CN109213926A - 一种基于社区划分和多源信息融合的地点推荐方法 - Google Patents

Abstract

本发明公开了一种基于位置的社交网络的地点推荐方法，分为社区划分和地点推荐两个阶段。在社区划分阶段，首先采集位置社交网络中的用户签到信息，剔除签到信息稀疏的用户与地点。以用户之间对共同地点的评分计算用户间的相似度，构建用户相似度网络；然后基于相似度网络划分社区。在地点推荐阶段，融合多源信息产生推荐结果。首先采集位置社交网络中地点被签到的数据，用户签到地点的经纬度坐标，并根据用户历史签到数据推算用户常住地坐标。然后在每个社区内，地理因素、流行指标以及签到数据三者加权组合预测地点评分并产生推荐列表。本发明通过社区划分和多源信息融合的方式，相比传统方法能够提高推荐精度，降低方法的复杂度。

Description

一种基于社区划分和多源信息融合的地点推荐方法

技术领域

本发明涉及位置的社交网络中的一种基于社区发现的地点推荐***，属于推荐***和移动社交领域。

背景技术

随着网络信息的日益激增，如何寻找用户需要的有效信息已经成为迫切需要解决的问题。而推荐***的应用可以有效地解决这个问题，为用户主动推送其感兴趣的事物，如朋友，位置，娱乐项目等。通过与移动社交网络的结合，获取用户的大量属性信息，如性别，年龄，爱好等，使得推荐***能够准确地预测用户感兴趣的事物。近年来，随着位置社交网络的兴起，用户的数据信息得到了极大的丰富，可以轻易地获取到用户的签到信息，推荐***得到了进一步的发展，因而基于位置的社交网络的地点推荐***成为研究的热点。

现有基于位置的社交网络的地点推荐***存在如下问题：第一、传统的协同过滤方法，对每一个用户的推荐都要遍历整个网络，加大了计算复杂度。第二、通过地理距离过滤数据提高效率的方法，需要大量的先验信息，无法实现自适应过滤。

发明内容

鉴于上述现有地点推荐***的缺陷，本发明的目的旨在致力于提供一种基于社区划分和多源信息融合的地点推荐方法，解决推荐效率提升的问题。

本发明实现上述目的的技术解决方案概述为：一种基于社区划分和多源信息融合的地点推荐方法，其特征在于，所述方法包括：

步骤1：社区划分阶段；

步骤1-1：从位置社交网络中获得包含用户、地点以及地点评分的签到数据，从中剔除签到次数少于a次的用户，以及被签到次数少于b次的地点，最终得到的数据含有s个用户，用户集合表示U＝{u₁，u₂，…，u_s}，t个地点，地点集合表示为L＝{l₁，l₂，…，l_t}，共计w条信息，每条信息包含用户、地点和评分三元组，表示为(u_i，l_p，l_p)，其中u_i表示用户i，l_p表示地点p，l_p表示用户u_i对地点l_p的评分；

步骤1-2：根据签到数据，以用户之间对相同地点签到的评分，通过余弦相似度计算得到用户之间的签到相似度权值，计算出s个用户两两之间的签到相似度，构建用户签到相似性网络G_c＝<U，A>，A＝[a_ij]_s×s表示用户i和j之间签到相似性的权重矩阵；

步骤1-3：根据用户签到相似度识别出不同的社区，社区集合表示为C＝{c₁，c₂，…，c_m}，其中c_i代表第i个社区；

步骤2：地点推荐阶段；

步骤2-1：从位置社交网络中得到每个地点被用户签到的数据以及每个地点的经纬度坐标，地点i被用户签到情况集合并表示为K_i＝{k₁，k₂，…，k_s}，k_j表示用户j对该地点的签到次数，地点i的经纬度坐标表示为loc_i＝(lat_i，lon_i)；

步骤2-2：根据每个用户j的历史签到数据，推测该用户的常住地坐标，表示为h_j＝(lat_j，lon_j)；

步骤2-3：根据用户常住地坐标以及地点坐标，统计地点被签到可能性与该地点距离用户常住地的距离分布关系，并运用函数拟合工具拟合幂律分布关系式：y＝a·x^b，其中x表示地点与用户常住地的距离，y则表示该地点被用户签到的可能性，其中a和b是拟合参数；

步骤2-4：在划分的社区内，根据地点与用户常住地的距离获得地点被签到的可能性，作为对地点的预测评分；

步骤2-5：在划分的社区内，根据用户签到相似度，利用协同过滤方法对目标用户未签到地点进行评分预测；

步骤2-6：在划分的社区内，根据地点被签到数据，统计该地点在社区内被用户签到的次数并标准化，作为地点在社区内的流行度，然后将地点流行度作为对地点评分的预测，对目标用户未签到地点进行评分预测；

步骤2-7：在划分的社区内，将地理距离、协同过滤及地点流行度三者加权组合，产生最终的评分预测，利用Top-N方法选出N个评分最高的地点推荐给目标用户。

本发明步骤1-2包括：利用余弦相似度计算用户i和j签到相似性

其中L_i和L_j分别表示用户i和用户j的签到地点集合；L_ij表示用户i和用户j之间共有的签到地点集合。

本发明步骤1-3中识别出不同的社区包括两个阶段：假设一个具有s个节点的位置签到网络，

在第一个阶段，针对单独节点对于每个节点i，考虑与它的邻居节点j基于模块度增益进行社区融合；

其中模块度Q定义如下：其中i，j∈U，i≠j，a_ij表示用户i与用户j之间的相似性权值，z_i＝∑_{j∈S，j≠i}a_ij，h＝∑_i∈Uz_i，定为预期的用户i与用户j之间的相似度，表示用户i所在的社区，如果用户i，j在同一社区，则否则为0，对s个节点依次重复执行，直到不再有模块度增益产生，获得局部最佳模块度；

在第二个阶段，初始化过程针对社区融合定义成一个超级节点，两个不同社区融合之间节点的连接表示成两个超级节点的连接，而连接的权重是两个社区融合之间所有节点的边的权重之和，同一个社区融合之间节点的边表示成超级节点的自循环连接；初始化完成后，网络转成是多个超级节点的状态，以重复第一阶段的方法进行迭代处理，直至模块度稳定后获得最优解，完成所有用户的社区划分。

本发明步骤2-2包括：区域划分为若干个格子，针对每个用户j的历史签到数据，然后获取落在其中签到次数最多的格子，并取其中签到坐标的平均值为用户j常住地坐标，表示为h_j＝(lat_j，lon_j)。

本发明步骤2-4包括：根据拟合的地点被签到概率与地点距离用户常住地距离的函数关系，则预测的用户i对地点l评分g(u_i，l)采用g(u_i，l)＝a·d(u_i，l)^b推测，其中d(u_i，l)表示用户u_i的常住地距离地点l的距离。

本发明步骤2-5包括：在划分社区后，在每个社区c_m中，针对社区内的用户u_i，预测对未签到地点l的评分为：根据签到相似度网络G_c，利用协同过滤推荐方法获得推荐结果。

本发明步骤2-6包括：在划分的社区内，根据地点l被签到数据统计该地点在社区内被用户签到的次数，并归一化表示地点流行度：其中t_l代表社区内地点l被签到的次数，t_min代表该社区内地点被签到的最少次数，t_max代表社区内地点被签到的最多次数。

本发明步骤2-7包括：基于多源信息融合的地点推荐将地理距离、协同过滤及地点流行度三者加权组合，产生最终的评分预测：f(u_i，l)＝α·c(u_i，l)+β·g(u_i，l)+γ·p_l，其中α+β+γ＝1，0≤α，β，γ≤1，代表三种因素各自对最终地点推荐的影响力；最终，根据预测的地点评分，选择Top-N个未签到地点推荐给目标用户，产生推荐列表。

本发明地点推荐方法的应用，较之于传统此类***具有突出的实质性特点和显著的有益效果，具体来看：

采用的社区划分方法，使得社区内部联系紧密，过滤了无关的用户与地点数据，然后在社区内进行地点推荐，相对与传统协同过滤算法而言，缩小了地点推荐的范围，提高了推荐效率。

融合地理距离、地点流行度及签到数据三种信息建立地点推荐模型，减少了数据稀疏对地点推荐的影响，提高了地点推荐的精度。

附图说明

图1为本发明地点推荐方法的实现***示意图。

图2为本发明方法中社区划分的方法示意图

具体实施方式

以下结合说明书附图对本发明创造作进一步详细说明。其中使用的主要符号及其含义包括：

本发明致力于提供一种基于社区划分和多源信息融合的地点推荐方法。如图1所示概述来看，该方法分为社区划分和地点推荐两个阶段。在社区划分阶段，通过对基于位置的社交网络中的用户签到信息的采集，剔除有效性差的数据，获得有效的用户签到数据。然后利用余弦相似度公式，以用户之间对共同签到地点的评分计算签到相似性，得到用户间签到相似度，构建用户签到相似度网络。再根据签到相似性网络，识别出不同的社区(community)。在地点推荐阶段，融合多源信息产生推荐结果。首先，采集位置社交网络中地点被签到的数据，用户签到地点的经纬度坐标，并根据用户历史签到数据推算用户常住地坐标。然后，在每个社区内，地理因素(以地点被签到概率与该地点和用户常住地的距离呈幂律分布关系预测地点评分)、流行指标(以地点在社区内被签到的数量预测地点评分)以及签到数据(以用户历史签到数据通过协同过滤算法预测地点评分)三者加权组合预测地点评分并产生推荐列表，向目标用户推荐地点。

以下从更具体而细化的方法流程上述来理解。

步骤1：社区划分阶段；

步骤1-1：从位置社交网络中获得包含用户、地点以及地点评分的签到数据，从中剔除签到次数少于a次的用户，以及被签到次数少于b次的地点，最终得到的数据含有s个用户(用户集合表示U＝{u₁，u₂，…，u_s}，)，t个地点(地点集合表示为L＝{l₁，l₂，…，l_t})，共计w条信息，每条信息包含用户、地点和评分三元组，表示为(u_i，l_p，l_p)，其中u_i表示用户i，l_p表示地点p，l_p表示用户u_i对地点l_p的评分；

步骤1-2：根据用户签到数据，以用户之间对相同地点签到的评分，通过余弦相似度计算得到用户之间的签到相似度权值，计算出s个用户两两之间的签到相似度，构建用户签到相似性网络G_c＝<U，A>，A＝[a_ij]_s×s表示用户i和j之间签到相似性的权重矩阵；

步骤1-3：根据用户签到相似度，识别出不同的社区(community)，社区集合表示为C＝{c₁，c₂，…，c_m}，其中c_i代表第i个社区；

步骤2：地点推荐阶段；

步骤2-1：从位置社交网络中得到每个地点被用户签到的数据以及每个地点的经纬度坐标。地点i被用户签到情况集合并表示为K_i＝{k₁，k₂，…，k_s}，k_j表示用户j对该地点的签到次数。地点i的经纬度坐标表示为loc_i＝(lat_i，lon_i)；

步骤2-2：根据每个用户j的历史签到数据，推测该用户的常住地坐标，表示为h_j＝(lat_j，lon_j)；

步骤2-3：根据用户常住地坐标以及地点坐标，统计地点被签到可能性与该地点距离用户常住地的距离分布关系，并运用函数拟合工具拟合幂律分布关系式：y＝a·x^b，其中x表示地点与用户常住地的距离，y则表示该地点被用户签到的可能性，其中a和b是拟合参数；

步骤2-4：在划分的社区内，根据地点与用户常住地的距离，获得地点被签到的可能性，作为对地点的预测评分；

步骤2-5：在划分的社区内，根据用户签到相似度，利用协同过滤方法，对目标用户未签到地点进行评分预测；

步骤2-6：在划分的社区内，根据地点被签到数据，统计该地点在社区内被用户签到的次数，并标准化，作为地点在社区内的流行度。然后将地点流行度作为对地点评分的预测，对目标用户未签到地点进行评分预测；

步骤2-7：在划分的社区内，将地理距离、协同过滤及地点流行度三者加权组合，产生最终的评分预测。利用Top-N方法，选出N个评分最高的地点推荐给目标用户。

除上述具体而全面的本发明方法过程描述外，其中每个步骤还具有更细化而非限定的实施方式。本发明步骤1-2中，在w条签到信息中，根据用户i对地点p的评分l_p，利用余弦相似度公式，计算出s个用户两两之间的签到相似度，由此构建签到相似性网络G_c＝<U，A>，A=[a_ij]_s×s表示用户i和j之间签到相似性的权重矩阵。

即：其中L_i和L_j分别表示用户i和用户j的签到地点集合；L_ij表示用户i和用户j之间共有的签到地点集合。

社区划分主要分为两个阶段。假设一个具有s个节点的位置签到社交网络，在第一阶段，首先认为每个节点都属于一个社区。第一阶段是针对单独节点，对于每个节点i，考虑与它的邻居节点j(有签到相似度连接的节点)基于模块度增益进行社区融合。

模块度Q定义如下：i，j∈S，i≠j。

其中a_ij表示用户i与用户j之间的相似性权值，z_i＝∑_{j∈S，j≠i}a_ij，h＝∑_i∈Sz_i，定为预期的用户i与用户j之间的相似度。表示用户i所在的社区，如果用户i，j在同一社区，则否则为0。即以同一个社区内所有用户签到相似度权值总和与预期的所有用户签到相似度权值总和相减所得值衡量社区划分优劣，Q越大表示识别出的社区划分结构越好，即同一社区内的联系比预期的密切。

具体融合的标准是寻找节点i和其邻居节点j融合后的最大模块度增益，如果最大模块度增益大于0则融合，否则不融合。这个过程将对S个节点依次重复执行，直到不再有模块度增益产生，则第一阶段结束，获得一个局部最佳模块度。

第二个阶段是针对社区进行的。在第二个阶段的初始化过程中，将每个社区变成一个超级节点，两个不同社区之间节点的连接表示成两个超级节点的连接，而连接的权重就是两个社区之间所有节点的边的权重之和。同一个社区之间节点的边表示成超级节点的自循环连接，连接的权重是社区内连接的权重之和的两倍。初始化完成后，网络又变成是多个超级节点的状态。然后可以继续进行第一阶段。至此，便是一次迭代的过程。可以通过多次迭代，直到模块度稳定不再增加，获得最优解，此时所有用户被划分为不同社区。

本发明步骤2-2中，首先将地球划分为d×d公里的格子(例如可设d＝25)，针对每个用户j的历史签到数据，然后获取落在其中签到次数最多的格子，并取其中签到坐标的平均值为用户常住地坐标，表示为h_j＝(lat_j，lon_j)。

本发明步骤2-4中，根据拟合的地点被签到概率与地点距离用户常住地距离的函数关系，则预测的用户i对地点l评分g(u_i，l)采用如下方式推测：

g(u_i，l)＝a·d(u_i，l)^b，

其中d(u_i，l)表示用户u_i的常住地距离地点l的距离。

本发明步骤2-5中，根据签到相似度网络G_c，利用协同过滤推荐方法获得推荐结果。即在划分社区后，在每个社区内c_m，针对社区内的用户u_i，预测对未签到地点l的评分为：

本发明步骤2-6中，在划分的社区内，根据地点l被签到数据，统计该地点在社区内被

用户签到的次数，并归一化，表示地点流行度：

其中t_l代表社区内地点l被签到的次数，t_min代表该社区内地点被签到的最少次数，t_max代表社区内地点被签到的最多次数。

本发明步骤2-7中，将地理距离、协同过滤及地点流行度三者加权组合，产生最终的评分预测。

f(u_i，l)＝α·c(u_i，l)+β·g(u_i，l)+γp_l，

其中α+β+γ＝1，0≤α，β，γ≤1，代表三种因素各自对最终地点推荐的影响力。最终，根据预测的地点评分，选择Top-N个未签到地点推荐给目标用户，产生推荐列表。

综上对于本发明地点推荐方法的详细描述，其技术有益效果显见：采用的社区划分方法，使得社区内部联系紧密，过滤了无关的用户与地点数据，然后在社区内进行地点推荐。相对与传统协同过滤算法而言，缩小了地点推荐的范围，提高了推荐效率；并且，融合地理距离、地点流行度及签到数据三种信息建立地点推荐模型，减少了数据稀疏对地点推荐的影响，提高了地点推荐的精度。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (8)

1.一种基于社区划分和多源信息融合的地点推荐方法，其特征在于，所述方法包括：

步骤1：社区划分阶段；

步骤1-1：从位置社交网络中获得包含用户、地点以及地点评分的签到数据，从中剔除签到次数少于a次的用户，以及被签到次数少于b次的地点，最终得到的数据含有S个用户，用户集合表示U＝{u₁，u₂，…，u_s}，t个地点，地点集合表示为L＝{l₁，l₂，…，l_t}，共计w条信息，每条信息包含用户、地点和评分三元组，表示为其中u_i表示用户i，l_p表示地点p，表示用户u_i对地点l_p的评分；

步骤1-2：根据签到数据，以用户之间对相同地点签到的评分，通过余弦相似度计算得到用户之间的签到相似度权值，计算出s个用户两两之间的签到相似度，构建用户签到相似性网络G_c＝<U，A>，A＝[a_ij]_s×s表示用户i和j之间签到相似性的权重矩阵；

步骤1-3：根据用户签到相似度识别出不同的社区，社区集合表示为C＝{c₁，c₂，…，c_m}，

其中c_i代表第i个社区；

步骤2：地点推荐阶段；

步骤2-1：从位置社交网络中得到每个地点被用户签到的数据以及每个地点的经纬度坐标，地点i被用户签到情况集合并表示为K_i＝{k₁，k₂，…，k_s}，k_j表示用户j对该地点的签到次数，地点i的经纬度坐标表示为loc_i＝(lat_i，lon_i)；

步骤2-2：根据每个用户j的历史签到数据，推测该用户的常住地坐标，表示为h_j＝(lat_j，lon_j)；

步骤2-3：根据用户常住地坐标以及地点坐标，统计地点被签到可能性与该地点距离用户常住地的距离分布关系，并运用函数拟合工具拟合幂律分布关系式：y＝a·x^b，其中x表示地点与用户常住地的距离，y则表示该地点被用户签到的可能性，其中a和b是拟合参数；

步骤2-4：在划分的社区内，根据地点与用户常住地的距离获得地点被签到的可能性，作为对地点的预测评分；

步骤2-5：在划分的社区内，根据用户签到相似度，利用协同过滤方法对目标用户未签到地点进行评分预测；

步骤2-6：在划分的社区内，根据地点被签到数据，统计该地点在社区内被用户签到的次数并标准化，作为地点在社区内的流行度，然后将地点流行度作为对地点评分的预测，对目标用户未签到地点进行评分预测；

步骤2-7：在划分的社区内，将地理距离、协同过滤及地点流行度三者加权组合，产生最终的评分预测，利用Top-N方法选出N个评分最高的地点推荐给目标用户。

2.根据权利要求1所述基于社区划分和多源信息融合的地点推荐方法，其特征在于，所述步骤1-2包括：利用余弦相似度计算用户i和j签到相似性

其中L_i和L_j分别表示用户i和用户j的签到地点集合；L_ij表示用户i和用户j之间共有的签到地点集合。

3.根据权利要求1所述基于社区划分和多源信息融合的地点推荐方法，其特征在于，所述步骤1-3中识别出不同的社区包括两个阶段：假设一个具有s个节点的位置签到网络，

在第一个阶段，针对单独节点对于每个节点i，考虑与它的邻居节点j基于模块度增益进行社区融合：

其中模块度Q定义如下：其中i，j∈U，i≠j，a_ij表示用户i与用户j之间的相似性权值，Z_i＝∑_{j∈S，j≠i}a_ij，h＝∑_i∈UZ_i，定为预期的用户i与用户j之间的相似度，表示用户i所在的社区，如果用户i，j在同一社区，则否则为0，对s个节点依次重复执行，直到不再有模块度增益产生，获得局部最佳模块度；

在第二个阶段，初始化过程针对社区融合定义成一个超级节点，两个不同社区融合之间节点的连接表示成两个超级节点的连接，而连接的权重是两个社区融合之间所有节点的边的权重之和，同一个社区融合之间节点的边表示成超级节点的自循环连接；初始化完成后，网络转成是多个超级节点的状态，以重复第一阶段的方法进行迭代处理，直至模块度稳定后获得最优解，完成所有用户的社区划分。

4.根据权利要求1所述基于社区划分和多源信息融合的地点推荐方法，其特征在于，所述步骤2-2包括：区域划分为若干个格子，针对每个用户j的历史签到数据，然后获取落在其中签到次数最多的格子，并取其中签到坐标的平均值为用户j常住地坐标，表示为h_j＝(lat_j，lon_j)。

5.根据权利要求1所述基于社区划分和多源信息融合的地点推荐方法，其特征在于，所述步骤2-4包括：根据拟合的地点被签到概率与地点距离用户常住地距离的函数关系，则预测的用户i对地点l评分g(u_i，l)采用g(u_i，l)＝a·d(u_i，l)^b推测，其中d(u_i，l)表示用户u_i的常住地距离地点l的距离。

6.根据权利要求1所述基于社区划分和多源信息融合的地点推荐方法，其特征在于，所述步骤2-5包括：在划分社区后，在每个社区c_m中，针对社区内的用户u_i，预测对未签到地点l的评分为：根据签到相似度网络G_c，利用协同过滤推荐方法获得推荐结果。

7.根据权利要求1所述基于社区划分和多源信息融合的地点推荐方法，其特征在于，所述步骤2-6包括：在划分的社区内，根据地点l被签到数据统计该地点在社区内被用户签到的次数，并归一化表示地点流行度：其中t_l代表社区内地点l被签到的次数，t_min代表该社区内地点被签到的最少次数，t_max代表社区内地点被签到的最多次数。

8.根据权利要求1所述基于社区划分和多源信息融合的地点推荐方法，其特征在于，所述步骤2-7包括：基于多源信息融合的地点推荐将地理距离、协同过滤及地点流行度三者加权组合，产生最终的评分预测：f(u_i，l)＝α·c(u_i，l)+β·g(u_i，l)+γ·p_l，其中α+β+γ＝1，O≤α，β，γ≤1，代表三种因素各自对最终地点推荐的影响力；最终，根据预测的地点评分，选择Top-N个未签到地点推荐给目标用户，产生推荐列表。