)函數(shù)，具體為：

其中，*代表歸一化的處理，α、λ、β、γ、μ、η代表設(shè)置的權(quán)重參數(shù)，和L_l分別代表k維用戶隱特征向量和k維位置隱特征向量，是u在時(shí)間狀態(tài)t下的規(guī)范化簽到頻率；

b、計(jì)算用戶隱特征矩陣U^t和位置隱特征矩陣L：對推薦模型目標(biāo)函數(shù)進(jìn)行訓(xùn)練，將和L_l看做變量并分別對它們求偏導(dǎo),其中的偏導(dǎo)如下：

L_l的偏導(dǎo)數(shù)如下：

偏導(dǎo)中是指示因子，代表u在時(shí)間狀態(tài)t下對位置l有過簽到，否則

求出偏導(dǎo)后，在梯度方向上更新隱特征向量，把每次更新后的向量代入到推薦模型目標(biāo)函數(shù)中重新計(jì)算，讓函數(shù)值以最快速度向下減??；不斷迭代該過程直至推薦模型目標(biāo)函數(shù)收斂為止，最后得到用戶隱特征矩陣U^t和位置隱特征矩陣L；

D3、合并用戶隱特征矩陣U^t和位置隱特征矩陣L：得到用戶隱特征矩陣U^t和位置隱特征矩陣L后，按U^tL^T算法預(yù)測用戶在每個(gè)時(shí)間狀態(tài)t下的簽到偏好矩陣并使用投票方案將不同時(shí)間狀態(tài)下的預(yù)測矩陣合并為統(tǒng)一的位置偏好預(yù)測矩陣其中，T代表矩陣轉(zhuǎn)置運(yùn)算。

該計(jì)算方法簡單，收斂速度快，能快速計(jì)算得到位置偏好預(yù)測矩陣

本發(fā)明利用內(nèi)存計(jì)算框架加速了計(jì)算速度，在傳統(tǒng)的模型位置推薦的方法上融入偏好相似度，親進(jìn)度和社交信任等多重社交因素，提高了推薦的準(zhǔn)確度。

本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。

附圖說明

本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1是本發(fā)明流程圖；

圖2是基于內(nèi)存計(jì)算的矩陣乘法架構(gòu)圖；

圖3是模型訓(xùn)練過程圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實(shí)施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。

在本發(fā)明的描述中，除非另有規(guī)定和限定，需要說明的是，術(shù)語“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是機(jī)械連接或電連接，也可以是兩個(gè)元件內(nèi)部的連通，可以是直接相連，也可以通過中間媒介間接相連，對于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語的具體含義。

本發(fā)明提供了一種基于內(nèi)存計(jì)算框架、融合社交環(huán)境及時(shí)空數(shù)據(jù)的位置推薦方法，如圖1-3所示，包括以下步驟：

第一步，Spark搭建形成包含master主機(jī)和slave從機(jī)的集群，將用戶簽到表數(shù)據(jù)導(dǎo)入master主機(jī)中，由master主機(jī)進(jìn)行分割，并將數(shù)據(jù)的預(yù)處理任務(wù)分派給slave從機(jī)，進(jìn)行統(tǒng)計(jì)整理，用列表示用戶ID,用行表示簽到地點(diǎn)，值為0，1，簽到過則表示為1，沒簽到過表示為0，同時(shí)追蹤slave從機(jī)上的分布式計(jì)算，收集slave從機(jī)的反饋信息進(jìn)行匯總統(tǒng)計(jì)，具體為從機(jī)分別對用戶簽到位置和簽到頻率進(jìn)行統(tǒng)計(jì)，然后主機(jī)收集從機(jī)反饋進(jìn)行匯總，最終進(jìn)行統(tǒng)計(jì)得到用戶簽到矩陣CI^t。

由于用戶頻繁進(jìn)行社會活動(dòng)讓位置社交網(wǎng)絡(luò)中積累了豐富的社交數(shù)據(jù)和位置簽到數(shù)據(jù)，社交數(shù)據(jù)揭示了用戶之間的內(nèi)在聯(lián)系，具有時(shí)空特性的簽到數(shù)據(jù)反映了用戶在真實(shí)世界的活動(dòng)軌跡，并且兩種數(shù)據(jù)之間相互關(guān)聯(lián)，通過共同作用對用戶行為產(chǎn)生影響。

因此第二步為：從社交網(wǎng)絡(luò)中去獲得用戶的社交好友關(guān)系數(shù)據(jù)，并對用戶簽到矩陣CI^t和用戶的社交好友關(guān)系數(shù)據(jù)進(jìn)行整理，行列都是用戶ID，如果之間存在社交關(guān)系，則值為1，否則值為0，得到用戶之間的社交關(guān)系矩陣SN。

對用戶社交網(wǎng)絡(luò)和歷史簽到數(shù)據(jù)進(jìn)行分析，通過試驗(yàn)發(fā)現(xiàn)用戶社會活動(dòng)具有明顯的時(shí)間周期性，為了將時(shí)間周期特性注入到推薦模型中，本方法提出構(gòu)建基于時(shí)間狀態(tài)的社交圈概念，將社交好友和簽到行為按照時(shí)間狀態(tài)重新劃分。社交環(huán)境下用戶個(gè)人偏好容易受好友影響，對于現(xiàn)有推薦方法未能將社交因素考慮全面的問題，為了提高推薦的準(zhǔn)確度，本實(shí)施例又結(jié)合社交環(huán)境中存在的多種社交因素，包括個(gè)性化、偏好相似度、信任度以及親近度因素。

因此第三步為：對社交環(huán)境進(jìn)行分析，具體包括建立基于時(shí)間狀態(tài)的社交圈、利用用戶簽到矩陣CI^t和簽到日志分析和量化個(gè)人偏好、個(gè)人偏好相似度、用戶之間的社交信任以及社交親近度。

第四步，對簽到矩陣進(jìn)行拆分并分解，得到用戶隱特征矩陣U^t和位置隱特征矩陣L，并構(gòu)建推薦模型目標(biāo)函數(shù)得到用戶隱特征矩陣U^t和位置隱特征矩陣L，將用戶隱特征矩陣U^t和位置隱特征矩陣L進(jìn)行合并預(yù)測用戶在每個(gè)時(shí)間狀態(tài)t下的簽到偏好矩陣采用投票方案將不同時(shí)間狀態(tài)下的預(yù)測矩陣合并為統(tǒng)一的位置偏好預(yù)測矩陣

第五步，將得到的位置偏好預(yù)測矩陣的數(shù)據(jù)提取，轉(zhuǎn)換成可視化的形式，輸出分析結(jié)果。

作為本實(shí)施例的優(yōu)選方案，第二步包括以下幾個(gè)步驟：

B1、整理用戶簽到表數(shù)據(jù)，數(shù)據(jù)包含用戶社交關(guān)系，用戶的簽到的時(shí)空數(shù)據(jù)、用戶簽到的主題數(shù)據(jù)，得到用戶簽到集合U＝{u₁,u₂,...,u_n}和位置集合L＝{l₁,l₂,...,l_m}，其中，u表示用戶，n代表用戶的ID，l表示簽到位置，m代表簽到位置的ID，用戶簽到集合U表示這個(gè)數(shù)據(jù)集合中所包含的所有有簽到記錄的人；位置集合L則是代表數(shù)據(jù)集合中所有有過簽到記錄的位置。

B2、在spark上對用戶簽到表數(shù)據(jù)統(tǒng)計(jì)，得出用戶和位置之間關(guān)聯(lián)關(guān)系，例如用戶小明在位置y進(jìn)行簽到，這里就在位置集合中加入這個(gè)位置y，作為集合中的一項(xiàng)，用L_u表示用戶u歷史簽到過的位置集合，使用地理坐標(biāo)<經(jīng)度，緯度>對位置進(jìn)行地理編碼。

B3、對用戶簽到數(shù)據(jù)做預(yù)處理：統(tǒng)計(jì)用戶在各位置的簽到頻率，記為用戶-位置簽到頻率矩陣用戶-位置簽到頻率矩陣中的元素c_u,i代表用戶u在位置i上的簽到次數(shù)。

B4、統(tǒng)計(jì)用戶社交關(guān)系表，得出用戶之間是否存在好友關(guān)系，用戶之間的社交關(guān)系用矩陣表示,在該矩陣中，元素SN_u,v＝1代表用戶u和v之間存在直接社交關(guān)系，SN_u,v＝0代表無直接關(guān)系。其中，用戶社交關(guān)系表是一個(gè)在社交軟件上有關(guān)系的用戶，統(tǒng)計(jì)整理就可以得到用戶之間是否在社交軟件上存在直接的關(guān)系，有則表示1，沒有則表示為0。

第三步包括以下幾個(gè)步驟：

C1、建立社交圈給定時(shí)間狀態(tài)，同時(shí)滿足下列兩個(gè)條件的所有用戶v構(gòu)成用戶u的社交圈

1)在原始社交網(wǎng)絡(luò)中用戶u和v之間存在直接社交關(guān)系，即SN_u,v＝1；

2)其中代表用戶u在時(shí)間狀態(tài)t下的歷史簽到集合，代表u在時(shí)間狀態(tài)t下有過簽到記錄；

如果用戶v在特定時(shí)間狀態(tài)t下符合上述條件，則記為否則記為

C2、分析個(gè)人偏好：

1)分析簽到日志中包含的位置信息和主題信息，為日志中出現(xiàn)的每個(gè)位置計(jì)算主題分布向量，使用符號D_l表示位置l的主題分布向量，其中，簽到日志里面包含簽到位置和簽到主題，代表主題標(biāo)識，從簽到數(shù)據(jù)中可以得到，它是簽到數(shù)據(jù)中的一項(xiàng)，簽到的主題項(xiàng)，就是代表用戶在這個(gè)位置所做的一些主要內(nèi)容，例如可以是food，service等。

2)為確定時(shí)間狀態(tài)下的每個(gè)用戶計(jì)算個(gè)人偏好分布向量首先對用戶-位置簽到頻率矩陣CI進(jìn)行歸一化處理，將歸一化后的簽到頻率作為主題偏好的權(quán)重，最后對用戶簽到過的位置主題分布向量求加權(quán)平均值得到個(gè)人偏好分布向量計(jì)算公式為：其中*號表示歸一化處理。

計(jì)算用戶偏好分布和位置主題分布之間的相似度Q_u,l，并將其視為用戶u對位置l潛在訪問的可能性，其中Q_u,l＝cosin(D_u,D_l)。

C3、分析用戶偏好相似度，計(jì)算公式為：其中，表示在特定時(shí)間狀態(tài)t下，用戶u和v之間的主題偏好相似度。

C4、分析用戶之間的社交信任S_u,v：使用符號代表用戶u在時(shí)間狀態(tài)t下的信任值，計(jì)算公式為：

其中是用戶u在時(shí)間狀態(tài)t下的簽到次數(shù)，是v在時(shí)間狀態(tài)t下社交圈的好友數(shù)量，d是衰減因子，0＜d＜1；

根據(jù)計(jì)算用戶之間的社交信任，計(jì)算公式為：

C5、分析用戶之間的親近度，在特定時(shí)間狀態(tài)t下，親近度代表用戶u和v之間社交鏈接的親疏程度以及二者活動(dòng)范圍的距離遠(yuǎn)近，親密程度越高、活動(dòng)范圍越近則兩者之間的親近度就越高。對于任意給定的兩個(gè)個(gè)體A和B以及與兩者有直接社交聯(lián)系的個(gè)體集合S＝{C,D,E…}。本發(fā)明采取下面計(jì)算方法對用戶之間的親密程度M_u,v進(jìn)行衡量，用戶之間的親密程度計(jì)算公式為：

親近度數(shù)值與親密程度成正比，與距離成反比，本發(fā)明采用下列計(jì)算公式分析用戶之間的親近度，計(jì)算公式為：其中，是時(shí)間狀態(tài)t下用戶u和v簽到中心點(diǎn)之間的空間距離，利用用戶簽到位置的經(jīng)緯度數(shù)據(jù)的平均值表示用戶簽到中心，將用戶的位置投射到地球這個(gè)球面上，計(jì)算用戶之間的距離

第四步包括以下幾個(gè)步驟：

D1、對簽到矩陣進(jìn)行拆分：將一天分為Φ個(gè)時(shí)間狀態(tài)，把原始社交網(wǎng)絡(luò)矩陣SN和用戶-簽到頻率矩陣CI分別拆分成Φ個(gè)子矩陣，每個(gè)子矩陣對應(yīng)一個(gè)時(shí)間狀態(tài)t，使用符號SN^t表示子社交網(wǎng)絡(luò)矩陣、CI^t表示子用戶-簽到頻率矩陣。

通常Φ取為24，即將一天分為24個(gè)時(shí)間狀態(tài)對簽到矩陣進(jìn)行拆分。

D2、對用戶簽到矩陣CI^t進(jìn)行分解，將用戶簽到矩陣CI^t分解成多個(gè)簽到頻率子矩陣相乘的形式，將分解轉(zhuǎn)化成優(yōu)化過程，構(gòu)造出目標(biāo)函數(shù)并進(jìn)行最小化處理，同時(shí)對目標(biāo)函數(shù)添加附加條件，實(shí)現(xiàn)滿足一定約束的矩陣分解。本方法采用上述的矩陣分解技術(shù)，將多種社交因素作為約束條件，把每個(gè)簽到頻率子矩陣分解成用戶隱特征矩陣U^t，和位置隱特征矩陣L，k是隱空間的向量維度，分解方法為：

a、利用個(gè)人偏好、偏好相似度、社交信任以及親近度四種社交因素建立推薦模型目標(biāo)函數(shù)，具體為：

其中，*代表歸一化的處理，α、λ、β、γ、μ、η代表設(shè)置的權(quán)重參數(shù)，根據(jù)具體數(shù)據(jù)權(quán)重比進(jìn)行設(shè)置，不同應(yīng)用場景下可嘗試調(diào)整參數(shù)設(shè)置以獲得最佳效果，和L_l分別代表k維用戶隱特征向量和k維位置隱特征向量，是u在時(shí)間狀態(tài)t下的規(guī)范化簽到頻率。

b、計(jì)算用戶隱特征矩陣U^t和位置隱特征矩陣L：對推薦模型目標(biāo)函數(shù)進(jìn)行訓(xùn)練，將和L_l看做變量并分別對它們求偏導(dǎo),其中的偏導(dǎo)如下：

L_l的偏導(dǎo)數(shù)如下：

偏導(dǎo)中是指示因子，代表u在時(shí)間狀態(tài)t下對位置l有過簽到，否則

求出偏導(dǎo)后，在梯度方向上更新隱特征向量，把每次更新后的向量代入到推薦模型目標(biāo)函數(shù)中重新計(jì)算，讓函數(shù)值以最快速度向下減??；不斷迭代該過程直至推薦模型目標(biāo)函數(shù)收斂為止，最后得到用戶隱特征矩陣U^t和位置隱特征矩陣L。

D3、合并用戶隱特征矩陣U^t和位置隱特征矩陣L：得到用戶隱特征矩陣U^t和位置隱特征矩陣L后，按U^tL^T算法預(yù)測用戶在每個(gè)時(shí)間狀態(tài)t下的簽到偏好矩陣并使用投票方案將不同時(shí)間狀態(tài)下的預(yù)測矩陣合并為統(tǒng)一的位置偏好預(yù)測矩陣這里T代表矩陣轉(zhuǎn)置運(yùn)算。

投票方式為在每個(gè)時(shí)間狀態(tài)下推舉出top n個(gè)位置，然后將全部時(shí)間狀態(tài)下出現(xiàn)次數(shù)最多的位置集合推薦給用戶。本方法使用HAMA的矩陣乘法，需要使用多趟MapReduce Job完成。下面是每趟Job的工作內(nèi)容：

1)從HBase表構(gòu)造CollectionTable。CollectionTable是實(shí)現(xiàn)矩陣乘法的一個(gè)中間數(shù)據(jù)結(jié)構(gòu)。其記錄的是要進(jìn)行矩陣乘法的兩個(gè)分塊的內(nèi)容。block(i,j)-k代表要進(jìn)行分塊矩陣乘的兩個(gè)block，后面的k代表第K子矩陣乘法。在Map階段Map讀入矩陣的行向量，發(fā)射(blockID,sub-vector)KV對，在Reduce階段將sub-vector收集成分塊矩陣信息，存儲HDFS的文件中。

2)從CollectionTable中計(jì)算矩陣乘法。在Map階段，Maptask讀入CollectionTable中的一塊，并進(jìn)行MatrixA*MatrixB的操作，發(fā)射(blockID,分塊矩陣乘結(jié)果)。在Reduce結(jié)算，收集所有的乘法結(jié)果，并進(jìn)行累加，將最終結(jié)果存入HBase表中。

在本說明書的描述中，參考術(shù)語“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不一定指的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。

盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對這些實(shí)施例進(jìn)行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同物限定。