CN107798557B - 电子装置、基于lbs数据的服务场所推荐方法及存储介质 - Google Patents
电子装置、基于lbs数据的服务场所推荐方法及存储介质 Download PDFInfo
- Publication number
- CN107798557B CN107798557B CN201710916517.9A CN201710916517A CN107798557B CN 107798557 B CN107798557 B CN 107798557B CN 201710916517 A CN201710916517 A CN 201710916517A CN 107798557 B CN107798557 B CN 107798557B
- Authority
- CN
- China
- Prior art keywords
- user
- predetermined
- data
- service
- recommendation
- 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.)
- Active
Links
Images
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0261—Targeted advertisements based on user location
-
- 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
-
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于LBS数据的服务场所推荐方法。该方法包括:从预先确定的数据库中获取各个用户在预设时间内对应的LBS数据,对获取的LBS数据进行聚类分析,以分别分析出各个用户对应的至少一种行为轨迹数据;分析各个用户的行为轨迹数据,以分析得到各个用户之间的相似度;基于各个用户之间的相似度,对各个用户进行聚类,以得到不同的用户群体;分析同一用户群体中所有用户的LBS数据,以分析出该用户群体中所有用户偏好的行为轨迹,并基于分析出的所有用户偏好的行为轨迹向预先确定的终端发送针对该用户群体中的用户的行为轨迹上的服务场所推荐指令。本发明可以为用户提供更准确的推荐,同时提高LBS数据应用的精准性。
Description
技术领域
本发明涉及互联网数据处理领域,尤其涉及一种电子装置、基于LBS数据的服务场所推荐方法及存储介质。
背景技术
随着互联网的发展,用户的兴趣越来越广泛,且随着用户所处环境及生活水平的改变,用户的需求也在发生改变。因此,如何更好地理解和分析用户的行为,为用户提供针对其需求的服务变得至关重要。
目前,基于LBS(Location Based Services,基于位置的服务)数据的应用仅限于根据获取到的移动终端用户当前的LBS数据来分析判断用户所在的地点周围的地理信息,并结合用户周围的地理信息推荐周围相应的商品至用户。例如,找到手机用户的当前地理位置为上海市的某街道,然后在该街道固定平方公里范围内寻找手机用户当前位置处1公里范围内的宾馆、影院、图书馆、加油站等服务场所的名称和地址,并推荐给该用户。这种推荐方式非常方便,但是在应用上来说,不能完全满足用户的需求,且推荐的服务场所不一定是用户急需的。因此,具有一定的局限性。
发明内容
有鉴于此,本发明提出一种电子装置、基于LBS数据的服务场所推荐方法及存储介质,能够利用海量的LBS数据分析得出用户偏好的行为轨迹,并基于用户偏好的行为轨迹进行服务场所推荐,提高了推荐的精准性,并提高了对LBS数据应用的局限性。
首先,为实现上述目的,本发明提出一种电子装置,所述电子装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于LBS数据的服务场所推荐***,所述基于LBS数据的服务场所推荐***被所述处理器执行时实现如下步骤:
A、若需要对各个预先确定的的用户进行服务场所推荐,或者,若收到一个预先确定的用户的终端发出的服务场所推荐请求,则从预先确定的数据库中获取各个预先确定的用户在预设时间内对应的LBS数据,利用预先确定的第一聚类算法对获取的各个用户的LBS数据进行聚类分析,以分别分析出各个用户对应的至少一种行为轨迹数据;
B、根据预先确定的相似度分析规则分析各个用户的行为轨迹数据,以分析得到各个用户之间的相似度;
C、基于各个用户之间的相似度,利用预先确定的第二聚类算法对各个用户进行聚类,以得到不同的用户群体,所述相似度大于预设阈值的用户分至同一用户群体,所述相似度小于或者等于预设阈值的用户分至不同的用户群体;
D、利用预先确定的服务场所推荐模型分析各个预先确定的用户所属的用户群体中所有用户的LBS数据,分析出各个预先确定的用户偏好的行为轨迹,并向预先确定的终端发送各个预先确定的用户偏好的行为轨迹上的服务场所的推荐指令,或者,利用预先确定的服务场所推荐模型分析出所述推荐请求的用户所属的用户群体中所有用户的LBS数据,确定出该用户偏好的行为轨迹,并向预先确定的终端发送该用户偏好的行为轨迹上的服务场所的推荐指令。
进一步地,所述预先确定的数据库包括从所有移动终端用户的定位服务***中获取到的移动定位数据及提供的与位置相关的服务数据,所述LBS数据包括地理位置信息数据、及提供的与所述地理位置信息数据相关的各类服务数据,所述行为轨迹数据包括行程类型轨迹数据、及/或,娱乐类型轨迹数据;所述行程类型轨迹数据包括行程时间和行程标识,所述娱乐类型轨迹数据包括娱乐时间和地址标识。
进一步地,所述预先确定的第一聚类算法包括基于密度的聚类算法;所述预先确定的相似度分析规则包括余弦夹角相似法、欧几里德距离度量法、或皮尔逊相关系数法;所述预先确定的第二聚类算法包括基于原形的目标函数聚类算法、基于密度的聚类算法、或基于层次的聚类算法。
进一步地,所述预先确定的服务场所推荐模型为协同过滤推荐模型。
进一步地,所述基于LBS数据的服务场所推荐***被所述处理器执行时还实现如下步骤:
跟踪接收到推荐指令的用户的LBS数据,并分析跟踪到的用户的LBS数据与所推荐的该用户偏好的行为轨迹上的服务场所之间的匹配度,若跟踪到的用户的LBS数据与所推荐的该用户偏好的行为轨迹上的服务场所之间的匹配度小于或等于预设的匹配阈值,则重复执行步骤B和步骤C。
此外,为实现上述目的,本发明还提供一种基于LBS数据的服务场所推荐方法,该方法包括如下步骤:
S1、若需要对各个预先确定的的用户进行服务场所推荐,或者,若收到一个预先确定的用户的终端发出的服务场所推荐请求,则从预先确定的数据库中获取各个预先确定的用户在预设时间内对应的LBS数据,利用预先确定的第一聚类算法对获取的各个用户的LBS数据进行聚类分析,以分别分析出各个用户对应的至少一种行为轨迹数据;
S2、根据预先确定的相似度分析规则分析各个用户的行为轨迹数据,以分析得到各个用户之间的相似度;
S3、基于各个用户之间的相似度,利用预先确定的第二聚类算法对各个用户进行聚类,以得到不同的用户群体,所述相似度大于预设阈值的用户分至同一用户群体,所述相似度小于或者等于预设阈值的用户分至不同的用户群体;
S4、利用预先确定的服务场所推荐模型分析各个预先确定的用户所属的用户群体中所有用户的LBS数据,分析出各个预先确定的用户偏好的行为轨迹,并向预先确定的终端发送各个预先确定的用户偏好的行为轨迹上的服务场所的推荐指令,或者,利用预先确定的服务场所推荐模型分析出所述推荐请求的用户所属的用户群体中所有用户的LBS数据,确定出该用户偏好的行为轨迹,并向预先确定的终端发送该用户偏好的行为轨迹上的服务场所的推荐指令。
进一步地,所述预先确定的数据库包括从所有移动终端用户的定位服务***中获取到的移动定位数据及提供的与位置相关的服务数据,所述LBS数据包括地理位置信息数据、及提供的与所述地理位置信息数据相关的各类服务数据,所述行为轨迹数据包括行程类型轨迹数据、及/或,娱乐类型轨迹数据;所述行程类型轨迹数据包括行程时间和行程标识,所述娱乐类型轨迹数据包括娱乐时间和地址标识。
进一步地,所述预先确定的第一聚类算法包括基于密度的聚类算法;所述预先确定的相似度分析规则包括余弦夹角相似法、欧几里德距离度量法、或皮尔逊相关系数法;所述预先确定的第二聚类算法包括基于原形的目标函数聚类算法、基于密度的聚类算法、或基于层次的聚类算法。
进一步地,所述预先确定的服务场所推荐模型为协同过滤推荐模型。
进一步地,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有基于LBS数据的服务场所推荐***,所述基于LBS数据的服务场所推荐***可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于LBS数据的服务场所推荐方法的步骤。
相较于现有技术,本发明所提出的电子装置、基于LBS数据的个性化推荐方法及计算机可读存储介质,首先,从预先确定的数据库中获取各个用户在预设时间内对应的LBS数据,对获取的LBS数据进行聚类分析,以分别分析出各个用户分别对应的至少一种行为轨迹数据;其次,分析各个用户的行为轨迹数据,以分析得到各个用户之间的相似度;再次,基于各个用户之间的相似度,对各个用户进行聚类,以得到不同的用户群体;最后,分析同一用户群体中所有用户的LBS数据,以分析出该用户群体中所有用户偏好的行为轨迹,并基于分析出的所有用户偏好的行为轨迹,向预先确定的终端发送针对该用户群体中的用户的行为轨迹上的服务场所推荐指令。这样,既可以避免现有技术中对LBS数据应用的局限性的弊端,也可以提高推荐的精准性。
附图说明
图1是本发明各个实施例一可选的应用环境示意图;
图2是图1中电子装置一可选的硬件架构的示意图;
图3是本发明基于LBS数据的服务场所推荐***一实施例的程序模块示意图;
图4是本发明基于LBS数据的服务场所推荐***另一实施例的程序模块示意图;
图5是本发明基于LBS数据的服务场所推荐方法一实施例的实施流程示意图;
图6是本发明基于LBS数据的服务场所推荐方法另一实施例的实施流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参阅图1所示,是本发明各个实施例一可选的应用环境示意图。
在本实施例中,本发明可应用于包括,但不仅限于,移动终端1、电子装置2、网络3的应用环境中。
其中,移动终端1可以是移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的可移动设备,以及诸如数字TV、台式计算机、笔记本、服务器等等的固定终端。
电子装置2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备,且电子装置2可以是独立的服务器,也可以是多个服务器所组成的服务器集群。
网络3可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯***(Global System of Mobile communication,GSM)、宽带码分多址(Wideband CodeDivision Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
参阅图2所示,是图1中电子装置2一可选的硬件架构的示意图。本实施例中,电子装置2可包括,但不仅限于,可通过***总线相互通信连接存储器11、处理器12、网络接口13。需要指出的是,图2仅示出了具有组件11-13的电子装置2,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
其中,存储器11至少包括一种类型的可读存储介质,可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器11可以电子装置2的内部存储单元,例如电子装置2的硬盘或内存。在另一些实施例中,存储器11也可以是电子装置2的外部存储设备,例如电子装置2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器11还可以既包括电子装置2的内部存储单元也包括其外部存储设备。本实施例中,存储器11通常用于存储安装于电子装置2的操作***和各类应用软件,例如基于LBS数据的服务场所推荐***200的程序代码等。此外,存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。处理器12通常用于控制电子装置2的总体操作,例如执行与移动终端1进行数据交互或者通信相关的控制和处理等。本实施例中,处理器12用于运行存储器11中存储的程序代码或者处理数据,例如运行的基于LBS数据的服务场所推荐***200等。
网络接口13可包括无线网络接口或有线网络接口,网络接口13通常用于在电子装置2与其他电子设备之间建立通信连接。本实施例中,网络接口13主要用于通过网络3将电子装置2与一个或多个移动终端1相连,在电子装置2与一个或多个移动终端1之间的建立数据传输通道和通信连接。
至此,己经详细介绍了本发明各个实施例的应用环境和相关设备的硬件结构和功能。下面,将基于上述应用环境和相关设备,提出本发明的各个实施例。
首先,本发明提出一种基于LBS数据的服务场所推荐***200。
参阅图3所示,是本发明基于LBS数据的服务场所推荐***200一实施例的程序模块图。本实施例中,基于LBS数据的服务场所推荐***200可以被分割成一个或多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例中为处理器12)所执行,以完成本发明。例如,在图3中,基于LBS数据的服务场所推荐***200可以被分割成获取模块201、第一分析模块202、聚类模块203、以及第二分析模块204。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述基于LBS数据的服务场所推荐***200在电子装置2中的执行过程。以下将就各程序模块201-204的功能进行详细描述。
获取模块201,用于在若需要对各个预先确定的移动终端用户进行服务场所推荐,或者,若收到一个预先确定的移动终端发出的服务场所推荐请求,则从预先确定的数据库中获取各个预先确定的用户在预设时间内对应的LBS数据,利用预先确定的第一聚类算法对获取的各个用户的LBS数据进行聚类分析,以分别分析出各个用户对应的至少一种行为轨迹数据。
其中,LBS数据包括地理位置信息数据、及提供的与地理位置信息数据相关的各类服务信息数据,行为轨迹数据包括行程类型轨迹数据、及/或,娱乐类型轨迹数据;行程类型轨迹数据包括行程时间和行程标识(例如,中午某个时间段经常去某家餐馆吃午饭),娱乐类型轨迹数据包括娱乐时间和地址标识(例如,周末去确定的地点旅游)。
通常,移动定位服务***用来找到移动终端用户的当前地理位置,并搜索离当前地理位置一定范围内的可提供服务的场所的名称和地址(例如,宾馆、影院、图书馆、加油站等的名称和地址),然后推荐搜索到的相关名称和地址给移动终端用户,以使移动终端用户根据推荐的名称和地址选择对应的服务。其中,当移动终端用户选择服务后,移动定位服务***会记录用户的当前地理位置(即所述地理位置信息数据)和所选择的服务(即所述相关的服务信息数据),并存储于数据库中。故,本实施例中,所述获取模块201可以从所述数据库中获取所述移动终端用户的LBS数据(即所述地理位置信息数据和提供的与所述地理位置信息数据相关的服务信息数据)。
然后,利用预先确定的第一聚类算法对获取的各个用户的LBS数据进行聚类分析,以分别分析出各个用户对应的至少一种行为轨迹数据,在本实施例,预先确定的第一聚类算法为基于密度的聚类算法(例如,DBSCAN聚类算法)。
进一步地,以获取的用户A的LBS数据为例说明具体的聚类分析过程,首先,需要预定义核心点,核心点密度可达的区域,以及密度可达区域的边界点,在本实施例中,以获取到的用户A在预设时间间隔内经常定位过的某一地理位置为核心点,例如,用户A在一个月内在中午12点钟定位餐厅E的第一次数超过了预设的次数(20次),则以该餐厅B的地理位置为核心点,若在预设的时间内(一个月内)若地理位置F被用户A定位过的第二次数大于或等于第一次数,则该地理位置F为核心点B密度可达区域中的点,由各个核心点密度可达区域中的点构成的区域为核心点密度可达的区域,若在预设的时间内若地理位置G被用户A定位过的第三次数等于第一次数,则该地理位置G为密度可达区域的边界点,这样,就可以获得用户A在预设时间内频繁定位过的场所,进而根据频繁定位过的场所得到用户A的行为轨迹数据,例如,中午某个时间段经常去某家餐馆吃午饭,或者,周末去确定的地点旅游等。
第一分析模块202,用于根据预先确定的相似度分析规则分析各个用户的行为轨迹数据,以分析得到各个用户之间的相似度。
其中,在不同的实施例中预先确定的相似度分析规则可以为余弦夹角相似法、欧几里德距离度量法、或皮尔逊相关系数法。
例如,在一实施例中,以欧几里德距离度量法为例来说明,其中,欧几里德距离度量法采用如下公式来计算相似度:
需要说明的是,上述公式中的x和y分别为归一化之后的向量,上述公式的结果即为向量x和向量y的相似度,在本实施例中,例如,分析用户A与用户B之间的相似度,则将用户A的行为轨迹数据按照预设的归一化方式进行归一化处理后得到上述公式中的第一向量x,将用户B的行为轨迹数据按照预设的归一化方式进行归一化处理后,得到上述公式中的第二向量y,然后将第一向量x与第二向量y分别代入上述相似度的计算公式,计算得到用户A与用户B之间的相似度。
聚类模块203,用于基于各个用户之间的相似度,利用预先确定的第二聚类算法对各个用户进行聚类,以得不同的用户群体,相似度大于预设阈值的用户分至同一用户群体,相似度小于或者等于预设阈值的用户分至不同的用户群体。
其中,预先确定的第二聚类算法包括基于原形的目标函数聚类算法(例如,k-means)、基于密度的聚类算法(例如,DBSCAN)、或基于层次的聚类算法(例如,Hiearchical)。
第二分析模块204,用于利用预先确定的服务场所推荐模型分析各个预先确定的用户所属的用户群体中所有用户的LBS数据,分析出各个预先确定的用户偏好的行为轨迹,并向预先确定的终端发送各个预先确定的用户偏好的行为轨迹上的服务场所的推荐指令,或者,利用预先确定的服务场所推荐模型分析出推荐请求的用户所属的用户群体中所有用户的LBS数据,确定出该用户偏好的行为轨迹,并向预先确定的终端发送该用户偏好的行为轨迹上的服务场所的推荐指令。
其中,预先确定的服务场所推荐模型为协同过滤推荐模型,且服务场所推荐模型的建立包括模型的训练过程和模型的测试过程。
具体地,模型的训练过程包括:
获取预设数量(例如,100个)的相似用户的LBS数据样本,将各个相似用户的LBS数据样本分为对应的第一比例的训练集和第二比例的测试集;
利用训练集中的各个相似用户的LBS数据训练服务场所推荐模型,以得到训练好的服务场所推荐模型;
利用测试集中各个相似用户的LBS数据对服务场所推荐模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加训练集中的相似用户的LBS数据样本并重新执行上述训练服务场所推荐模型的步骤。
模型的测试过程包括:
利用训练好的服务场所推荐模型对测试集中的各个相似用户的LBS数据进行分析,以得出各个相似用户偏好的行为轨迹;
将所得出的各个相似用户偏好的行为轨迹与各个相似用户经常活动的行为轨迹进行对比,若对应偏好的行为轨迹与经常活动的行为轨迹对应一致的用户数量超过预设的百分比阈值(例如,70%),则确定对服务场所推荐模型的测试通过,或者,若对应偏好的行为轨迹与经常活动的行为轨迹对应一致的用户数量小于或等于预设百分比阈值,则确定对服务场所推荐模型的测试不通过。
参阅图4所示,是本发明基于LBS数据的服务场所推荐***另一实施例的功能模块图。由图4可知,本实施例相较于图3所示的实施例,在本实施例中,基于LBS数据的服务场所推荐***还可被分割为包括跟踪模块205,所述跟踪模块205用于跟踪接收到推荐指令的用户的LBS数据,并分析跟踪到的用户的LBS数据与所推荐的该用户偏好的行为轨迹上的服务场所之间的匹配度,若跟踪到的用户的LBS数据与所推荐的该用户偏好的行为轨迹上的服务场所之间的匹配度小于或等于预设的匹配阈值,则针对第一分析模块202及聚类模块203发出重新启动命令。
具体地,第二分析模块204向预先确定的终端发出针对该用户的服务场所行为轨迹推荐指令后,启动跟踪模块205跟踪该用户的LBS数据,并根据预先确定的用户的LBS数据与行为轨迹之间的映射关系,分析跟踪到的该用户的LBS数据与所推荐的服务场所行为轨迹之间的匹配度,进一步确定服务场所推荐模型推荐的准确性。
可以理解地,若分析得出跟踪到的该用户的LBS数据与所推荐的服务场所行为轨迹之间的匹配度大于预设的匹配阈值,则确定该服务场所推荐模型针对该用户的服务场所推荐准确,可以进一步地对与该用户属于同一客户群体的其他用户进行相关的服务场所推荐。
需要说明的是,在本发明的另一些实施例中,还包括第三分析模块(图中均为示出),用于在分析各个用户之间的相似度之前,利用预先确定的频繁项集算法对各个用户的行为轨迹数据进行分析,以分析得到各个用户的生活习惯特征。
其中,预先确定的频繁项集分析规则包括FP-tree匹配分析算法。具体地,FP-tree匹配分析算法包括FP-tree匹配模型的构造过程及挖掘频繁模式的过程。
FP-tree匹配模型的构造过程包括,首先,构建由各个用户的行为轨迹数据组成的数据库DB(也叫条件投影数据库)及预设一个最小支持度,其次,根据数据库DB及最小支持度输出投影FP-tree,不断地对输出的FP-tree通过迭代上述构建步骤,直到构造的新FP-tree为空集,或者新FP-tree只包含一条路径(例如,只有一条行为轨迹数据),则说明对FP-tree匹配模型的构造过程结束,挖掘频繁模式的过程为,当构造的FP-tree为空时,其前缀即为频繁模式;当只包含一条路径时,通过枚举所有可能组合与此书的前缀连接即可得到频繁模式。可以理解地,在分析出各个用户的生活习惯特征之后,第一分析模块202利用预先确定的相似度分析规则分析各个用户的生活习惯特征(例如,用户A习惯周末去特定的地点做运动,用户B习惯周末去特定商场购物等),以分析得到各个用户之间的相似度。
参阅图5所示,是本发明基于LBS数据服务场所推荐方法一实施例的实施流程示意图。由图5可知,在本实施例中,基于LBS数据服务场所推荐方法包括步骤S301至步骤S304。
S301,用于在若需要对各个预先确定的移动终端用户进行服务场所推荐,或者,若收到一个预先确定的移动终端发出的服务场所推荐请求,则从预先确定的数据库中获取各个预先确定的用户在预设时间内对应的LBS数据,利用预先确定的第一聚类算法对获取的各个用户的LBS数据进行聚类分析,以分别分析出各个用户对应的至少一种行为轨迹数据。
其中,LBS数据包括地理位置信息数据、及提供的与地理位置信息数据相关的各类服务信息数据,行为轨迹数据包括行程类型轨迹数据、及/或,娱乐类型轨迹数据;行程类型轨迹数据包括行程时间和行程标识(例如,中午某个时间段经常去某家餐馆吃午饭),娱乐类型轨迹数据包括娱乐时间和地址标识(例如,周末去确定的地点旅游)。
通常,移动定位服务***用来找到移动终端用户的当前地理位置,并搜索离当前地理位置一定范围内的可提供服务的场所的名称和地址(例如,宾馆、影院、图书馆、加油站等的名称和地址),然后推荐搜索到的相关名称和地址给移动终端用户,以使移动终端用户根据推荐的名称和地址选择对应的服务。其中,当移动终端用户选择服务后,移动定位服务***会记录用户的当前地理位置(即所述地理位置信息数据)和所选择的服务(即所述相关的服务信息数据),并存储于数据库中。故,本实施例中,所述获取模块201可以从所述数据库中获取所述移动终端用户的LBS数据(即所述地理位置信息数据和提供的与所述地理位置信息数据相关的服务信息数据)。
然后,利用预先确定的第一聚类算法对获取的各个用户的LBS数据进行聚类分析,以分别分析出各个用户对应的至少一种行为轨迹数据,在本实施例,预先确定的第一聚类算法为基于密度的聚类算法(例如,DBSCAN聚类算法)。
进一步地,以获取的用户A的LBS数据为例说明具体的聚类分析过程,首先,需要预定义核心点,核心点密度可达的区域,以及密度可达区域的边界点,在本实施例中,以获取到的用户A在预设时间间隔内经常定位过的某一地理位置为核心点,例如,用户A在一个月内在中午12点钟定位餐厅E的第一次数超过了预设的次数(20次),则以该餐厅E的地理位置为核心点,若在预设的时间内(一个月内)若地理位置F被用户A定位过的第二次数大于或等于第一次数,则该地理位置F为核心点B密度可达区域中的点,由各个核心点密度可达区域中的点构成的区域为核心点密度可达区域,若在预设的时间内地理位置G被用户A定位过的第三次数等于第一次数,则该地理位置G为密度可达区域的边界点,这样,就可以获得用户A在预设时间内频繁定位过的场所,进而根据频繁定位过的场所得到用户A的行为轨迹数据,例如,中午某个时间段经常去某家餐馆吃午饭,或者,周末去确定的地点旅游等。
S302,根据预先确定的相似度分析规则分析各个用户的行为轨迹数据,以分析得到各个用户之间的相似度。
其中,在不同的实施例中预先确定的相似度分析规则可以为余弦夹角相似法、欧几里德距离度量法、或皮尔逊相关系数法。
例如,在一实施例中,以欧几里德距离度量法为例来说明,其中,欧几里德距离度量法采用如下公式来计算相似度:
需要说明的是,上述公式中的x和y分别为归一化之后的向量,上述公式的结果即为向量x和向量y的相似度,在本实施例中,例如,分析用户A与用户B之间的相似度,则将用户A的行为轨迹数据按照预设的归一化方式进行归一化处理后得到上述公式中的第一向量x,将用户B的行为轨迹数据按照预设的归一化方式进行归一化处理后,得到上述公式中的第二向量y,然后将第一向量x与第二向量y分别代入上述相似度的计算公式,计算得到用户A与用户B之间的相似度。
S303,基于各个用户之间的相似度,利用预先确定的第二聚类算法对各个用户进行聚类,以得到不同的用户群体,相似度大于预设阈值的用户分至同一用户群体,相似度小于或者等于预设阈值的用户分至不同的用户群体。
其中,预先确定的第二聚类算法包括基于原形的目标函数聚类算法(例如,k-means)、基于密度的聚类算法(例如,DBSCAN)、或基于层次的聚类算法(例如,Hiearchical)。
S304,利用预先确定的服务场所推荐模型分析各个预先确定的用户所属的用户群体中所有用户的LBS数据,分析出各个预先确定的用户偏好的行为轨迹,并向预先确定的终端发送各个预先确定的用户偏好的行为轨迹上的服务场所的推荐指令。
其中,预先确定的服务场所推荐模型为协同过滤推荐模型,且服务场所推荐模型的建立包括模型的训练过程和模型的测试过程。
具体地,模型的训练过程包括:
获取预设数量(例如,100个)的相似用户的LBS数据样本,将各个相似用户的LBS数据样本分为对应的第一比例的训练集和第二比例的测试集;
利用训练集中的各个相似用户的LBS数据训练服务场所推荐模型,以得到训练好的服务场所推荐模型;
利用测试集中各个相似用户的LBS数据对服务场所推荐模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加训练集中的相似用户的LBS数据样本并重新执行上述训练服务场所推荐模型的步骤。
模型的测试过程包括:
利用训练好的服务场所推荐模型对测试集中的各个相似用户的LBS数据进行分析,以得出各个相似用户偏好的行为轨迹;
将所得出的各个相似用户偏好的行为轨迹与各个相似用户经常活动的行为轨迹进行对比,若对应偏好的行为轨迹与经常活动的行为轨迹对应一致的用户数量超过预设的百分比阈值(例如,70%),则确定对服务场所推荐模型的测试通过,或者,若对应偏好的行为轨迹与经常活动的行为轨迹对应一致的用户数量小于或等于预设百分比阈值,则确定对服务场所推荐模型的测试不通过。
参阅图6所示,为本发明基于LBS数据的服务场所推荐方法另一实施例的实施流程示意图。由图6可知,相较于图5所示的实施例,本实施例的基于LBS数据的服务场所推荐方法包括步骤S401至步骤S403。
步骤S401,若收到一个预先确定的终端用户发出的服务场所推荐指令,则从预先确定的数据库中获取各个预先确定的用户在预设时间内对应的LBS数据,利用预先确定的第一聚类算法对获取的各个用户的LBS数据进行聚类分析,以分别分析出各个用户对应的至少一种行为轨迹数据。
步骤S402,根据预先确定的相似度分析规则分析各个用户的行为轨迹数据,以分析得到各个用户之间的相似度。
步骤S403,基于各个用户之间的相似度,利用预先确定的第二聚类算法对各个用户进行聚类,以得到不同的用户群体,相似度大于预设阈值的用户分至同一用户群体,相似度小于或者等于预设阈值的用户分至不同的用户群体。
步骤S404,利用预先确定的服务场所推荐模型分析出推荐请求的用户所属的用户群体中所有用户的LBS数据,分析出该用户偏好的行为轨迹,并向预先确定的终端发送该用户偏好的行为轨迹上的服务场所的推荐指令。
需要说明的是,在本发明的其他一些实施例中,还包括步骤S405(图中未示出),跟踪接收到推荐指令的用户的LBS数据,并分析跟踪到的用户的LBS数据与所推荐的该用户偏好的行为轨迹上的服务场所之间的匹配度,若跟踪到的用户的LBS数据与所推荐的该用户偏好的行为轨迹上的服务场所之间的匹配度小于或等于预设的匹配阈值,则重复执行步骤S402及步骤S403。
具体地,在执行完向预先确定的终端发出针对该用户的服务场所行为轨迹推荐指令后,发出跟踪该用户的LBS数据的指令,并分析跟踪到的该用户的LBS数据与所推荐的服务场所行为轨迹之间的匹配度,进一步确定服务场所推荐模型的推荐是否准确。
可以理解地,若分析得出跟踪到的该用户的LBS数据与所推荐的服务场所行为轨迹之间的匹配度大于预设的匹配阈值,则确定该服务场所推荐模型针对该用户的服务场所推荐准确,可以进一步地对与该用户属于同一客户群体的其他用户进行相关的服务场所推荐。
进一步需要说明的是,在本发明的另一些实施例中,在分析各个用户之间的相似度的步骤之前,还包括步骤利用预先确定的频繁项集算法对各个用户的行为轨迹数据进行分析,以分析得到各个用户的生活习惯特征(图中均未示出)。
其中,预先确定的频繁项集分析规则包括FP-tree匹配分析算法。具体地,FP-tree匹配分析算法包括FP-tree匹配模型的构造过程及挖掘频繁模式的过程。
FP-tree匹配模型的构造过程包括,首先,构建由各个用户的行为轨迹数据组成的数据库DB(也叫条件投影数据库)及预设一个最小支持度,其次,根据数据库DB及最小支持度输出投影FP-tree,不断地对输出的FP-tree通过迭代上述构建步骤,直到构造的新FP-tree为空集,或者新FP-tree只包含一条路径(例如,只有一条行为轨迹数据),则说明对FP-tree匹配模型的构造过程结束,挖掘频繁模式的过程为,当构造的FP-tree为空时,其前缀即为频繁模式;当只包含一条路径时,通过枚举所有可能组合与此树的前缀连接即可得到频繁模式。
可以理解地,在分析出各个用户的生活习惯特征之后,利用预先确定的相似度分析规则分析各个用户的生活习惯特征(例如,用户A习惯周末去特定的地点做运动,用户B习惯周末去特定商场购物等),以分析得到各个用户之间的相似度。
通过上述各个实施例可知,本发明的电子装置、基于用户LBS数据的服务场所推荐方法及存储介质,首先,通过从预先确定的数据库中获取各个用户在预设时间内对应的LBS数据,利用预先确定的第一聚类算法对所获取的LBS数据进行聚类分析,以分析出各个用户分别对应的至少一种行为轨迹数据;然后,根据预先确定的相似度分析规则分析各个用户的行为轨迹数据,以分析得到各个用户之间的相似度;接着,将分析得到的各个用户之间的相似度代入预先确定的第二聚类算法进行聚类分析,以定义出分别由相识用户组成的不同用户群体;最后,利用预先确定的服务场所推荐模型分析带有标识信息的用户所属的用户群体中各个用户的LBS数据,以分析出该用户偏好的行为轨迹,并基于该用户偏好的行为轨迹向预先确定的终端发送针对该用户的服务场所行为轨迹推荐指令。这样,既可以避免现有技术中对LBS数据应用的局限性的弊端,也可以提高推荐的精准性。
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。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种电子装置,其特征在于,所述电子装置包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的基于LBS数据的服务场所推荐程序,所述基于LBS数据的服务场所推荐程序被所述处理器执行时实现如下步骤:
A、若需要对各个预先确定的用户进行服务场所推荐,或者,若收到一个预先确定的用户的终端发出的服务场所推荐请求,则从预先确定的数据库中获取各个预先确定的用户在预设时间内对应的LBS数据,利用预先确定的第一聚类算法对获取的各个用户的LBS数据进行聚类分析,以分别分析出各个用户对应的至少一种行为轨迹数据;
B、利用预先确定的频繁项集算法对各个用户的行为轨迹数据进行分析,以分析得到各个用户的生活习惯特征,预先确定的频繁项集分析规则包括FP-tree匹配分析算法,在分析出各个用户的生活习惯特征之后,根据预先确定的相似度分析规则分析各个用户的生活习惯特征,以分析得到各个用户之间的相似度;
C、基于各个用户之间的相似度,利用预先确定的第二聚类算法对各个用户进行聚类,以得到不同的用户群体,所述相似度大于预设阈值的用户分至同一用户群体,所述相似度小于或者等于预设阈值的用户分至不同的用户群体;
D、利用预先确定的服务场所推荐模型分析各个预先确定的用户所属的用户群体中所有用户的LBS数据,分析出各个预先确定的用户偏好的行为轨迹,并向预先确定的终端发送各个预先确定的用户偏好的行为轨迹上的服务场所的推荐指令,或者,利用预先确定的服务场所推荐模型分析出所述推荐请求的用户所属的用户群体中所有用户的LBS数据,确定出该用户偏好的行为轨迹,并向预先确定的终端发送该用户偏好的行为轨迹上的服务场所的推荐指令;
所述基于LBS数据的服务场所推荐程序被所述处理器执行时还实现如下步骤:
跟踪接收到推荐指令的用户的LBS数据,并分析跟踪到的用户的LBS数据与所推荐的该用户偏好的行为轨迹上的服务场所之间的匹配度,若跟踪到的用户的LBS数据与所推荐的该用户偏好的行为轨迹上的服务场所之间的匹配度小于或等于预设的匹配阈值,则重复执行步骤B和步骤C。
2.如权利要求1所述的电子装置,其特征在于,所述预先确定的数据库包括从所有移动终端用户的定位服务程序中获取到的移动定位数据及提供的与位置相关的服务数据,所述LBS数据包括地理位置信息数据、及提供的与所述地理位置信息数据相关的各类服务数据,所述行为轨迹数据包括行程类型轨迹数据、及/或,娱乐类型轨迹数据;所述行程类型轨迹数据包括行程时间和行程标识,所述娱乐类型轨迹数据包括娱乐时间和地址标识。
3.如权利要求1所述的电子装置,其特征在于,所述预先确定的第一聚类算法包括基于密度的聚类算法;所述预先确定的相似度分析规则包括余弦夹角相似法、欧几里德距离度量法、或皮尔逊相关系数法;所述预先确定的第二聚类算法包括基于原型的目标函数聚类算法、基于密度的聚类算法、或基于层次的聚类算法。
4.如权利要求1所述的电子装置,其特征在于,所述预先确定的服务场所推荐模型为协同过滤推荐模型。
5.一种基于LBS数据的服务场所推荐方法,其特征在于,所述方法包括如下步骤:
S1、若需要对各个预先确定的用户进行服务场所推荐,或者,若收到一个预先确定的用户的终端发出的服务场所推荐请求,则从预先确定的数据库中获取各个预先确定的用户在预设时间内对应的LBS数据,利用预先确定的第一聚类算法对获取的各个用户的LBS数据进行聚类分析,以分别分析出各个用户对应的至少一种行为轨迹数据;
S2、利用预先确定的频繁项集算法对各个用户的行为轨迹数据进行分析,以分析得到各个用户的生活习惯特征,预先确定的频繁项集分析规则包括FP-tree匹配分析算法,在分析出各个用户的生活习惯特征之后,根据预先确定的相似度分析规则分析各个用户的生活习惯特征,以分析得到各个用户之间的相似度;
S3、基于各个用户之间的相似度,利用预先确定的第二聚类算法对各个用户进行聚类,以得到不同的用户群体,所述相似度大于预设阈值的用户分至同一用户群体,所述相似度小于或者等于预设阈值的用户分至不同的用户群体;
S4、利用预先确定的服务场所推荐模型分析各个预先确定的用户所属的用户群体中所有用户的LBS数据,分析出各个预先确定的用户偏好的行为轨迹,并向预先确定的终端发送各个预先确定的用户偏好的行为轨迹上的服务场所的推荐指令,或者,利用预先确定的服务场所推荐模型分析出所述推荐请求的用户所属的用户群体中所有用户的LBS数据,确定出该用户偏好的行为轨迹,并向预先确定的终端发送该用户偏好的行为轨迹上的服务场所的推荐指令;
所述方法还包括如下步骤:
跟踪接收到推荐指令的用户的LBS数据,并分析跟踪到的用户的LBS数据与所推荐的该用户偏好的行为轨迹上的服务场所之间的匹配度,若跟踪到的用户的LBS数据与所推荐的该用户偏好的行为轨迹上的服务场所之间的匹配度小于或等于预设的匹配阈值,则重复执行步骤S3和步骤S4。
6.如权利要求5所述的基于LBS数据的服务场所推荐方法,其特征在于,所述预先确定的数据库包括从所有移动终端用户的定位服务程序中获取到的移动定位数据及提供的与位置相关的服务数据,所述LBS数据包括地理位置信息数据、及提供的与所述地理位置信息数据相关的各类服务数据,所述行为轨迹数据包括行程类型轨迹数据、及/或,娱乐类型轨迹数据;所述行程类型轨迹数据包括行程时间和行程标识,所述娱乐类型轨迹数据包括娱乐时间和地址标识。
7.如权利要求5所述的基于LBS数据的服务场所推荐方法,其特征在于,所述预先确定的第一聚类算法包括基于密度的聚类算法;所述预先确定的相似度分析规则包括余弦夹角相似法、欧几里德距离度量法、或皮尔逊相关系数法;所述预先确定的第二聚类算法包括基于原形的目标函数聚类算法、基于密度的聚类算法、或基于层次的聚类算法。
8.如权利要求5所述的基于LBS数据的服务场所推荐方法,其特征在于,所述预先确定的服务场所推荐模型为协同过滤推荐模型。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有基于LBS数据的服务场所推荐程序,所述基于LBS数据的服务场所推荐程序可被至少一个处理器执行,以使所述至少一个处理器执行如权利要求5-8中任一项所述的基于LBS数据的服务场所推荐方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916517.9A CN107798557B (zh) | 2017-09-30 | 2017-09-30 | 电子装置、基于lbs数据的服务场所推荐方法及存储介质 |
PCT/CN2017/108738 WO2019061656A1 (zh) | 2017-09-30 | 2017-10-31 | 电子装置、基于lbs数据的服务场所推荐方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916517.9A CN107798557B (zh) | 2017-09-30 | 2017-09-30 | 电子装置、基于lbs数据的服务场所推荐方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107798557A CN107798557A (zh) | 2018-03-13 |
CN107798557B true CN107798557B (zh) | 2020-09-25 |
Family
ID=61533085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710916517.9A Active CN107798557B (zh) | 2017-09-30 | 2017-09-30 | 电子装置、基于lbs数据的服务场所推荐方法及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107798557B (zh) |
WO (1) | WO2019061656A1 (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985950B (zh) * | 2018-07-13 | 2023-04-18 | 平安科技(深圳)有限公司 | 电子装置、用户骗保风险预警方法及存储介质 |
CN110874609B (zh) * | 2018-09-04 | 2022-08-16 | 武汉斗鱼网络科技有限公司 | 基于用户行为的用户聚类方法、存储介质、设备及*** |
CN110895588B (zh) * | 2018-09-13 | 2022-07-22 | ***通信有限公司研究院 | 一种数据处理方法及设备 |
CN109614556B (zh) * | 2018-10-31 | 2020-03-13 | 拉卡拉支付股份有限公司 | 访问路径预测、信息推送方法及装置 |
CN109829020B (zh) * | 2018-12-20 | 2023-04-07 | 平安科技(深圳)有限公司 | 地点资源数据推送方法、装置、计算机设备和存储介质 |
CN110309379B (zh) * | 2019-05-22 | 2023-07-25 | 中国平安人寿保险股份有限公司 | 产品推荐方法、装置、设备及计算机可读存储介质 |
CN110348990A (zh) * | 2019-06-19 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于用户出行轨迹的信贷额度调整方法、装置及电子设备 |
CN110750603B (zh) * | 2019-09-06 | 2022-08-12 | 日立楼宇技术(广州)有限公司 | 楼宇服务预测方法、装置、***、计算机设备和存储介质 |
CN110753102B (zh) * | 2019-10-15 | 2021-01-05 | 浙江口碑网络技术有限公司 | 基于地磁的服务信息推送方法及装置 |
CN110730432B (zh) * | 2019-10-21 | 2021-01-08 | 深圳市名通科技股份有限公司 | 邻近用户识别方法、终端及可读存储介质 |
CN111222686A (zh) * | 2019-11-21 | 2020-06-02 | 施甸县保施高速公路投资开发有限公司 | 优化高速公路服务区业态的方法 |
CN112348614A (zh) * | 2019-11-27 | 2021-02-09 | 北京京东尚科信息技术有限公司 | 用于推送信息的方法和装置 |
CN111177534A (zh) * | 2019-12-06 | 2020-05-19 | 南京欣网互联信息技术有限公司 | 一种基于互联网大数据的用户行为轨迹分析方法 |
CN110941278B (zh) * | 2019-12-20 | 2023-05-23 | 交控科技股份有限公司 | 一种站内动态安全分析方法 |
CN111209487B (zh) * | 2020-01-02 | 2020-10-27 | 平安科技(深圳)有限公司 | 用户数据分析方法、服务器及计算机可读存储介质 |
CN111523058B (zh) * | 2020-04-21 | 2023-11-03 | 北京嘀嘀无限科技发展有限公司 | 服务区域分析处理方法、装置、设备及存储介质 |
CN111814067B (zh) * | 2020-06-30 | 2024-03-15 | 北京百度网讯科技有限公司 | 好友推荐方法、装置、设备及存储介质 |
CN111881243B (zh) * | 2020-07-30 | 2024-04-02 | 河北工程大学 | 一种出租车轨迹热点区域分析方法及*** |
CN111882399A (zh) * | 2020-07-31 | 2020-11-03 | 平安国际融资租赁有限公司 | 服务信息推荐方法、装置、计算机***及可读存储介质 |
CN112069913B (zh) * | 2020-08-13 | 2024-04-30 | 东软集团股份有限公司 | 用户的识别方法、装置、存储介质和电子设备 |
CN112040024B (zh) * | 2020-08-28 | 2023-05-09 | 北京明略昭辉科技有限公司 | 数据处理方法、装置、设备及存储介质 |
CN112085099B (zh) * | 2020-09-09 | 2022-05-17 | 西南大学 | 一种分布式学生聚类集成方法及*** |
CN111949891B (zh) * | 2020-10-09 | 2021-06-15 | 广州斯沃德科技有限公司 | 一种基于车辆轨迹聚类的个性化信息推荐方法及*** |
CN112231392A (zh) * | 2020-10-29 | 2021-01-15 | 广东机场白云信息科技有限公司 | 民航客源数据分析方法、电子设备、计算机可读存储介质 |
CN112395500B (zh) * | 2020-11-17 | 2023-09-05 | 平安科技(深圳)有限公司 | 内容数据推荐方法、装置、计算机设备及存储介质 |
CN113310495B (zh) * | 2021-06-08 | 2022-07-12 | 湖南师范大学 | 一种室内定位方法、***、电子设备及可读存储介质 |
CN113379454A (zh) * | 2021-06-09 | 2021-09-10 | 北京房江湖科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN113254570B (zh) * | 2021-07-15 | 2021-10-01 | 浙江网商银行股份有限公司 | 数据识别方法以及装置 |
CN114036516A (zh) * | 2021-10-27 | 2022-02-11 | 西安电子科技大学 | 一种基于两阶段类比推理的未知敏感函数发现方法 |
CN114282126B (zh) * | 2022-03-01 | 2022-05-27 | 阿里健康科技(中国)有限公司 | 信息推荐方法、装置、介质及设备 |
CN115795318A (zh) * | 2022-11-17 | 2023-03-14 | 北京白龙马云行科技有限公司 | 用例对象的归类方法、模型训练方法、设备和存储介质 |
CN115659197A (zh) * | 2022-12-28 | 2023-01-31 | 湖南财政经济学院 | 数据安全监测模型训练方法及应用方法、装置和存储介质 |
Citations (4)
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 |
CN103116614A (zh) * | 2013-01-25 | 2013-05-22 | 北京奇艺世纪科技有限公司 | 一种基于用户轨迹的协同过滤推荐方法、装置及*** |
CN103747523A (zh) * | 2014-01-14 | 2014-04-23 | 上海河广信息科技有限公司 | 一种基于无线网络的用户位置预测***和方法 |
CN104765873A (zh) * | 2015-04-24 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 用户相似度确定方法和装置 |
-
2017
- 2017-09-30 CN CN201710916517.9A patent/CN107798557B/zh active Active
- 2017-10-31 WO PCT/CN2017/108738 patent/WO2019061656A1/zh active Application Filing
Patent Citations (4)
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 |
CN103116614A (zh) * | 2013-01-25 | 2013-05-22 | 北京奇艺世纪科技有限公司 | 一种基于用户轨迹的协同过滤推荐方法、装置及*** |
CN103747523A (zh) * | 2014-01-14 | 2014-04-23 | 上海河广信息科技有限公司 | 一种基于无线网络的用户位置预测***和方法 |
CN104765873A (zh) * | 2015-04-24 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 用户相似度确定方法和装置 |
Non-Patent Citations (2)
Title |
---|
Research on LBS-based Optimizing Personal Recommendation System;Enhui Li etc.;《2nd International Conference on Advances in Computer Science and Engineering (CSE 2013)》;20131231;249-253 * |
使用轨迹指纹和地点相似性的地点推荐;印桂生,程伟杰,董宇欣,董红斌,张万松;《哈尔滨工程大学学报》;20160331;第37卷(第3期);414-419 * |
Also Published As
Publication number | Publication date |
---|---|
CN107798557A (zh) | 2018-03-13 |
WO2019061656A1 (zh) | 2019-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798557B (zh) | 电子装置、基于lbs数据的服务场所推荐方法及存储介质 | |
CN106709606B (zh) | 个性化场景预测方法及装置 | |
CN106416313B (zh) | 识别与无线网络接入点相关联的实体的方法和*** | |
EP3028105B1 (en) | Inferring a current location based on a user location history | |
CN109084795B (zh) | 基于地图服务的搜索服务设施的方法及装置 | |
US20130205196A1 (en) | Location-based mobile application marketplace system | |
KR20160010278A (ko) | 관심 지점을 표시하기 위한 방법 및 장치 | |
CN108834077B (zh) | 基于用户移动特性的跟踪区划分方法、装置及电子设备 | |
US9787557B2 (en) | Determining semantic place names from location reports | |
CN111753214A (zh) | 基于行为轨迹的数据推送方法、***和计算机设备 | |
CN111954175A (zh) | 一种兴趣点到访判别方法和相关装置 | |
CN111209487B (zh) | 用户数据分析方法、服务器及计算机可读存储介质 | |
CN112261570A (zh) | 兴趣点与无线网络的关联方法、装置、服务器及存储介质 | |
CN106446102B (zh) | 基于地图围栏的终端定位方法和装置 | |
CN109871419B (zh) | 一种地图显示方法及装置 | |
CN107679053A (zh) | 地点推荐方法、装置、计算机设备及存储介质 | |
CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
JP2015158799A (ja) | 時空間クラスタリング処理装置、方法及びプログラム | |
CN112748453B (zh) | 道路侧定位方法、装置、设备及存储介质 | |
CN111291278B (zh) | 轨迹相似度的计算方法、装置、存储介质及终端 | |
CN110619090B (zh) | 一种区域吸引力评估方法及设备 | |
US10006985B2 (en) | Mobile device and method for determining a place according to geolocation information | |
CN115190587A (zh) | Wifi位置确定方法、装置、电子设备及存储介质 | |
CN111737374B (zh) | 位置坐标确定方法、装置、电子设备及存储介质 | |
CN113988741A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |