CN106022934A - 一种基于移动轨迹模式的潜在好友发现方法及*** - Google Patents

一种基于移动轨迹模式的潜在好友发现方法及*** Download PDF

Info

Publication number
CN106022934A
CN106022934A CN201610293497.XA CN201610293497A CN106022934A CN 106022934 A CN106022934 A CN 106022934A CN 201610293497 A CN201610293497 A CN 201610293497A CN 106022934 A CN106022934 A CN 106022934A
Authority
CN
China
Prior art keywords
dwell point
user
semantic
point
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610293497.XA
Other languages
English (en)
Inventor
许长桥
关建峰
朱亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201610293497.XA priority Critical patent/CN106022934A/zh
Publication of CN106022934A publication Critical patent/CN106022934A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于移动轨迹模式的潜在好友发现方法，所述方法包括：建立语义描述模型，根据POI数据集描述每一个停留点的语义信息，并对每一类服务进行加权，根据停留点的分布情况，将停留点聚类为位置，并描述每一个位置的语义信息，生成连续的种类轨迹序列，根据生成的种类轨迹序列，提取用户之间共同的种类轨迹子序列CTP，计算用户之间的相似度，为目标用户挑选前k个相似用户。本发明可以为用户发现与其生活模式相同的潜在好友，增加候选服务的个数，有效解决数据稀疏性问题，同时提高用户的服务体验质量，为未来基于位置的社交网络中用户个性化服务推荐提供有益的解决思路。

Description

一种基于移动轨迹模式的潜在好友发现方法及***
技术领域
本发明涉及网络通信领域，特别涉及一种基于移动轨迹模式的潜在好友发现方法及***。
背景技术
近年来，随着各种移动终端设备的广泛应用及推广，基于位置的社交网络(LBSN)如Foursquare、FacebookPlace、Twitter以及街旁等也获得了空前发展。基于位置的社交网络，其特点是利用用户的签到信息，将在线社交网络和物理位置结合起来，以实现虚拟世界中基于位置的服务资源的共享与传播。从而，在移动环境下，用户可以及时地获取网络服务，例如：多媒体服务、天气预测、实时新闻以及交通信息等。经CISCO预测显示：到2016年，移动数据流量将超过几个艾字节/月，其中视频服务所产生的流量将占总消费流量的86％。因此，大量的互联网服务被推送到用户端，以提供给用户不同类型的服务选择。但是，由于传统通信模式的限制，用户经常收到一些无用的信息，甚至用户感兴趣的服务已经被大量的网络服务淹没。在这种情况下，服务推荐***逐渐兴起并引起了许多学者的关注。服务推荐***可以在大量网络服务中发现满足用户需求的个性化服务以推荐给用户，并提供不同功能和性能上的服务。
与Web搜索引擎不同，服务推荐***不仅关心搜索结果之间的关系和顺序，而且关心用户对不同服务的个性化偏好。传统的服务推荐方法依赖“用户-条目”的二元组信息，包括协同过滤推荐(CF)和基于内容的推荐(CBR)。尽管如此，随着用户个性化需求的不断增加，仅仅考虑用户和条目的关系不能精确地向用户提供合适的服务。因此，当用户请求服务时，上下文信息(例如：时间、位置、社会关系、环境、情感以及网络状态等)需要被考虑在内，以构成“用户-上下文-条目”的三元组信息。并且，随着上下文信息的不断改变，上下文感知的服务推荐***(CARS)可以为用户提供自动的、个性化的服务选择。例如：用户A喜欢在公交车上浏览其感兴趣的小说，而不是在办公室；用户B喜欢在下班后查找相关促销广告信息，而不是在上班时。因此，如何通过上下文信息挖掘用户的个性化偏好，成为服务推荐***的一个重要研究目标。
相似用户发现是服务推荐***的一个关键流程。在基于位置的社交网络中，服务器凭借“check-in”服务搜集到每个用户日常的位置历史信息，从而利用地理空间和语义空间之间的关系，提取用户的生活习惯和模式。对于GPS轨迹数据集，由于其空间复杂性和时间连续性，通过传统的数据挖掘技术(例如：飓风跟踪和动物活动行为)很难提取出用户的生活习惯。更重要的是，不同的访问位置序列可以反映用户不同的意愿，并且不同地理区域的用户可能拥有相同的意愿。移动轨迹模式是指由一系列位置的语义信息按照一定的顺序组成的一组序列，它可以有效地描述用户的生活规律和偏好。例如：如果一个用户的日常活动顺序为“购物”→“吃饭”→“看电影”，那么他/她的移动轨迹模式可以被提取为“商场”→“餐馆”→“电影院”。因此，从移动轨迹模式的角度出发，通过比较用户之间的轨迹模式相似度，为目标用户发现其潜在好友，将为未来基于位置的社交网络中用户个性化服务推荐提供有益的解决思路。
发明内容
为了发现与用户生活模式相同的潜在好友，增加候选服务的个数，提高用户的服务体验质量，本发明提供了一种基于移动轨迹模式的潜在好友发现方法及***。所述技术方案如下：
一种基于移动轨迹模式的潜在好友发现方法，所述方法包括:
建立语义描述模型，根据POI数据集描述每一个停留点的语义信息，并对每一类服务进行加权；
根据停留点的分布情况，将停留点聚类为位置，并描述每一个位置的语义信息，生成连续的种类轨迹序列；
根据生成的种类轨迹序列，提取用户之间共同的种类轨迹模式CTP；
计算用户之间的相似度，将用户按相似度进行排序，为目标用户挑选前k个相似用户。
所述语义描述模型包括：
用S表示停留点的集合，计算一个停留点si的坐标，得到由停留点组成的轨迹；
计算停留点的种类权重，得到停留点关于种类的特征向量。
所述方法还包括：
初始化停留点集合，计算移动轨迹的长度；
判断任意两点间的距离是否小于阀值，并且时间是否大于阀值，如果否，则删除。
计算中心节点的坐标；
将该中心节点添加至停留点集合中。
所述种类轨迹描述方法包括：
将停留点聚类为位置，得到位置轨迹序列；
利用停留点中每一类型的非零权重值的个数，计算位置所对应的POI种类的权重，得到位置关于种类的特征向量；
聚类位置的特征向量，使每一个位置被划分为不同的种类，得到种类轨迹序列。
所述方法还包括：
初始化位置集合，计算停留点集合中的元素个数；
创建一个位置，将停留点加入到该位置中，并计算位置坐标；
判断停留点到位置的距离是否大于阀值，如果是，则创建下一个位置，将停留点加入到该位置中，计算位置坐标，如果否，则将停留点加入到该位置，更新位置坐标；
将该位置添加至位置集合中。
所述共同轨迹模式提取方法包括：
初始化轨迹模式集合，定义子序列的长度；
检索两个用户语义轨迹中的各个节点；
判断两个语义点是否相同，如果否，则删除，继续检索，如果是，进行下一步；
标记该点的位置，从该点开始查找是否有规定长度阀值的子序列，如果否，则删除，继续检索，如果是，则将该子序列加入至轨迹模式集合中。
所述相似用户发现方法包括：
通过提取出的共同轨迹模式，从类型流行度和活动序列两个方面计算用户之间的相似度；
将用户按相似度按从大到小排序，从而为目标用户挑选出前k个相似用户。
一种基于移动轨迹模式的潜在好友发现***，所述***包括停留点检测模块、停留点语义描述模块、位置检测模块、位置语义描述模块、共同轨迹模式提取模块以及相似用户发现模块，其中，
所述停留点检测模块，用于检测原始GPS轨迹数据中，所存在的具有一定驻留行为的点；
所述停留点语义描述模块，用于对检测到的停留点进行语义信息的描述；
所述位置检测模块，用于检测停留点数据中，所存在的反映用户移动行为的点；
所述位置语义描述模块，用于对检测到的位置进行语义信息的描述；
所述共同轨迹模式提取模块，用于从语义轨迹中提取出用户之间共同的轨迹模式；
所述相似用户发现模块，用于计算用户之间的相似度，并为目标用户挑选前k个相似用户。
本发明实施例提供的技术方案带来的有益效果是：
建立语义描述模型，根据POI数据集描述每一个停留点的语义信息，并对每一类服务进行加权，根据停留点的分布情况，将停留点聚类为位置，并描述每一个位置的语义信息，生成连续的种类轨迹序列，根据生成的种类轨迹序列，提取用户之间共同的种类轨迹子序列CTP，计算用户之间的相似度，为目标用户挑选前k个相似用户。本发明实施例提供的方案，可以为用户发现与其生活模式相同的潜在好友，增加候选服务的个数，有效解决数据稀疏性问题，同时提高用户的服务体验质量，为未来基于位置的社交网络中用户个性化服务推荐提供有益的解决思路。
附图说明
图1是本发明实施例一提供的基于移动轨迹模式的潜在好友发现方法原理流程图；
图2是本发明实施例一提供的停留点检测算法示意图；
图3是本发明实施例一提供的位置检测算法示意图。
图4是本发明实施例一提供的共同轨迹模式提取算法示意图。
图5是本发明实施例二提供的基于移动轨迹模式的潜在好友发现***结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明提出了一种基于移动轨迹模式的潜在好友发现方法，将用户的地理位置信息映射为语义描述信息，挖掘用户的兴趣、偏好以及个人生活习惯，目的是为用户发现与其生活模式相同的潜在好友，增加候选服务的个数，有效解决数据稀疏性问题，同时提高用户的服务体验质量，为未来基于位置的社交网络中用户个性化服务推荐提供有益的解决思路。
本发明提供的语义描述模型，根据POI数据集描述每一个停留点的语义信息，并对每一类服务进行加权，再根据停留点的分布情况，将停留点聚类为位置，并描述每一个位置的语义信息，生成连续的种类轨迹序列，再根据生成的种类轨迹序列，提取用户之间共同的种类轨迹子序列CTP，计算用户之间的相似度，为目标用户挑选前k个相似用户。
实施例一
如图1所示，为本发明实施例提供的基于移动轨迹模式的潜在好友发现方法原理流程图，其中，
步骤10，建立语义描述模型，根据POI数据集描述每一个停留点的语义信息，并对每一类服务进行加权。
在用户原始的轨迹数据中，每一个移动的地理位置都可以被看作是具有经纬度信息的点。停留点的定义为：停留点表示一个区域，在这个区域内用户停留了一段时间，并且做了一项有意义的活动。一种情况是用户进入到一座卫星信号弱的建筑内，例如：购物中心、电影院、剧院或者博物馆等；另一种情况是用户在地理区域外部逗留，但并没有穿过该区域，例如：观光旅游。
用S表示停留点的集合，一个停留点si可以表示为：
其中pj(lon)和pj(lat)分别代表每一个原始点pj的经纬度，由停留点组成的轨迹表示为Tra_s＝s1→s2→…→sn。
为了挖掘用户的兴趣和偏好，只知道用户在地理空间上的活动轨迹是不够的，语义空间能描述每一个地理位置所对应的语义信息，并且通过利用获取到的语义信息，本发明能够挖掘出生活在不同地理区域的、具有相同语义信息的相似用户。POI标识了每一个地理位置点所具有的服务名称、类别、以及经纬度信息，通过TF-IDF算法，停留点所对应的POI种类的权重可以被计算为：
其中，N表示在该区域中存在的总POI个数，ni表示类型i的POI个数，Si表示类型i的停留点集合。
每一个停留点的特征向量可以表示为fs＝＜w1,w2,...,wn＞，从而停留点被赋予了一定的语义信息。
具体的停留点检测算法如图2所示，其中，
1)初始化停留点集合，计算移动轨迹的长度。
2)判断任意两点间的距离是否小于阀值，并且时间是否大于阀值，如果否，则返回到1)。
3)计算中心节点的坐标。
4)将该中心节点添加至停留点集合中。
步骤20，根据停留点的分布情况，将停留点聚类为位置，并描述每一个位置的语义信息，生成连续的种类轨迹序列。
停留点有时不能完全区分用户在一个语义空间上所具有的行为，例如：两个不同的停留点，分别位于清华大学的两个不同的活动场地，但是这两个停留点属于相同的语义描述范畴。为了给每个用户建立统一的行为描述信息，本发明利用下式将停留点聚类为位置：
一个用户的位置轨迹序列可以表示为Tra_L＝L1→L2→…→Ln，每一个位置L代表一个地理区域，在该区域中包含一些语义空间上的停留点，例如：商场、电影院等。不同用户的相似停留点被分配到相同的位置Li中，从而为用户行为描述方法提供了统一地标准。
具体的位置检测算法如图3所示，其中，
1)初始化位置集合，计算停留点集合中的元素个数。
2)创建一个位置，将停留点加入到该位置中，并计算位置坐标。
3)判断停留点到位置的距离是否大于阀值，如果是，则创建下一个位置，将停留点加入到该位置中，计算位置坐标，如果否，则将停留点加入到该位置，更新位置坐标。
4)将该位置添加至位置集合中。
基于步骤10中计算的停留点的语义信息，位置Li的语义信息可以通过其包含的停留点的语义信息综合表示。例如：一个位置中包含类型i和类型j的停留点，通过i和j的信息更能精确地描述该位置。
利用停留点中每一类型的非零权重值的个数，位置所对应的POI种类的权重可以被计算为：
其中，fs表示停留点的特征向量，每一个位置的特征向量可以表示为FL＝<W1,W2,...,Wk>。
通过聚类特征向量，每一个位置都被划分为不同的种类，并且该用户的种类轨迹序列可以表示为Tra_C＝C1→C2→…→Cn，从而构建了用户移动轨迹模型。
步骤30，根据生成的种类轨迹序列，提取用户之间共同的种类轨迹模式CTP。
利用步骤20提供的用户移动轨迹模型，本发明能在每个用户之间提取共同的种类轨迹子序列CTP，考虑到一个或者两个不同的种类组成的序列无法很好地反正用户的活动模式，本发明规定子序列的长度不小于3。
具体的共同轨迹模式提取算法如图4所示，其中，
1)初始化轨迹模式集合，定义子序列的长度。
2)检索两个用户语义轨迹中的各个节点。
3)判断两个语义点是否相同，如果否，则返回到2)继续检索，如果是，进行下一步。
4)标记该点的位置，从该点开始查找是否有规定长度阀值的子序列，如果否，则返回到2)继续检索，如果是，则将该子序列加入至轨迹模式集合中。
步骤40，计算用户之间的相似度，将用户按相似度进行排序，为目标用户挑选前k个相似用户。
通过共同轨迹模式提取算法，用户之间的CTP能够被提取出来，从而计算用户的相似度。与传统的相似度计算方法不同，本发明主要考虑两个方面：
第一，类型流行度，其反映用户的个性化偏好。类型流行度越高，所能体现的用户相似度越低。因此，CTP中每一个类型Ck的相似度可以被计算为：
其中，pop(Ck)表示类型Ck的流行度，并且该值可以参考步骤10中的IDF值。
第二，活动序列，代表用户访问位置的顺序。基于提取的CTP，每一个子序列的相似度可以被计算为：
其中，m表示用户u1和u2中最长CTP的长度，am＝2m-1。
因此，两个用户u1和u2的相似度可以计算为：
其中，N1和N2分别代表用户u1和u2访问位置的个数。
最终，通过对sim(u1,2)的值按从大到小排序，本发明可以为目标用户挑选出前k个相似用户。
实施例二
如图5所示，本发明实施例提供了一种基于移动轨迹模式的潜在好友发现***，包括停留点检测模块100、停留点语义描述模块200、位置检测模块300、位置语义描述模块400、共同轨迹模式提取模块500以及相似用户发现模块600，具体如下：
停留点检测模块100，用于检测原始GPS轨迹数据中，所存在的具有一定驻留行为的点；
停留点语义描述模块200，用于对检测到的停留点进行语义信息的描述；
位置检测模块300，用于检测停留点数据中，所存在的反映用户移动行为的点；
位置语义描述模块400，用于对检测到的位置进行语义信息的描述；
共同轨迹模式提取模块500，用于从语义轨迹中提取出用户之间共同的轨迹模式；
相似用户发现模块600，用于计算用户之间的相似度，并为目标用户挑选前k个相似用户。
需要说明的是：上述实施例提供的基于移动轨迹模式的潜在好友发现***在挑选相似用户时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的数据传输装置与数据传输方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
综上所述，在本发明实施例中，建立语义描述模型，根据POI数据集描述每一个停留点的语义信息，并对每一类服务进行加权，根据停留点的分布情况，将停留点聚类为位置，并描述每一个位置的语义信息，生成连续的种类轨迹序列，根据生成的种类轨迹序列，提取用户之间共同的种类轨迹子序列CTP，计算用户之间的相似度，为目标用户挑选前k个相似用户。本发明实施例提供的方案可以为用户发现与其生活模式相同的潜在好友，增加候选服务的个数，有效解决数据稀疏性问题，同时提高用户的服务体验质量，为未来基于位置的社交网络中用户个性化服务推荐提供有益的解决思路。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于移动轨迹模式的潜在好友发现方法，其特征在于，所述方法包括:
建立语义描述模型，根据POI数据集描述每一个停留点的语义信息，并对每一类服务进行加权；
根据停留点的分布情况，将停留点聚类为位置，并描述每一个位置的语义信息，生成连续的种类轨迹序列；
根据生成的种类轨迹序列，提取用户之间共同的种类轨迹模式CTP；
计算用户之间的相似度，将用户按相似度进行排序，为目标用户挑选前k个相似用户。
2.如权利要求1所述的方法，其特征在于，所述语义描述模型包括：
用S表示停留点的集合，计算一个停留点si的坐标，得到由停留点组成的轨迹；
计算停留点的种类权重，得到停留点关于种类的特征向量。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
初始化停留点集合，计算移动轨迹的长度；
判断任意两点间的距离是否小于阀值，并且时间是否大于阀值，如果否，则删除；
计算中心节点的坐标；
将该中心节点添加至停留点集合中。
4.如权利要求1所述的方法，其特征在于，所述种类轨迹描述方法包括：
将停留点聚类为位置，得到位置轨迹序列；
利用停留点中每一类型的非零权重值的个数，计算位置所对应的POI种类的权重，得到位置关于种类的特征向量；
聚类位置的特征向量，使每一个位置被划分为不同的种类，得到种类轨迹序列。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
初始化位置集合，计算停留点集合中的元素个数；
创建一个位置，将停留点加入到该位置中，并计算位置坐标；
判断停留点到位置的距离是否大于阀值，如果是，则创建下一个位置，将停留点加入到该位置中，计算位置坐标，如果否，则将停留点加入到该位置，更新位置坐标；
将该位置添加至位置集合中。
6.如权利要求1所述的方法，其特征在于，所述共同轨迹模式提取方法包括：
初始化轨迹模式集合，定义子序列的长度；
检索两个用户语义轨迹中的各个节点；
判断两个语义点是否相同，如果否，则删除，继续检索，如果是，进行下一步；
标记该点的位置，从该点开始查找是否有规定长度阀值的子序列，如果否，则删除，继续检索，如果是，则将该子序列加入至轨迹模式集合中。
7.如权利要求1所述的方法，其特征在于，所述相似用户发现方法包括：
通过提取出的共同轨迹模式，从类型流行度和活动序列两个方面计算用户之间的相似度；
将用户按相似度按从大到小排序，从而为目标用户挑选出前k个相似用户。
8.一种基于移动轨迹模式的潜在好友发现***，其特征在于，所述***包括停留点检测模块、停留点语义描述模块、位置检测模块、位置语义描述模块、共同轨迹模式提取模块以及相似用户发现模块，其中，
所述停留点检测模块，用于检测原始GPS轨迹数据中，所存在的具有一定驻留行为的点；
所述停留点语义描述模块，用于对检测到的停留点进行语义信息的描述；
所述位置检测模块，用于检测停留点数据中，所存在的反映用户移动行为的点；
所述位置语义描述模块，用于对检测到的位置进行语义信息的描述；
所述共同轨迹模式提取模块，用于从语义轨迹中提取出用户之间共同的轨迹模式；
所述相似用户发现模块，用于计算用户之间的相似度，并为目标用户挑选前k个相似用户。
CN201610293497.XA 2016-05-05 2016-05-05 一种基于移动轨迹模式的潜在好友发现方法及*** Pending CN106022934A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610293497.XA CN106022934A (zh) 2016-05-05 2016-05-05 一种基于移动轨迹模式的潜在好友发现方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610293497.XA CN106022934A (zh) 2016-05-05 2016-05-05 一种基于移动轨迹模式的潜在好友发现方法及***

Publications (1)

Publication Number Publication Date
CN106022934A true CN106022934A (zh) 2016-10-12

Family

ID=57081791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610293497.XA Pending CN106022934A (zh) 2016-05-05 2016-05-05 一种基于移动轨迹模式的潜在好友发现方法及***

Country Status (1)

Country Link
CN (1) CN106022934A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106506705A (zh) * 2016-12-29 2017-03-15 平安科技（深圳）有限公司 基于位置服务的人群分类方法及装置
CN107784046A (zh) * 2016-11-14 2018-03-09 平安科技（深圳）有限公司 Poi信息处理方法和装置
CN108108749A (zh) * 2017-12-12 2018-06-01 杭州电子科技大学 一种基于用户相似度的好友推荐方法
CN108170834A (zh) * 2018-01-12 2018-06-15 南京理工大学 一种移动目标关联共现模式的确定方法
CN108241630A (zh) * 2016-12-23 2018-07-03 武汉四维图新科技有限公司 一种行车目的地推荐方法及装置
CN108958247A (zh) * 2018-07-02 2018-12-07 深圳市益鑫智能科技有限公司 一种引导机器人
CN109446186A (zh) * 2018-09-27 2019-03-08 江苏大学 一种基于移动轨迹的社会关系判断方法
CN109558961A (zh) * 2017-09-25 2019-04-02 阿里巴巴集团控股有限公司 确定位置信息的方法和***、存储介质、处理器以及装置
CN110515981A (zh) * 2018-05-21 2019-11-29 国家计算机网络与信息安全管理中心 一种基于时空轨迹的用户识别方法及装置
CN111104468A (zh) * 2019-09-25 2020-05-05 西安交通大学 一种基于语义轨迹推断用户活动的方法
CN111368211A (zh) * 2020-02-20 2020-07-03 腾讯科技（深圳）有限公司 关系链确定方法、装置及存储介质
CN113032567A (zh) * 2021-03-29 2021-06-25 广东众聚人工智能科技有限公司 位置嵌入解释方法、装置、计算机设备及存储介质
CN113468194A (zh) * 2021-07-02 2021-10-01 广东蕾特恩科技发展有限公司 一种基于大数据的客户关系管理数据更新***及方法
WO2021259007A1 (zh) * 2020-06-24 2021-12-30 平安科技（深圳）有限公司 基于行为轨迹的数据推送方法、***和计算机设备
CN113946867A (zh) * 2021-10-21 2022-01-18 福建工程学院 基于空间影响力的位置隐私保护方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880719A (zh) * 2012-10-16 2013-01-16 四川大学 基于位置社交网络的用户轨迹相似性挖掘方法
CN104965913A (zh) * 2015-07-03 2015-10-07 重庆邮电大学 一种基于gps地理位置数据挖掘的用户分类方法
CN105243148A (zh) * 2015-10-25 2016-01-13 西华大学 一种基于签到数据的时空轨迹相似性度量方法及***
CN105243128A (zh) * 2015-09-29 2016-01-13 西华大学 一种基于签到数据的用户行为轨迹聚类方法
CN105389332A (zh) * 2015-10-13 2016-03-09 广西师范学院 一种地理社交网络下的用户相似性计算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880719A (zh) * 2012-10-16 2013-01-16 四川大学 基于位置社交网络的用户轨迹相似性挖掘方法
CN104965913A (zh) * 2015-07-03 2015-10-07 重庆邮电大学 一种基于gps地理位置数据挖掘的用户分类方法
CN105243128A (zh) * 2015-09-29 2016-01-13 西华大学 一种基于签到数据的用户行为轨迹聚类方法
CN105389332A (zh) * 2015-10-13 2016-03-09 广西师范学院 一种地理社交网络下的用户相似性计算方法
CN105243148A (zh) * 2015-10-25 2016-01-13 西华大学 一种基于签到数据的时空轨迹相似性度量方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIANGYE XIAO 等: "Finding Similar User Using Category-Based Location History", 《GIS"10》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784046A (zh) * 2016-11-14 2018-03-09 平安科技（深圳）有限公司 Poi信息处理方法和装置
CN107784046B (zh) * 2016-11-14 2021-05-04 平安科技（深圳）有限公司 Poi信息处理方法和装置
CN108241630A (zh) * 2016-12-23 2018-07-03 武汉四维图新科技有限公司 一种行车目的地推荐方法及装置
CN106506705A (zh) * 2016-12-29 2017-03-15 平安科技（深圳）有限公司 基于位置服务的人群分类方法及装置
CN106506705B (zh) * 2016-12-29 2020-07-28 平安科技（深圳）有限公司 基于位置服务的人群分类方法及装置
CN109558961A (zh) * 2017-09-25 2019-04-02 阿里巴巴集团控股有限公司 确定位置信息的方法和***、存储介质、处理器以及装置
CN108108749B (zh) * 2017-12-12 2020-01-17 杭州电子科技大学 一种基于用户相似度的好友推荐方法
CN108108749A (zh) * 2017-12-12 2018-06-01 杭州电子科技大学 一种基于用户相似度的好友推荐方法
CN108170834A (zh) * 2018-01-12 2018-06-15 南京理工大学 一种移动目标关联共现模式的确定方法
CN108170834B (zh) * 2018-01-12 2022-03-25 南京理工大学 一种移动目标关联共现模式的确定方法
CN110515981A (zh) * 2018-05-21 2019-11-29 国家计算机网络与信息安全管理中心 一种基于时空轨迹的用户识别方法及装置
CN110515981B (zh) * 2018-05-21 2022-04-12 国家计算机网络与信息安全管理中心 一种基于时空轨迹的用户识别方法及装置
CN108958247A (zh) * 2018-07-02 2018-12-07 深圳市益鑫智能科技有限公司 一种引导机器人
CN109446186A (zh) * 2018-09-27 2019-03-08 江苏大学 一种基于移动轨迹的社会关系判断方法
CN109446186B (zh) * 2018-09-27 2021-07-20 江苏大学 一种基于移动轨迹的社会关系判断方法
CN111104468A (zh) * 2019-09-25 2020-05-05 西安交通大学 一种基于语义轨迹推断用户活动的方法
CN111104468B (zh) * 2019-09-25 2023-03-28 西安交通大学 一种基于语义轨迹推断用户活动的方法
CN111368211A (zh) * 2020-02-20 2020-07-03 腾讯科技（深圳）有限公司 关系链确定方法、装置及存储介质
CN111368211B (zh) * 2020-02-20 2023-05-16 腾讯科技（深圳）有限公司 关系链确定方法、装置及存储介质
WO2021259007A1 (zh) * 2020-06-24 2021-12-30 平安科技（深圳）有限公司 基于行为轨迹的数据推送方法、***和计算机设备
CN113032567A (zh) * 2021-03-29 2021-06-25 广东众聚人工智能科技有限公司 位置嵌入解释方法、装置、计算机设备及存储介质
CN113032567B (zh) * 2021-03-29 2022-03-29 广东众聚人工智能科技有限公司 位置嵌入解释方法、装置、计算机设备及存储介质
CN113468194A (zh) * 2021-07-02 2021-10-01 广东蕾特恩科技发展有限公司 一种基于大数据的客户关系管理数据更新***及方法
CN113946867A (zh) * 2021-10-21 2022-01-18 福建工程学院 基于空间影响力的位置隐私保护方法
CN113946867B (zh) * 2021-10-21 2024-05-31 福建工程学院 基于空间影响力的位置隐私保护方法

Similar Documents

Publication Publication Date Title
CN106022934A (zh) 一种基于移动轨迹模式的潜在好友发现方法及***
Yin et al. Modeling location-based user rating profiles for personalized recommendation
Yin et al. Joint modeling of user check-in behaviors for real-time point-of-interest recommendation
Yin et al. LCARS: A spatial item recommender system
Li et al. Multiple location profiling for users and relationships from social network and content
US10332150B2 (en) Location event advertising
Zhao et al. Personalized recommendations of locally interesting venues to tourists via cross-region community matching
US9026917B2 (en) System and method for context enhanced mapping within a user interface
US8706406B2 (en) System and method for determination and display of personalized distance
Jiang et al. Learning from contextual information of geo-tagged web photos to rank personalized tourism attractions
CN106021305A (zh) 一种模式与偏好感知的poi推荐方法及***
JP5602864B2 (ja) 位置ベースのサービスミドルウェア
Arain et al. Intelligent travel information platform based on location base services to predict user travel behavior from user-generated GPS traces
CN109918573A (zh) 一种基于位置社交网络的个性化线路推荐***和方法
CN105718576B (zh) 与地理特征相关的个性化位置推荐***
Yamaguchi et al. Landmark-based user location inference in social media
CN106605418A (zh) 使用基于位置的服务的移动客户端的电力管理
KR20120105556A (ko) 가상 세계
Zhu et al. SEM-PPA: A semantical pattern and preference-aware service mining method for personalized point of interest recommendation
Liu et al. Where your photo is taken: Geolocation prediction for social images
Zhang et al. A context-awareness personalized tourist attraction recommendation algorithm
Umair et al. Discovering personal places from location traces
Wang et al. ST-SAGE: A spatial-temporal sparse additive generative model for spatial item recommendation
Reddy et al. An enhanced travel package recommendation system based on location dependent social data
Lin et al. Successive poi recommendation with category transition and temporal influence

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20161012

RJ01 Rejection of invention patent application after publication