技術(shù)特征：

1.一種融入時(shí)間和地理位置信息的地點(diǎn)推薦方法，其特征是按以下步驟進(jìn)行：

步驟1：獲取用戶地點(diǎn)簽到數(shù)據(jù)，所述用戶地點(diǎn)簽到數(shù)據(jù)的屬性包括：用戶、地點(diǎn)、地點(diǎn)經(jīng)度、地點(diǎn)緯度和用戶簽到時(shí)間段；

令所述用戶地點(diǎn)簽到數(shù)據(jù)中的所有用戶記為U＝{U₁,...,U_u,...U_|U|}，所有地點(diǎn)記為L(zhǎng)＝{L₁,...,L_l,...,L_|L|}，所有用戶簽到時(shí)間段記為T(mén)＝{1,…,t,...,|T|}；其中|U|為用戶的總個(gè)數(shù)，U_u表示第u個(gè)用戶；|L|為地點(diǎn)的總個(gè)數(shù)，L_l表示第l個(gè)地點(diǎn)；并有，L_l＝{lat_l,lon_l}，lat_l表示第l個(gè)地點(diǎn)L_l的經(jīng)度，lon_l表示第l個(gè)地點(diǎn)L_l緯度；|T|為時(shí)間的總個(gè)數(shù)，t為第t個(gè)用戶簽到時(shí)間段；

定義第t個(gè)時(shí)間段內(nèi)第u個(gè)用戶U_u在第l個(gè)地點(diǎn)L_l的簽到次數(shù)為若第t個(gè)時(shí)間段內(nèi)第u個(gè)用戶U_u在第l個(gè)地點(diǎn)L_l未簽到，則令否則令μ表示第t個(gè)時(shí)間段內(nèi)第u個(gè)用戶U_u在第l個(gè)地點(diǎn)L_l的簽到總次數(shù)；從而得到第u個(gè)用戶U_u在所有已簽到地點(diǎn)的集合和第u個(gè)用戶U_u在所有未簽到地點(diǎn)的集合，并令L_u,a表示第u個(gè)用戶U_u的第a個(gè)已簽到地點(diǎn)；令L_u,b表示第u個(gè)用戶U_u的第b個(gè)未簽到地點(diǎn)；

步驟2：計(jì)算基于地理位置因素的用戶到每個(gè)未簽到地點(diǎn)的概率；

步驟2.1：利用式(1)計(jì)算第u個(gè)用戶U_u在第a個(gè)已簽到地點(diǎn)L_u,a的簽到總次數(shù)C_u,a：

$C_{u,a}={\mathrm{\Σ}}_{t=1}^{\left|T\right|}{C}_{u,a}^t---\left(1\right)$

步驟2.2：利用多中心聚類算法對(duì)第u個(gè)用戶U_u的所有已簽到地點(diǎn)進(jìn)行聚類，得到K個(gè)聚類結(jié)果，其中，第k個(gè)聚類結(jié)果包括：第u個(gè)用戶U_u的聚類中心，記為Cen_u＝{cen_u,k}；cen_u,k表示第u個(gè)用戶U_u的第k個(gè)聚類中心，且第u個(gè)用戶U_u在第k個(gè)聚類中心cen_u,k所在類別的簽到總次數(shù)記為all_u,k；1≤k≤K；

步驟2.3：根據(jù)聚類結(jié)果計(jì)算用戶到未簽到地點(diǎn)的概率；

步驟2.3.1：計(jì)算第u個(gè)用戶的第b個(gè)未簽到地點(diǎn)L_u,b和第k個(gè)聚類中心之間的距離

步驟2.3.2：利用式(2)計(jì)算在第k個(gè)聚類結(jié)果條件下，第u個(gè)用戶U_u到第b個(gè)未簽到地點(diǎn)L_u,b的條件概率P(L_u,b|cen_u,k)：

$P\left(L_{u,b}\right|{\mathrm{cen}}_{u,k})={(1+{\mathrm{dist}}_{b,k}^u)}^{-1}---\left(2\right)$

步驟2.3.3：利用式(3)計(jì)算在所有聚類結(jié)果條件下，第u個(gè)用戶U_u到第b個(gè)未簽到地點(diǎn)L_u,b的概率Pro(U_u,L_u,b)

$\mathrm{Pr}o(U_u,L_{u,b})=\underset{k=1}{\overset{K}{\Σ}}P\left(L_{u,b}\right|{\mathrm{cen}}_{u,k})\×\frac{{\mathrm{all}}_{u,k}}{\underset{k=1}{\overset{K}{\Σ}}{\mathrm{all}}_{u,k}}---\left(3\right)$

步驟3：計(jì)算時(shí)間感知下地點(diǎn)之間的相似性：

步驟3.1：利用式(4)計(jì)算第i個(gè)時(shí)間段和第j個(gè)時(shí)間段之間的間距D_i,j：

$D_{i,j}=\left\{\begin{array}{cc}|i-j|,& |i-j|\<\frac{\left|T\right|}{2}\\ \left|T\right|-|i-j|,& |i-j|\>\frac{\left|T\right|}{2}\end{array}\right.---\left(4\right)$

步驟3.2：對(duì)于第l個(gè)地點(diǎn)L_l，利用式(5)計(jì)算第i個(gè)時(shí)間段和第j個(gè)時(shí)間段之間的余弦相似度cos_l(i,j)：

${\cos }_l(i,j)=\frac{{\mathrm{\Σ}}_{u=1}^{\left|U\right|}{C}_{u,l}^i\×C_{u,l}^j}{\sqrt{{\mathrm{\Σ}}_{u=1}^{\left(U\right)}{\left(C_{u,l}^i\right)}^2}\×\sqrt{{\mathrm{\Σ}}_{u=1}^{\left|U\right|}{\left(C_{u,l}^j\right)}^2}}---\left(5\right)$

步驟3.3：結(jié)合時(shí)間段之間的間距和時(shí)間段之間的余弦相似度，利用式(6)計(jì)算第i個(gè)時(shí)間段和第j個(gè)時(shí)間段之間的相似性sim(i,j)：

$sim(i,j)=\exp (-\frac{1}{\mathrm{\λ}}\×(1-\frac{\underset{l=1}{\overset{\left|L\right|}{\Σ}}{\cos }_l(i,j)}{\left|L\right|})\×D_{i,j})---\left(6\right)$

式(6)中，λ為調(diào)整參數(shù)；

步驟3.4：根據(jù)各時(shí)間段之間的相似性，利用式(7)對(duì)第t個(gè)時(shí)間段內(nèi)第u個(gè)用戶U_u在第b個(gè)未簽到地點(diǎn)L_u,b的簽到次數(shù)進(jìn)行填補(bǔ)，得到填補(bǔ)后的簽到次數(shù)

式(7)中，h表示所有用戶簽到時(shí)間段T中，除第t個(gè)時(shí)間段之外的任一時(shí)間段；對(duì)于第a個(gè)已簽到的地點(diǎn)L_u,a，令賦值給

步驟3.5：根據(jù)填補(bǔ)后的簽到數(shù)據(jù)，利用式(8)計(jì)算時(shí)間感知下第m個(gè)地點(diǎn)L_m和第n個(gè)地點(diǎn)L_n之間的相似性sim(L_m,L_n)，1≤m,n≤|L|：

步驟4：綜合考慮時(shí)間和地理位置信息，預(yù)測(cè)用戶在未簽到地點(diǎn)的簽到次數(shù)；

步驟4.1：設(shè)定每個(gè)地點(diǎn)的鄰近地點(diǎn)數(shù)目K；對(duì)于第u個(gè)用戶U_u的第b個(gè)未簽到地點(diǎn)L_u,b，根據(jù)地點(diǎn)L_u,b與其它地點(diǎn)的時(shí)間感知下的相似性，將相似性排名前K位的地點(diǎn)依次放入地點(diǎn)L_u,_b的鄰近集合NL_u,b中，得到鄰近集合表示第u個(gè)用戶U_u在第b個(gè)未簽到地點(diǎn)L_u,b的第d個(gè)鄰近地點(diǎn)，令第u個(gè)用戶U_u在第d個(gè)鄰近地點(diǎn)的簽到次數(shù)為

步驟4.2：利用式(9)預(yù)測(cè)第u個(gè)用戶U_u在第b個(gè)未簽到地點(diǎn)L_u,b的可能簽到次數(shù)Pre(U_u,L_u,b)；

$\mathrm{Pr}e(U_u,L_{u,b})=\frac{\underset{d=1}{\overset{K}{\Σ}}{\tilde{C}}_{u,b}^d\×sim(L_{u,b},L_{u,b}^d)\×\mathrm{Pr}o(U_u,L_{u,b})}{\underset{d=1}{\overset{K}{\Σ}}sim(L_{u,b},L_{u,b}^d)\×\mathrm{Pr}o(U_u,L_{u,b})}---\left(9\right)$

步驟5：設(shè)定用戶推薦的地點(diǎn)數(shù)目為N；將第u個(gè)用戶U_u在所有未簽到地點(diǎn)的可能簽到次數(shù)進(jìn)行降序排序，并選取排名前N個(gè)地點(diǎn)推薦給第u個(gè)用戶U_u。