CN109522491B - 一种基于位置属性的陌生人社交活动推荐方法与*** - Google Patents

Abstract

本申请实施例提供的基于位置属性的陌生人社交活动推荐方法，包括：获取预设时间段内当前用户参与的历史活动的举办位置信息，所述当前用户在活动有效时间内的位置轨迹信息和所述当前用户的日常活动空间信息；根据所述举办位置信息和所述日常活动空间信息生成每次历史活动对应的位置属性向量；对所述位置属性向量进行平均化，生成所述当前用户的平均属性向量；为所述平均属性向量的每个维度分配权重值，生成特征属性向量；根据所述位置轨迹信息对所述特征属性向量中的对应维度进行调整，生成最终特征属性向量；根据所述最终特征属性向量，向所述当前用户推荐相关的陌生人社交活动，从而提高了用户体验，有利于陌生人社交发展。

Description

一种基于位置属性的陌生人社交活动推荐方法与***

技术领域

本申请涉及互联网技术领域，尤其涉及一种基于位置属性的陌生人社交活动推荐方法与***。

背景技术

社交是指社会上人与人的交际往来，是人们运用一定的方式（工具）传递信息、交流思想的意识，以达到某种目的的社会各项活动。随着科学技术的发展和互联网资源在生活中的应用，人与人之间的交往开始借助互联网来实现，陌生人之间也可以通过互联网进行社交，实现进一步发展自己和扩充自己的目的。例如，现有技术中已经出现了一些主打陌生人社交服务的互联网平台和服务，例如搜索附近的人进行线上对话、传送网络漂流瓶等。

现有技术中最新出现的一种陌生人社交平台是由活动组织者在该平台上发布一个在预定时间和地点举办的社交活动（例如聚餐、郊游、做游戏等），并设定参与该社交活动需要符合的条件（例如性别、年龄等）；其他用户可以在该平台上搜索自己感兴趣且自身符合条件的社交活动，平台也可以向其他用户推荐所发布的社交活动。其他用户可以基于自身意愿对搜索到或者被推荐的陌生人社交活动进行线上报名，进而作为活动参与者按时赴预定地点参与该社交活动。

在为用户推荐社交活动的时候，基于位置的活动推荐是一种重要的推荐方式。但是，现有的基于位置的活动推荐方式，主要是根据活动举办位置与用户位置的距离，推荐距离用户在一定距离范围以内的活动，或者在推荐的排序上优先距离用户位置近的活动，这样的目的是尽量降低用户参与社交活动时在路程交通上花费的时间和成本，从而提高推荐成功的概率。

但是，当我们考虑位置对用户参与被推荐社交活动的意愿所带来影响的时候，显然距离不是唯一的因素。比如，用户会考虑活动举办位置的安全性，以及自己对活动举办位置的熟悉程度，特别是对于陌生人社交这个应用场景来讲，因为将要接触的人都是陌生的，用户一般并不愿意到比较冷僻的地点，或者是自己根本不熟悉的地点去参与这样一个活动，因为会进一步降低用户的安全感；当然，也会有相反的情况，比如有的用户反而喜欢到陌生的环境去参与社交活动以追求新鲜感。另外，除了被推荐社交活动的内容、形式等要素之外，活动位置本身也会构成一定的吸引力，而且这也是因人而异的；比如对于喜欢逛街的人来说，在一个周边购物、饮食、娱乐场所很多的购物中心所召集的社交活动就更有吸引力，因为除了参与该社交活动以外，该用户还能顺便去购物、吃喝或者娱乐一番，所以这个位置本身对他就很有吸引力，即便路程较远该用户也愿意去参加；反之，对于不喜欢逛街的人来说，其参与社交活动的行为习惯是径直前去参加社交活动，且参与完一个社交活动后马上就离开，那么活动位置周围的娱乐、饮食、购物场所对该用户没有太多影响，那对于该用户来说活动位置就没什么特殊的吸引力。

可见，现有技术的基于位置的活动推荐方法，考虑因素相对片面，忽视了活动举办位置自身的位置属性、周边的环境以及活动位置与用户行为习惯的关系这些因素对用户参与社交活动的吸引力，影响了用户体验，使基于位置进行活动推荐的成功率未达到最优，不利于陌生人社交的发展。

发明内容

有鉴于此，本申请的目的在于提出一种基于位置属性的陌生人社交活动推荐方法与***，来解决现有技术中基于位置的活动推荐方法，考虑因素相对片面，忽视了活动举办位置的多方面因素对用户的吸引力，影响了用户体验，不利于陌生人社交的发展的技术问题。

基于上述目的，在本申请的一个方面，提出了一种基于位置属性的陌生人社交活动推荐方法，包括：

获取预设时间段内当前用户参与的历史活动的举办位置信息，所述当前用户在活动有效时间内的位置轨迹信息，以及所述当前用户的日常活动空间信息；

根据所述举办位置信息和所述日常活动空间信息生成每次历史活动对应的位置属性向量；

对所述位置属性向量进行平均化，生成所述当前用户的平均属性向量；

为所述平均属性向量的每个维度分配权重值，生成特征属性向量；

根据所述位置轨迹信息对所述特征属性向量中的对应维度进行调整，生成最终特征属性向量；

根据所述最终特征属性向量，向所述当前用户推荐相关的陌生人社交活动。

在一些实施例中，所述举办位置信息，包括：

举办位置本身所在的区域类型，所述区域类型分为闹市区、城乡结合区和郊区；

举办位置的周边环境信息，即举办位置的周边与活动相关场所的数量。

在一些实施例中，所述位置属性向量，包括：

举办位置本身的区域维度、举办位置的周边环境维度、用户活动空间相关性维度和活动位置集中度维度。

在一些实施例中，将举办位置距离预设参考点的距离作为举办位置本身的区域维度的取值，将举办位置的周边与活动相关场所的数量作为举办位置的周边环境维度的取值，将举办位置与所述当前用户的日常活动空间之间的距离作为用户活动空间相关性维度的取值，将举办位置与用户之前参加的预设次数的社交活动的举办位置的平均距离作为活动位置集中度维度。

在一些实施例中，所述位置轨迹信息为所述当前用户在活动举办位置的预设范围内的停留时间。

在一些实施例中，所述根据所述位置轨迹信息对所述特征属性向量中的对应维度进行调整，生成最终特征属性向量，包括：

根据所述当前用户在活动有效时间内在活动举办位置的预设范围内的停留的平均时间对所述特征属性向量中的举办位置的周边环境维度的权重值进行调整，生成最终特征属性向量。

在一些实施例中，所述根据所述最终特征属性向量，向所述当前用户推荐相关的陌生人社交活动，包括：

根据用户的兴趣爱好筛选出预设数量的备选陌生人社交活动，并计算出每个备选陌生人社交活动的位置属性特征向量，计算该特征向量与所述最终特征属性向量之间的距离，根据计算结果对备选陌生人社交活动进行排序，根据排序结果向所述当前用户推荐备选陌生人社交活动。

基于上述目的，在本申请的另一个方面，提出了一种基于位置属性的陌生人社交活动推荐***，包括：

信息获取模块，用于获取预设时间段内当前用户参与的历史活动的举办位置信息，所述当前用户在活动有效时间内的位置轨迹信息，以及所述当前用户的日常活动空间信息；

位置属性向量生成模块，用于根据所述举办位置信息和所述日常活动空间信息生成每次历史活动对应的位置属性向量；

平均属性向量生成模块，用于对所述位置属性向量进行平均化，生成所述当前用户的平均属性向量；

特征属性向量生成模块，为所述平均属性向量的每个维度分配权重值，生成特征属性向量；

最终特征属性向量生成模块，用于根据所述位置轨迹信息对所述特征属性向量中的对应维度进行调整，生成最终特征属性向量；

陌生人社交活动推荐模块，用于根据所述最终特征属性向量，向所述当前用户推荐相关的陌生人社交活动。

在一些实施例中，所述最终特征属性向量生成模块，具体用于：

根据所述当前用户在活动有效时间内在活动举办位置的预设范围内的停留的平均时间对所述特征属性向量中的举办位置的周边环境维度的权重值进行调整，生成最终特征属性向量。

在一些实施例中，所述陌生人社交活动推荐模块，具体用于：

根据用户的兴趣爱好筛选出预设数量的备选陌生人社交活动，并计算出每个备选陌生人社交活动的位置属性特征向量，计算该特征向量与所述最终特征属性向量之间的距离，根据计算结果对备选陌生人社交活动进行排序，根据排序结果向所述当前用户推荐备选陌生人社交活动。

本申请实施例提供的基于位置属性的陌生人社交活动推荐方法，包括：获取预设时间段内当前用户参与的历史活动的举办位置信息，所述当前用户在活动有效时间内的位置轨迹信息，以及所述当前用户的日常活动空间信息；根据所述举办位置信息和所述日常活动空间信息生成每次历史活动对应的位置属性向量；对所述位置属性向量进行平均化，生成所述当前用户的平均属性向量；为所述平均属性向量的每个维度分配权重值，生成特征属性向量；根据所述位置轨迹信息对所述特征属性向量中的对应维度进行调整，生成最终特征属性向量；根据所述最终特征属性向量，向所述当前用户推荐相关的陌生人社交活动。本申请实施例的基于位置属性的陌生人社交活动推荐方法，通过全面考虑陌生人社交活动的举办位置的周边环境对用户的吸引力，生成最终特征属性向量，并根据最终特征属性向量向用户推荐陌生人社交活动，提高了用户体验，有利于陌生人社交的发展。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请实施例一的基于位置属性的陌生人社交活动推荐方法的流程图；

图2是本申请实施例二的基于位置属性的陌生人社交活动推荐***的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本发明提供了一种基于位置属性的陌生人社交活动推荐方法与***，本发明的思路是提取用户以往报名参与过的社交活动的举办位置，分析这些社交活动的举办位置的位置属性，所述位置属性又分为四个情况：一是举办位置本身的区域属性，例如是在闹市区还是在偏僻地带；二是周边环境属性，是比较单一还是有很多购物、饮食、娱乐场所；三是与用户活动空间相关的位置属性，例如用户参与的社交活动的举办位置与用户居住地点或者工作地点的重合度；四是位置集中度属性，即用户参与的社交活动是集中在某个区域还是分散的。然后再确定与位置属性相关的用户行为，比如，用户参与社交活动前后的一段时间是停留在举办位置进行逛街活动，还是说参与完社交活动就径直离开。根据用户行为调节各种位置属性的影响度权重；最后向用户推荐举办位置的位置属性具有相类似的特征的社交活动。

具体地，如图1所示，是本申请实施例一的基于位置属性的陌生人社交活动推荐方法的流程图。从图1中可以看出，本实施例的基于位置属性的陌生人社交活动推荐方法，可以包括以下步骤：

S101：获取预设时间段内当前用户参与的历史活动的举办位置信息，所述当前用户在活动有效时间内的位置轨迹信息，以及所述当前用户的日常活动空间信息。

本申请实施例的方法是用于向用户推送陌生人社交活动。具体地，可以通过智能终端向用户推送陌生人社交活动，本实施例及后续实施例中提及的智能终端可以是智能手机、平板电脑以及便携式电脑等。智能终端中可以安装有APP（应用程序），用户可以在该APP中注册账号，以实现陌生人之间的社交。

当需要向当前用户推荐陌生人社交活动时，首先需获取所述当前用户在预设时间段内参与的历史活动的举办位置信息，所述当前用户在活动有效时间内的位置轨迹信息，以及所述当前用户的日常活动空间信息。所述举办位置信息可以包括举办位置本身所在的区域，所述区域分为闹市区、城乡结合区和郊区，以及举办位置的周边环境，即举办位置的周边与活动相关场所的数量的多少，这里的相关场所可以是购物场所、饮食场所或者娱乐场所等。所述位置轨迹信息可以是所述当前用户在活动举办时间前1小时到活动结束时间后1.5小时内的位置轨迹，具体地，可以通过用户随身携带的移动终端来时时获取所述当前用户的位置，并根据获取到的位置生成位置轨迹。所述日常活动空间信息可以是所述当前用户的居住区域或者所述当前用户的工作区域。也可以通过用户随身携带的移动终端来按照预设时间间隔获取所述当前用户的位置，并生成所述当前用户的日常活动轨迹。

S102：根据所述举办位置信息和所述日常活动空间信息生成每次历史活动对应的位置属性向量。

具体地，本实施例中的位置属性向量，可以是一个四维向量，包括举办位置本身的区域维度、举办位置的周边环境维度、用户活动空间相关性维度和活动位置集中度维度。具体地，可以将举办位置距离预设参考点的距离作为举办位置本身的区域维度的取值，这里的预设参考点可以是预先定义的位于市区的繁华地段的若干标识性建筑或单位，例如北京市可以将清华大学，天安门广场、央视新大楼等市区繁华地段的标志性地点作为预设参考点，然后根据举办位置与最近的预设参考点之间的距离的取值，作为举办位置本身的区域维度，例如，在故宫博物院举办的历史活动，其距离最近的预设参考点为天安门广场，二者的距离取值为2KM，可见该距离实际上表示了活动举办位置所在区域是闹市区、城乡结合区和郊区的属性。将举办位置的周边与活动相关场所的数量作为举办位置的周边环境维度的取值，即将举办位置的周边的购物场所、饮食场所或者娱乐场等的总数量作为举办位置的周边环境维度的取值。将举办位置与所述当前用户的日常活动空间之间的距离作为用户活动空间相关性维度的取值，具体地，可以将每次活动的举办位置与所述当前用户的居住地或者工作地之间的距离作为用户活动空间相关性维度的取值。将举办位置与用户之前参加的预设次数的社交活动的举办位置的平均距离作为活动位置集中度维度，该预设次数可以为人为设定，也可以有经验值确定，例如可以是5也可是10等；该平均距离反映了用户参加社交活动的举办位置的集中程度，例如如果用户集中在某个较小的城市区域频繁参与社交活动，显然该平均距离的数值会相对比较小。该位置属性向量相应地可以记为V_i=（L_i，E_i，R_i，C_i）。其中，i表示所述当前用户参与的历史活动的次数。假设，预设时间段是一个月，所述当前用户在一个月内参与的历史活动的次数为20次，则i的取值范围是1至20，则每次历史活动的位置属性向量记为V_i=（L_i，E_i，R_i，C_i），（i=1，2，3，……，20）。

S103：对所述位置属性向量进行平均化，生成所述当前用户的平均属性向量。

在生成每次历史活动的位置属性向量后，可以对多个位置属性向量进行平均化，即求多个位置属性向量在各维度上的平均值，进而生成所述当前用户的平均属性向量，该平均属性向量可以记为V_1，i=（L_1，i，E_1，i，R_1，i，C_1，i），其中X_1i=（X_1，1+X_1，2+X_1，3+……+X_1，20）/20，其中X_1i为L_1，i，E_1，i，R_1，i，C_1，i中的一个。根据上述公式，可以确定当前用户的平均属性向量。

S104：为所述特征属性向量的每个维度分配权重值，生成特征属性向量。

在生成所述当前用户的平均属性向量后，可以为所述平均属性向量的每个维度分配一个权重值，进而生成特征属性向量，所述特征属性向量可以记为V_2，i，V_2，i=（aL_1，i，bE_1，i，cR_1，i，dC_1，i），其中，a，b，c，d为权重值。由于所述平均属性向量的各维度对用户报名参与陌生人社交活动的影响不同，因此，可以为每个维度分配一个权重值，通过改变对应的权重值的大小来改变各维度对用户报名参与陌生人社交活动的影响值，例如，用户在活动有效时间内在活动举办位置的周边活动的时间较长，说明用户在参加社交活动过程中比较注重活动举办位置的周边环境，即相关常数的多少，因此可以相应地增大举办位置的周边环境维度的权重值b，使得推荐给用户的社交活动使用户感兴趣参加的概率更大。

S105：根据所述位置轨迹信息对所述特征属性向量中的对应维度进行调整，生成最终特征属性向量。

当生成所述特征属性向量后，可以根据所述当前用户参与的历史活动在活动有效时间内在活动举办位置的周边活动的时间的平均值，对所述特征属性向量中的对应维度进行调整，生成最终特征属性向量。具体地，可以预先设定用户在活动有效时间内在活动举办位置的周边活动的时间的阈值，该阈值可以是0~45分钟，45~90分钟，90~150分钟。活动有效时间可以是活动开始前1小时到活动结束后1.5小时内。若用户在活动有效时间内在活动举办位置的周边活动的平均时间在0~45分钟内，则减小举办位置的周边环境维度的权重值b的值，若用户在活动有效时间内在活动举办位置的周边活动的平均时间在45~90分钟内，则举办位置的周边环境维度的权重值b的值保持不变，若用户在活动有效时间内在活动举办位置的周边活动的平均时间在90~150分钟内，则增大举办位置的周边环境维度的权重值b的值，并生成最终特征属性向量，该最终特征属性向量可以记为V_3，i=（aL_1，i，b₁E_1，i，cR_1，i，dC_1，i），其中b₁为b调整后的取值。

S106：根据所述最终特征属性向量，向所述当前用户推荐相关的陌生人社交活动。

在生成最终特征属性向量后，可以根据用户的兴趣爱好筛选出预设数量的备选陌生人社交活动，并计算出每个备选陌生人社交活动的位置属性特征向量，该位置属性特征向量也可以是包括举办位置本身的区域维度、举办位置的周边环境维度、用户活动空间相关性维度和活动位置集中度维度的向量，每个维度也可以设置有对应的权重值。在计算出每个备选陌生人社交活动的位置属性特征向量后，进一步计算该位置属性特征向量与所述最终特征属性向量之间的距离，根据计算结果对备选陌生人社交活动进行排序，根据排序结果向所述当前用户推荐备选陌生人社交活动，具体地，可以根据实际需要将排名前5的备选陌生人社交活动推送给所述当前用户。

本申请实施例的基于位置属性的陌生人社交活动推荐方法，通过全面考虑陌生人社交活动的举办位置的周边环境对用户的吸引力，生成最终特征属性向量，并根据最终特征属性向量向用户推荐陌生人社交活动，提高了用户体验，有利于陌生人社交的发展。

如图2所示，是本申请实施例的基于位置属性的陌生人社交活动推荐***的结构示意图。本实施例的基于位置属性的陌生人社交活动推荐***，可以包括：

信息获取模块201，用于获取预设时间段内当前用户参与的历史活动的举办位置信息，所述当前用户在活动有效时间内的位置轨迹信息，以及所述当前用户的日常活动空间信息。

当需要向当前用户推荐陌生人社交活动时，首先需获取所述当前用户在预设时间段内参与的历史活动的举办位置信息，所述当前用户在活动有效时间内的位置轨迹信息，以及所述当前用户的日常活动空间信息。所述举办位置信息可以包括举办位置本身所在的区域，所述区域分为闹市区、城乡结合区和郊区，以及举办位置的周边环境，即举办位置的周边与活动相关场所的数量的多少，这里的相关场所可以是购物场所、饮食场所或者娱乐场所等。所述位置轨迹信息可以是所述当前用户在活动举办时间前1小时到活动结束时间后1.5小时内的位置轨迹，具体地，可以通过用户随身携带的移动终端来时时获取所述当前用户的位置，并根据获取到的位置生成位置轨迹。所述日常活动空间信息可以是所述当前用户的居住区域或者所述当前用户的工作区域。也可以通过用户随身携带的移动终端来按照预设时间间隔获取所述当前用户的位置，并生成所述当前用户的日常活动轨迹。

位置属性向量生成模块202，用于根据所述举办位置信息和所述日常活动空间信息生成每次历史活动对应的位置属性向量。

具体地，本实施例中的位置属性向量，可以是一个四维向量，包括举办位置本身的区域维度、举办位置的周边环境维度、用户活动空间相关性维度和活动位置集中度维度。具体地，可以将举办位置距离预设参考点的距离作为举办位置本身的区域维度的取值，这里的预设参考点可以是预先定义的位于市区的繁华地段的若干标识性建筑或单位，将举办位置与距离最近的一个预设参考点之间的距离作为举办位置本身的区域维度的取值。将举办位置的周边与活动相关场所的数量作为举办位置的周边环境维度的取值，即将举办位置的周边的购物场所、饮食场所或者娱乐场等的总数量作为作为举办位置的周边环境维度的取值。将举办位置与所述当前用户的日常活动空间之间的距离作为用户活动空间相关性维度的取值，具体地，可以将每次活动的举办位置与所述当前用户的居住地或者工作地之间的距离作为用户活动空间相关性维度的取值。将举办位置与用户之前参加的预设次数的社交活动的举办位置的平均距离作为活动位置集中度维度，该预设次数可以为人为设定，也可以有经验值确定，例如可以是15也可是20等。该位置属性向量相应地可以记为V_i=（L_i，E_i，R_i，C_i）。其中，i表示所述当前用户参与的历史活动的次数。假设，预设时间段是一个月，所述当前用户在一个月内参与的历史活动的次数为20次，则i=20，则每次历史活动的位置属性向量记为V_i=（L_i，E_i，R_i，C_i），（i=1，2，3，……，20）。

平均属性向量生成模块203，用于对所述位置属性向量进行平均化，生成所述当前用户的平均属性向量。

在生成每次历史活动的位置属性向量后，可以对多个位置属性向量进行平均化，即求多个位置属性向量在各维度上的平均值，进而生成所述当前用户的平均属性向量，该平均属性向量可以记为V_1，i=（L_1，i，E_1，i，R_1，i，C_1，i），其中X_1i=（X_1，1+X_1，2+X_1，3+……+X_1，20）/20，其中X_1i为L_1，i，E_1，i，R_1，i，C_1，i中的一个。根据上述公式，可以确定当前用户的平均属性向量。

特征属性向量生成模块204，为所述平均属性向量的每个维度分配权重值，生成特征属性向量。

在生成所述当前用户的平均属性向量后，可以为所述平均属性向量的每个维度分配一个权重值，进而生成特征属性向量，所述特征属性向量可以记为V_2，i，V_2，i=（aL_1，i，bE_1，i，cR_1，i，dC_1，i），其中，a，b，c，d为权重值。由于所述平均属性向量的各维度对用户报名参与陌生人社交活动的影响不同，因此，可以为每个维度分配一个权重值，通过改变对应的权重值的大小来改变各维度对用户报名参与陌生人社交活动的影响值，例如，用户在活动有效时间内在活动举办位置的周边活动的时间较长，说明用户在参加社交活动过程中比较注重活动举办位置的周边环境，即相关常数的多少，因此可以相应地增大举办位置的周边环境维度的权重值b，使得推荐给用户的社交活动使用户感兴趣参加的概率更大。

最终特征属性向量生成模块205，用于根据所述位置轨迹信息对所述特征属性向量中的对应维度进行调整，生成最终特征属性向量。

当生成所述特征属性向量后，可以根据所述当前用户参与的历史活动在活动有效时间内在活动举办位置的周边活动的时间的平均值，对所述特征属性向量中的对应维度进行调整，生成最终特征属性向量。具体地，可以预先设定用户在活动有效时间内在活动举办位置的周边活动的时间的阈值，该阈值可以是0~45分钟，45~90分钟，90~150分钟。活动有效时间可以是活动开始前1小时到活动结束后1.5小时内。若用户在活动有效时间内在活动举办位置的周边活动的平均时间在0~45分钟内，则减小举办位置的周边环境维度的权重值b的值，若用户在活动有效时间内在活动举办位置的周边活动的平均时间在45~90分钟内，则举办位置的周边环境维度的权重值b的值保持不变，若用户在活动有效时间内在活动举办位置的周边活动的平均时间在90~150分钟内，则增大举办位置的周边环境维度的权重值b的值，并生成最终特征属性向量，该最终特征属性向量可以记为V_3，i=（aL_1，i，b₁E_1，i，cR_1，i，dC_1，i），其中b₁为b调整后的取值。

陌生人社交活动推荐模块206，用于根据所述最终特征属性向量，向所述当前用户推荐相关的陌生人社交活动。

在生成最终特征属性向量后，可以根据用户的兴趣爱好筛选出预设数量的备选陌生人社交活动，并计算出每个备选陌生人社交活动的位置属性特征向量，该位置属性特征向量也可以是包括举办位置本身的区域维度、举办位置的周边环境维度、与当前用户的用户活动空间相关性维度和与当前用户的活动位置集中度维度的向量，每个维度也可以设置有对应的权重值。在计算出每个备选陌生人社交活动的位置属性特征向量后，进一步计算该位置属性特征向量与当前用户的所述最终特征属性向量之间的向量距离，根据计算结果对备选陌生人社交活动进行排序，备选陌生人社交活动的位置属性特征向量与当前用户的所述最终特征属性向量之间的向量距离越小，则排序越靠前，根据排序结果向所述当前用户推荐备选陌生人社交活动，具体地，可以根据实际需要将排名前5的备选陌生人社交活动推送给所述当前用户。

本申请实施例的基于位置属性的陌生人社交活动推荐***，能够取得与上述方法实施例相类似的技术效果，这里不再赘述。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (6)

1.一种基于位置属性的陌生人社交活动推荐方法，其特征在于，包括：

获取预设时间段内当前用户参与的历史活动的举办位置信息，所述当前用户在活动有效时间内的位置轨迹信息，以及所述当前用户的日常活动空间信息；其中，所述历史活动的举办位置信息包括：举办位置本身所在的区域类型，所述区域分为闹市区、城乡结合区和郊区；举办位置的周边环境信息，即举办位置的周边与活动相关场所的数量的多少；所述当前用户在活动有效时间内的位置轨迹信息为所述当前用户在活动举办位置的预设范围内的停留时间；

根据所述举办位置信息和所述日常活动空间信息生成每次历史活动对应的位置属性向量；所述位置属性向量包括：举办位置本身的区域维度、举办位置的周边环境维度、用户活动空间相关性维度和活动位置集中度维度；将举办位置距离预设参考点的距离作为举办位置本身的区域维度的取值，将举办位置的周边与活动相关场所的数量作为举办位置的周边环境维度的取值，将举办位置与所述当前用户的日常活动空间之间的距离作为用户活动空间相关性维度的取值，将举办位置与用户之前参加的预设次数的社交活动的举办位置的平均距离作为活动位置集中度维度；

对所述位置属性向量进行平均化，生成所述当前用户的平均属性向量；

为所述平均属性向量的每个维度分配权重值，生成特征属性向量；

根据所述位置轨迹信息对所述特征属性向量中的对应维度进行调整，生成最终特征属性向量；

根据所述最终特征属性向量，向所述当前用户推荐相关的陌生人社交活动。

2.根据权利要求1所述的方法，其特征在于，所述根据所述位置轨迹信息对所述特征属性向量中的对应维度进行调整，生成最终特征属性向量，包括：

根据所述当前用户在活动有效时间内在活动举办位置的预设范围内的停留的平均时间对所述特征属性向量中的举办位置的周边环境维度的权重值进行调整，生成最终特征属性向量。

3.根据权利要求2所述的方法，其特征在于，所述根据所述最终特征属性向量，向所述当前用户推荐相关的陌生人社交活动，包括：

根据用户的兴趣爱好筛选出预设数量的备选陌生人社交活动，并计算出每个备选陌生人社交活动的位置属性特征向量，计算该特征向量与所述最终特征属性向量之间的距离，根据计算结果对备选陌生人社交活动进行排序，根据排序结果向所述当前用户推荐备选陌生人社交活动。

4.一种基于位置属性的陌生人社交活动推荐***，其特征在于，包括：

信息获取模块，用于获取预设时间段内当前用户参与的历史活动的举办位置信息，所述当前用户在活动有效时间内的位置轨迹信息，以及所述当前用户的日常活动空间信息；其中，所述历史活动的举办位置信息包括：举办位置本身所在的区域类型，所述区域分为闹市区、城乡结合区和郊区；举办位置的周边环境信息，即举办位置的周边与活动相关场所的数量的多少；所述当前用户在活动有效时间内的位置轨迹信息为所述当前用户在活动举办位置的预设范围内的停留时间；

位置属性向量生成模块，用于根据所述举办位置信息和所述日常活动空间信息生成每次历史活动对应的位置属性向量；所述位置属性向量包括：举办位置本身的区域维度、举办位置的周边环境维度、用户活动空间相关性维度和活动位置集中度维度；将举办位置距离预设参考点的距离作为举办位置本身的区域维度的取值，将举办位置的周边与活动相关场所的数量作为举办位置的周边环境维度的取值，将举办位置与所述当前用户的日常活动空间之间的距离作为用户活动空间相关性维度的取值，将举办位置与用户之前参加的预设次数的社交活动的举办位置的平均距离作为活动位置集中度维度；

平均属性向量生成模块，用于对所述位置属性向量进行平均化，生成所述当前用户的平均属性向量；

特征属性向量生成模块，为所述平均属性向量的每个维度分配权重值，生成特征属性向量；

最终特征属性向量生成模块，用于根据所述位置轨迹信息对所述特征属性向量中的对应维度进行调整，生成最终特征属性向量；

陌生人社交活动推荐模块，用于根据所述最终特征属性向量，向所述当前用户推荐相关的陌生人社交活动。

5.根据权利要求4所述的***，其特征在于，所述最终特征属性向量生成模块，具体用于：

根据所述当前用户在活动有效时间内在活动举办位置的预设范围内的停留的平均时间对所述特征属性向量中的举办位置的周边环境维度的权重值进行调整，生成最终特征属性向量。

6.根据权利要求5所述的***，其特征在于，所述陌生人社交活动推荐模块，具体用于：

根据用户的兴趣爱好筛选出预设数量的备选陌生人社交活动，并计算出每个备选陌生人社交活动的位置属性特征向量，计算该特征向量与所述最终特征属性向量之间的距离，根据计算结果对备选陌生人社交活动进行排序，根据排序结果向所述当前用户推荐备选陌生人社交活动。

Images