本發(fā)明涉及一種面向位置社交網(wǎng)絡(luò)的興趣點推薦方法，屬于社交興趣推薦領(lǐng)域。

背景技術(shù)：

近年來，基于位置的社交網(wǎng)絡(luò)(locationbasedsocialnetworks,lbsns)的迅猛發(fā)展，為推薦服務(wù)提供用戶信息、社交關(guān)系、位置坐標、簽到時間、評論信息等多維度信息。在lbsn中，用戶通過簽到來發(fā)布自己的當前位置信息，并分享他們對當前興趣點(poi，如旅游景點、博物館、圖書館、餐廳等)的評論信息和體驗感覺。這些基于位置的社交網(wǎng)站收集了海量的用戶簽到信息，利用用戶的簽到信息向用戶推薦感興趣且沒有去過的地方。興趣點推薦對于用戶和商家都有著非常重要的作用，一方面減輕用戶信息過載問題，滿足用戶個性化需求，另外一方面幫助商家向潛在用戶推送廣告，增加商家的知名度，以此提高商業(yè)效益。因此，興趣點推薦算法的研究具有重要的現(xiàn)實意義。

目前，興趣點推薦算法研究主要結(jié)合用戶信息、社交關(guān)系、位置坐標、簽到時間、評論信息等進行推薦。其中，有效的利用時空因素可以進一步提高興趣點推薦的性能，給用戶帶來更好的推薦體驗。在日常生活中時間因素起著非常重要的作用?；谏缃痪W(wǎng)絡(luò)的用戶行為的時間特征包含用戶訪問興趣點的時間記錄。通過分析用戶的簽到數(shù)據(jù)，挖掘出用戶行為的時序特征，從而改善推薦效果。例如，人們通常在工作日和周末訪問的地方不同。隨著時間的變化，用戶的偏好也會發(fā)生變化。與此同時，地理位置對于位置推薦影響力也不容忽視。tobler的第一地理學(xué)法則顯示：相對于距離遠的興趣點，距離近的興趣點之間更相似。在現(xiàn)實生活中，人們通常訪問一個興趣點后，通常喜歡訪問該興趣點附近的地理位置。換句話說，相鄰的興趣點比遠距離的興趣點具有更強的地理相關(guān)性?；诘乩砦恢玫呐d趣點推薦分為2種：一種方法是僅考慮用戶的當前位置坐標，過濾掉離用戶較遠的興趣點，另一種方法是應(yīng)用主題模型或者地理潛在特征來獲取poi的潛在特征。

以上成果有效的推進興趣點推薦服務(wù)的發(fā)展，但是仍然存在不足：

1)推薦精確率和召回率低。很難從簽到數(shù)據(jù)中得到有效信息和過于稀疏的數(shù)據(jù)是推薦精度低的原因之一。除此之外，未能夠?qū)τ脩艉灥綌?shù)據(jù)進行深入分析；

2)將時間劃分為多個片段，會加劇數(shù)據(jù)稀疏。

技術(shù)實現(xiàn)要素：

時間和空間特征是興趣點推薦系統(tǒng)的獨特屬性。有效的利用時空因素可以進一步提高興趣點推薦的性能，給用戶帶來更好的推薦體驗。但是，現(xiàn)有研究對于時間特征研究不深入，只是簡單的將用戶簽到偏好進行不同時刻的劃分，沒有深入挖掘時間因素對用戶偏好的影響。除此之外，將時間等分24個片段，會加劇數(shù)據(jù)稀疏。然而，簽到數(shù)據(jù)集自身特征挖掘的局限性和數(shù)據(jù)的過于稀疏性也是興趣點推薦精確率和召回率低的原因之一。針對上述問題，本發(fā)明提供一種面向位置社交網(wǎng)絡(luò)的興趣點推薦方法，目的是給用戶推薦從未去過的位置，提高推薦精度，減輕用戶信息過載問題，滿足用戶個性化需求，同時也可以幫助商家向潛在用戶推送廣告，增加商家的知名度，以此提高商業(yè)效益。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：

本發(fā)明提供一種面向位置社交網(wǎng)絡(luò)的興趣點推薦方法，包括如下步驟：

步驟1，根據(jù)目標用戶的簽到興趣點的歷史記錄，獲取目標用戶的相似用戶集合；

步驟2，通過在基于用戶的協(xié)同過濾算法中，融入時間特征，得到基于時間特征和用戶協(xié)同過濾的興趣點評分；

步驟3，將基于時間因素的興趣點流行度的估算融入空間特征去，得到基于空間特征和興趣點流行度特征的興趣點評分；

步驟4，分別將步驟2的基于時間特征和用戶協(xié)同過濾的興趣點評分和步驟3的基于空間特征和興趣點流行度特征的興趣點評分進行標準化，再將標準化后的數(shù)據(jù)進行線性組合，得到目標用戶對興趣點的綜合評分；

步驟5，根據(jù)步驟4中的綜合評分向目標用戶進行興趣點推薦。

作為本發(fā)明的進一步優(yōu)化方案，步驟1中目標用戶的相似用戶v為與目標用戶u的歷史共同簽到興趣點數(shù)量nu,v＞m的用戶，其中，u,v∈user，v∈suser，user為所有用戶的集合，suser為目標用戶u的相似用戶集合，m為設(shè)定閾值。

作為本發(fā)明的進一步優(yōu)化方案，步驟2中基于時間特征和用戶協(xié)同過濾的興趣點評分為：

其中，為基于時間特征和用戶協(xié)同過濾的目標用戶u在時間點t對興趣點l的評分，t∈t，l∈l，t為時間周期，l為興趣點集合；nuser為user中的用戶數(shù)量，為任一用戶r∈user在時間點t和時間點t1的相似度，t≠t1，為目標用戶u在時間點t1對興趣點l的簽到值，記作表示用戶u在與時間點t1相鄰的連續(xù)時間點簽到興趣點l的值。

作為本發(fā)明的進一步優(yōu)化方案，步驟3中基于空間特征和興趣點流行度特征的興趣點評分為：

其中，為基于空間特征和興趣點流行度特征的目標用戶u在時間點t對興趣點l的評分；lu為目標用戶u的簽到興趣點集合，geodist(l,lj)為興趣點l和lj之間的球面距離，lj∈lu，l∈l且λ為第一預(yù)設(shè)參數(shù)，λ∈[0,1]，cil,t為在時間點t對興趣點l簽到的用戶集合，cil為對興趣點l簽到的用戶集合，cil′,t為在時間點t對興趣點l′簽到的用戶集合，cil′為對興趣點l′簽到的用戶集合，|cil,t|為在時間點t對興趣點l簽到的用戶數(shù)量，|cil|為對興趣點l簽到的用戶數(shù)量，|cil′,t|為在時間點t對興趣點l'簽到的用戶數(shù)量，|cil′|為對興趣點l'簽到的用戶數(shù)量。

作為本發(fā)明的進一步優(yōu)化方案，步驟4中采用min-max分別將步驟2的基于時間特征和用戶協(xié)同過濾的興趣點評分和步驟3的基于空間特征和興趣點流行度特征的興趣點評分進行標準化。

作為本發(fā)明的進一步優(yōu)化方案，步驟4中目標用戶對興趣點的綜合評分為：

其中，k為第二預(yù)設(shè)參數(shù)，k∈[0,1]；為標準化后的為標準化后的

作為本發(fā)明的進一步優(yōu)化方案，步驟5中根據(jù)步驟4中的綜合評分，按綜合評分從高到低的順序向目標用戶進行興趣點推薦。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：本發(fā)明首先通過在基于用戶的協(xié)同過濾算法中，融入時間特征，給出相應(yīng)的建模方法；然后將基于時間因素的興趣點流行度的估算融入空間特征去，給出相應(yīng)的建模方法；最后將兩個方法進行融合，得到一個基于線性框架的興趣點推薦建模方法有助于提高推薦精確度，克服了傳統(tǒng)的興趣點推薦或應(yīng)用基本的協(xié)同過濾方法、或在基本的協(xié)同過濾算法中引入空間特征，而忽視了時序和興趣點流行度特征對推薦精確度的影響。

附圖說明

圖1是本發(fā)明的實現(xiàn)模型圖。

圖2是本發(fā)明融合時空和流行度特征的興趣點推薦算法流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進一步的詳細說明：

一、體系結(jié)構(gòu)

基于本發(fā)明的系統(tǒng)由原始語料庫、預(yù)處理數(shù)據(jù)模塊、相似度計算模塊、時間感知的協(xié)同過濾模塊、最近鄰候選興趣點選擇模塊、興趣點流行度模塊、融合空間和流行度模塊以及線性融合模塊等組成，如圖1所示。以下對各部分進行具體說明：

一個原始語料庫，存儲從foursquare網(wǎng)站上抓取的用戶的簽到記錄(包含用戶id，簽到位置id，位置坐標，時間)；

預(yù)處理數(shù)據(jù)模塊，過濾掉與目標用戶簽到相同位置少于m次的相似用戶，得到目標用戶u的最近鄰相似用戶集合；

相似度計算模塊，主要計算任意兩個時間點的相似度和基于不同時間點的用戶相似度，提出基于連續(xù)時間的平滑技術(shù)，可以解決由于將一天時間劃分為以小時為單位的多個時間點所帶來的數(shù)據(jù)稀疏問題，提高推薦精確度；

時間感知的協(xié)同過濾模塊，在基于用戶的協(xié)同過濾中，采用基于不同時間點的平滑技術(shù)，得到目標用戶u在時間點t訪問興趣點l的推薦模型；

最近鄰候選興趣點選擇模塊，采用地球球面距離公式計算候選興趣點離目標用戶歷史訪問興趣點的距離，對其中最短距離取反，得到目標用戶訪問候選興趣點l的條件概率；

興趣點流行度模塊，主要是進行用戶對興趣點的歡迎程度的評估，利用候選興趣點在某個時間點的被簽到數(shù)量和該候選興趣點長期的被簽到數(shù)量計算得到；

融合空間和流行度模塊，在最近鄰候選興趣點估計的基礎(chǔ)上，融合基于時間因素的興趣點流行度估計，得到最終目標用戶u在時間點t訪問興趣點l的推薦模型；

線性聯(lián)合模塊，將以上兩個推薦模型進行線性加權(quán)，實驗采用foursquare數(shù)據(jù)集，按興趣點評分從高到低排序向用戶推薦興趣點。

二、方法流程

如圖2所示，當目標用戶u在時間點t對其進行興趣點推薦，具體步驟如下：

步驟1：預(yù)處理數(shù)據(jù)，得到目標用戶u的相似用戶集合suser。具體預(yù)處理數(shù)據(jù)步驟如下：統(tǒng)計foursquare數(shù)據(jù)集中目標用戶u訪問過的地點集合lu。遍歷地點集合lu,找到訪問過相同的興趣點的用戶v，計算目標用戶u和用戶v共同訪問的興趣點的數(shù)量nu,v,若nu,v大于閾值m,則用戶v是目標用戶u與之相似的用戶，否則過濾掉v。如此反復(fù)，最后得到與目標用戶u的相似的用戶集合suser。其中m∈{0,1,..,10}，通過調(diào)整參數(shù)m的值發(fā)現(xiàn)，其值為4時，實驗結(jié)果最優(yōu)。

步驟2：將用戶歷史簽到時間t按小時等分為24段，t＝{0,1,...,23}，例如09:01:00記為9，00:10:00記為0。

步驟3：利用公式計算任意兩個時間點的相似度，記為其中，是對于任意的用戶r∈user，用戶u的時間點t與任意時間點t1之間的相似度，t≠t1，nuser為數(shù)據(jù)集中用戶數(shù)量，user為foursquare數(shù)據(jù)集中的所有用戶集合。

步驟4：利用公式計算用戶u在與t相鄰的連續(xù)時間點簽到位置l的值。

步驟5：利用公式計算基于不同時間點的用戶相似度，記為其中，和分別是基于不同時間點，用戶u和相似用戶v在時間點t簽到興趣點l的值，t和l分別是時間點集合和foursquare數(shù)據(jù)集中的所有地點的集合。

步驟6：根據(jù)基于不同時間點的用戶相似度，利用公式得到用戶u在時間點t對興趣點l的評分。

步驟7：采用地球球面距離公式，計算用戶對于距離的敏感度，找到最近鄰候選興趣點。其中，球面距離公式為：

geodist(li,lj)＝r·cos^-1(sin(lati)·sin(latj)+cos(lati)·cos(latj)·cos(lngi-lngj))，用戶對于距離的敏感度的計算公式為興趣點li的坐標是<lati,lngi>,興趣點lj的坐標是<latj,lngj>，r是地球的近似半徑，目標用戶u訪問過的地點集合為li∈l且

步驟8：利用候選興趣點在某個時間點的被簽到數(shù)量和該候選興趣點長期的被簽到數(shù)量，計算基于時間因素的興趣點流行度。其中，流行度計算公式為λ為第一預(yù)設(shè)參數(shù)，λ∈[0,1]，cil,t為在時間點t對興趣點l簽到的用戶集合，cil為對興趣點l簽到的用戶集合，|cil,t|為在時間點t對興趣點l簽到的用戶數(shù)量，|cil|為對興趣點l簽到的用戶數(shù)量，|cil′,t|為在時間點t對興趣點l'簽到的用戶數(shù)量，|cil′|為對興趣點l'簽到的用戶數(shù)量。

步驟9：將步驟7和8通過公式進行組合，得到在空間和興趣點流行度特征影響下，用戶對于某個興趣點l的推薦評分。

步驟10：將步驟6和9通過公式進行線性組合，得到用戶對于每個興趣點的綜合推薦評分。其中，因為使用了不同的方法進行計算的，所以在融合前必須采用min-max標準化方法對這兩個結(jié)果進行線性變換得到標準格式數(shù)據(jù)，即

步驟11：按綜合評分從高到低的順序向目標用戶進行top-n興趣點推薦，即由高至低向目標用戶推薦綜合評分較高的n個興趣點。

以上所述，僅為本發(fā)明中的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā)明的保護范圍應(yīng)該以權(quán)利要求書的保護范圍為準。