CN109726336A - 一种结合出行兴趣与社交偏好的poi推荐方法 - Google Patents
一种结合出行兴趣与社交偏好的poi推荐方法 Download PDFInfo
- Publication number
- CN109726336A CN109726336A CN201811574899.2A CN201811574899A CN109726336A CN 109726336 A CN109726336 A CN 109726336A CN 201811574899 A CN201811574899 A CN 201811574899A CN 109726336 A CN109726336 A CN 109726336A
- Authority
- CN
- China
- Prior art keywords
- user
- interest
- poi
- point
- trip
- 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.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种结合出行兴趣与社交偏好的POI推荐方法,根据LBSN中用户历史POI数据分布学习用户出行行为,根据当前位置预测用户未来出行访问的POI;通过提取主题向量构建社交关联的兴趣相似;再构造异构出行信息网络,建立出行行为的兴趣相似;综合社交兴趣相似分析和出行行为相似分析,确定相似群体;结合预测的用户未来出行访问的POI以及用户的相似群体产生候选POI集合,通过计算兴趣度发现TOP‑N个用户最可能去的POI。在兼顾位置预测的同时利用社交兴趣和出行偏好发现用户的相似群体,利用相似群体而不是朋友用户可以全面提供更合适的兴趣点推荐给用户,并且缓解LBSN中数据稀疏的问题,从而可以更好地提高推荐效果。
Description
技术领域
本发明属于行为识别领域,具体涉及一种结合出行兴趣与社交偏好的POI推荐方法。
背景技术
随着移动社交网络的不断发展,利用用户发布的位置信息为其提供基于地域的个性化推荐服务不仅给用户提供了便利,也为商户带来了巨大的潜在利益。位置预测技术作为此类服务中的关键技术,是基于位置的社交网络中的重要研究内容之一。在基于位置预测的社交网络当中,用户们经常互相分享自己的一些相关地理位置信息,如评价,图片,文字。个性化POI推荐是LBSN(基于位置的社交网络中)的重要任务,如为用户推荐电影院、餐饮、旅游景点等,兴趣点一般推荐的是用户从未去过但有可能感兴趣的点,这促使用户更好地了解了其所处的这个城市,为用户提供更好的体验。
在原先的推荐技术当中,很多技术只考虑了给用户推荐最感兴趣的位置,并没有考虑用户的上一个目的地和下一个目的地的联系和社交兴趣。但其实用户在出行的时候是有一定的规律性,他们的POI签到更是具有一定的兴趣偏好。比如有些用户先去吃饭,再去电影院,最后再去购物。
发明内容
针对以上问题,本发明的目的是提出一种结合出行兴趣与社交偏好的POI推荐方法,该方法不仅考虑到上一个目的地与下一个目的地之间的联系,还结合用户的社交兴趣,来进行推荐。
为实现上述目的,本发明采用如下的技术方案:
一种结合出行兴趣与社交偏好的POI推荐方法,包括以下步骤:
步骤一:首先根据LBSN中用户历史POI数据分布学习用户出行行为,利用变阶马尔科夫算法根据当前位置预测用户未来出行访问的POI;
步骤二:利用用户提供的文本信息提取主题向量构建社交关联的兴趣相似;
步骤三:再利用出行序列构造异构出行信息网络,通过随机游走的SimRank方法建立出行行为的兴趣相似;
步骤四:综合社交兴趣相似分析和出行行为相似分析,进而确定相似群体;
步骤五:结合步骤一预测的用户未来出行访问的POI以及用户的相似群体产生候选POI集合,通过计算兴趣度发现TOP-N个用户最可能去的POI。
本发明进一步的改进在于,步骤一的具体过程如下:
(1)首先利用用户一天的出行兴趣点来建立一条兴趣点序列,POI序列的定义为:Seq_Loc=loc0→…→loci→…→loch,
其中loci代表某一个位置点,loci=(lat,lon,check_intime,POIi,POI_categoryj);其中lat,lon表示位置的经度,纬度;check_intime表示签到的时间;POIi,POI_categoryj是位置标识与POI类别;Seq={(id,Seq_Loc)|id=1,2,…,m},id唯一标识了用户u每一条轨迹,Seq为某个用户的所有出行序列集合;
(2)其次利用变阶马尔科夫算法进行下一个出行目的地预测,具体的实施过程如下:
假设用户u的历史到访兴趣点集POI={POI1,…,POIi,…,POIw},
其中POIi表示兴趣点名称,w表示到访兴趣点总数;
在一条兴趣点序列Seq_Loc中,若给定位置locn+1∈POI,则locn+1的N阶上下文模型,指的是Seq_Loc中以locn为目的地,且长度为N的序列,即通过在Seq中搜索与具有相同长度的轨迹,在每个上下文模型中都添加一个初始频度为N-1阶的逃逸码,根据满足条件的轨迹次数来预测位置locn+1在紧邻时间的兴趣点中出现概率;
对于兴趣点序列Seq_Loc,用Pi表示用户到达目的地POIi的概率,则用如下公式(1)进行计算;
Pi=P(locn+1|Seq_Loc) (1)
当Seq中包含位置POIi的上下文模型预测POIi的出现概率Pi为并停止计算;当Seq中没有时,逃逸码频度减1,同时上下文模型更改为并计算逃逸码预测概率再次统计的出现次数,当Seq中能匹配到时,输出的出现概率是如此重复统计,直至逃逸码频度为1;如公式(2)所示:
其中,0<k<N
其中表示Seq中以POIi为目的地的上下文模型出现个数;表示Seq中以不同目的地的上下文模型出现的总数;表示Seq中匹配上下文模型的不同目的地的集;表示Seq中匹配上下文模型的不同目的地的类型总数;表示上下文模型的逃逸码频度;表示上下文模型的逃逸码预测概率;
***中的每个兴趣点都对应分别的POI类别,下一个出行兴趣点预测的目的是,推荐给用户与预测概率最大的兴趣点具有相同POI类别的POI。
本发明进一步的改进在于,步骤二的具体过程为:
(1)首先利用用户社交文本信息定义两个用户之间的相似度;
对于一个给定的用户u,Tweet(u)表示用户发布的所有社交本发明信息集合,通过对用户的Tweet(u)进行分词过滤、停用词过滤以及词性标注;
(2)其次通过LDA主题模型算法对文本进行主题提取,为每个用户u对应的主题建立一个主题向量tu来存储用户的主题向量信息;对于两个用户ui和uj来说,他们之间的社交兴趣相似性Sim_Interest(ui,uj)由公式(3)所示:
Sim_Interest(ui,uj)∈[0,1],Sim_Interest(ui,uj)≈1则表示ui和uj兴趣相似,如果Sim_Interest(ui,uj)≈0则表示ui和uj兴趣不相似。
本发明进一步的改进在于,步骤三的具体过程如下:
(1)首先进行异构出行信息网络的建模;
用三元组H<U,POI,E>表示异构出行网络,其中U为用户节点结合;POI为所有兴趣点集合;
网络中所有无向边的集合为:E=EUU∪EUL∪ELL;
其中EUU为用户-用户边集合,表示用户兴趣相似,EUL为用户-兴趣点边集合,表示用户签到行为,ELL为兴趣点-兴趣点边集合;
(2)其次进行基于随机游走的SimRank的出行偏好相似计算;
在网络H中,两个用户ui和uj的相似性取决于ui和uj在网络H中随机游走直到相遇,其中相遇所经过的路径的长度和能相遇的次数,基于异构出行信息网络的建模的SimRank的计算方法,如公式(4)和公式(5)所示:
其中,k≤K,k为迭代次数,t(ui,uj)→(x,x)表示以ui、uj为起点的两条随机游走路径,首次在x点相遇,两条路径的长度相同,均为l(t);假设两条路径分别为t1=(q1,q2,...,qm,x),t2=(q1′,q2′,...,q′m,x);游走t1的概率为游走t2的概率为ui和uj通过路径t1和t2在顶点x相遇的概率
本发明进一步的改进在于,步骤四的具体过程如下:
利用ui和uj两个用户之间两种属性相似度Sim_Interest(ui,uj)和Sim_Track(ui,uj)的加权融合来计算两个用户ui和uj之间的融合相似度Sim_Fuse(ui,uj):
Sim_Fuse(ui,uj)=ω1Sim_Interest(ui,uj)+ω2Sim_Track(ui,uj)(6)
其中ωi为各个属性相似度的权重。
本发明进一步的改进在于,ω1+ω2=1。
本发明进一步的改进在于,ω1=0.5和ω2=0.5。
本发明进一步的改进在于,步骤五的具体过程如下:
(1)首先通过计算用户的签到地点lj在相同类型地点集合中所有签到地点的签到数总和的比重表示用户ui对地点lj的兴趣度;
用户ui对地点lj的签到次数表示为check_in(ui,lj),利用公式(7)表明用户ui对地点lj的兴趣度Interest(ui,lj):
其中为用户ui对与地点lj具有相同POI类型的地点包括地点lj在内的签到地点平均签到次数;为用户对于与地点lj具有相同POI类型的地点包括地点lj在内的签到地点的签到次数的方差;
(2)其次对于每个用户u∈U,利用相似度算法对待测用户进行计算,计算u与U-{u}中每个用户的相似度,按照相似度对U-{u}中的所有用户进行降序排序,取前H项,得到一个与用户u最相似的用户集合Sim(u),集合Sim(ui)中的用户表示为v;
(3)最后搜索与用户下一个目的地Li具有相同POI类型标签的未知地点,并放入候选位置集合L*中。
本发明进一步的改进在于,搜索与用户下一个目的地Li具有相同POI类型标签的未知地点,并放入候选位置集合L*中的具体过程如下:
在用户ui的候选位置集合中取位置点lk,位置点lk对应的用户ui的相似用户集合为V,V∈Sim(ui),集合V中有X个与用户ui相似的用户V={v1,v2,...,vX};用户ui对lk的兴趣度Interest(ui,lk)表示为公式(8)
通过计算用户与候选位置集中每个位置的兴趣度,取TOP-N作为兴趣点推荐集合R(u)。
本发明的进一步改进在于,不仅考虑了用户与兴趣点的直接关系,还考虑了当前位置对下一个出行地点的影响,利用出行的下一个目的地的兴趣点类型作为推荐地点的POI类型。在兼顾位置预测的同时利用社交兴趣和出行偏好发现用户的相似群体。
与现有技术相比,本发明具有的有益效果为:本发明不仅考虑了用户与兴趣点的直接关系,还考虑了当前位置对下一个出行地点的影响,利用出行的下一个目的地的兴趣点类型作为推荐地点的POI类型。在兼顾位置预测的同时利用社交兴趣和出行偏好发现用户的相似群体,利用相似群体而不是朋友用户可以全面提供更合适的兴趣点推荐给用户,并且缓解LBSN中数据稀疏的问题,从而可以更好地提高推荐效果。
本发明针对推荐内容的及时性提出了一种结合出行兴趣与社交偏好的POI推荐方法,该方法与前人研究不同的有三点,一是通过预测确定下一个兴趣点的服务类型,二是通过相似群体而非朋友用户发现兴趣点,三是通过社交兴趣和出行偏好更全面的定义相似群体,从而提高了推荐算法的准确性,并解决了数据的稀疏性。此外本发明分别从准确度和召回度两个方面和经典的协同过滤推荐算法以及基于用户评级的兴趣点推荐算法做了对比,实验结果表明:本发明提出的一种结合出行兴趣与社交偏好的POI推荐方法的准确率高于两个对比算法,说明该方法可以有效的推荐给用户下一个访问的兴趣点,提高了兴趣点推荐效果。
附图说明
图1为本发明的结合出行兴趣与社交偏好的POI推荐方法流程框图。
具体实施方式
以下对本发明提出的结合出行兴趣与社交偏好的POI推荐方法,进行具体说明。
参见图1,本发明包括以下步骤:
步骤一,首先根据LBSN(基于位置的社交网络)中用户历史兴趣点(Point ofInterest,POI)数据分布学习用户出行行为,利用变阶马尔科夫算法根据当前位置预测用户未来出行访问的POI即未来到达POI的语义信息;具体过程如下:
(1)首先利用用户一天的出行兴趣点来建立一条兴趣点序列。兴趣点(POI)序列的定义为:Seq_Loc=loc0→…→loci→…→loch,
其中loci代表某一个位置点,loci=(lat,lon,check_intime,POIi,POI_categoryj)。其中lat,lon表示位置的经度,纬度;check_intime表示签到的时间;POIi,POI_categoryj是位置标识与POI类别;Seq={(id,Seq_Loc)|id=1,2,…,m},id唯一标识了用户u每一条轨迹。Seq为某个用户的所有出行序列集合;
(2)其次利用变阶马尔科夫算法进行下一个出行目的地预测,具体的实施过程如下:
假设用户u的历史到访兴趣点集POI={POI1,…,POIi,…,POIw},
其中POIi表示兴趣点名称,w表示到访兴趣点总数。
在一条兴趣点序列Seq_Loc中,若给定位置locn+1∈POI,则locn+1的N阶上下文模型,指的是Seq_Loc中以locn为目的地,且长度为N的序列,即通过在Seq中搜索与具有相同长度的轨迹,变阶马尔科夫算法在每个上下文模型中都添加一个初始频度为N-1阶的逃逸码,根据满足条件的轨迹次数来预测位置locn+1在紧邻时间的兴趣点中出现概率。
对于兴趣点序列Seq_Loc,本发明用Pi表示用户到达目的地POIi的概率,则可用如下公式(1)进行计算。
Pi=P(locn+1|Seq_Loc) (1)
当Seq中包含位置POIi的上下文模型预测POIi的出现概率Pi为并停止计算;当Seq中没有时,逃逸码频度减1,同时上下文模型更改为并计算逃逸码预测概率再次统计的出现次数,当Seq中能匹配到时,输出的出现概率是如此重复统计,直至逃逸码频度为1。如公式(2)所示。
其中,0<k<N
其中表示Seq中以POIi为目的地的上下文模型出现个数。表示Seq中以不同目的地的上下文模型出现的总数;表示Seq中匹配上下文模型的不同目的地的集;表示Seq中匹配上下文模型的不同目的地的类型总数;表示上下文模型的逃逸码频度;表示上下文模型的逃逸码预测概率。
***中的每个兴趣点都对应分别的POI类别,下一个出行兴趣点预测的目的是,推荐给用户与预测概率最大的兴趣点具有相同POI类别的POI。
步骤二,利用用户提供的文本信息提取主题向量构建社交关联的兴趣相似;具体过程如下:
(1)首先利用用户社交文本信息定义两个用户之间的相似度。对于一个给定的用户u,通过对用户u发布的所有社交本发明信息集合Tweet(u)进行分词过滤、停用词过滤以及词性标注;
(2)其次通过LDA主题模型算法对文本进行主题提取,为每个用户u对应的主题建立一个主题向量tu来存储用户的主题向量信息;两个用户ui和uj之间的社交兴趣相似性Sim_Interest(ui,uj)由公式(3)所示:
Sim_Interest(ui,uj)∈[0,1],Sim_Interest(ui,uj)≈1则表示ui和uj兴趣相似,如果Sim_Interest(ui,uj)≈0则表示ui和uj兴趣不相似。
步骤三,再利用出行序列构造异构出行信息网络,通过随机游走的SimRank方法建立出行行为的兴趣相似。
(1)首先进行异构出行信息网络的建模
本发明采用HIN理论将基于位置的社交网络建模为异构网络,LBSN(基于位置的社交网络)中出行信息表现为用户在某一点签到。现用三元组H<U,POI,E>表示异构出行网络,其中U为用户节点结合;POI为所有兴趣点集合;
网络中所有无向边的集合为:E=EUU∪EUL∪ELL。
其中EUU表示用户-用户边集合,表示用户兴趣相似,EUL表示用户-兴趣点边集合,表示用户签到行为,ELL表示兴趣点-兴趣点边集合,即兴趣点为相同类型POI。
(2)其次进行基于随机游走的SimRank的出行偏好相似计算。
本发明利用基于随机游走的SimRank方法计算两个用户的出行偏好相似。在网络H中,两个用户ui和uj的相似性取决于ui和uj在网络H中随机游走直到相遇,其中相遇所经过的路径的长度和能相遇的次数,基于异构出行信息网络的建模的SimRank的计算方法,如公式(4)和公式(5)所示:
其中t(ui,uj)→(x,x)表示以ui、uj为起点的两条随机游走路径,首次在x点相遇,两条路径的长度相同,均为l(t)。假设两条路径分别为t1=(q1,q2,...,qm,x),t2=(q′1,q′2,...,q′m,x)。游走t1的概率为游走t2的概率为ui和uj通过路径t1和t2在顶点x相遇的概率
步骤四,综合社交兴趣相似和出行行为相似进而得到相似群体。
步骤二和步骤三分别进行了社交兴趣相似和出行行为相似的建模,进而得到了两个用户ui和uj之间两种属性相似度Sim_Interest(ui,uj)和Sim_Track(ui,uj)。
本步骤利用ui和uj两个用户之间两种属性相似度Sim_Interest(ui,uj)和Sim_Track(ui,uj)的加权融合来计算两个用户ui和uj之间的融合相似度Sim_Fuse(ui,uj):
Sim_Fuse(ui,uj)=ω1Sim_Interest(ui,uj)+ω2Sim_Track(ui,uj) (6)
其中ωi为各个属性相似度的权重。ω1+ω2=1,本发明权重设置为ω1=0.5和ω2=0.5。
步骤五,结合预测的用户未来出行访问的POI以及用户的相似群体产生候选POI集合,通过计算兴趣度发现TOP-N个用户最可能去的POI。
步骤一通过预测下一个位置的POI语义,步骤四通过结合社交兴趣相似和出行位置相似得到相似群体。而本发明提出的POI推荐算法通过结合步骤一以及步骤四,通过计算兴趣度发现TOP-N个用户最可能去的POI。具体过程如下:
(1)首先通过计算用户的签到地点lj在相同类型地点集合中所有签到地点的签到数总和的比重表示用户ui对地点lj的兴趣度。
用户ui对地点lj的签到次数表示为check_in(ui,lj),本发明利用公式(7)表明ui对地点lj的兴趣度Interest(ui,lj):
其中为用户ui对与地点lj具有相同POI类型的地点包括地点lj在内的签到地点平均签到次数;为用户对于与地点lj具有相同POI类型的地点包括地点lj在内的签到地点的签到次数的方差。
(2)其次对于每个用户u∈U,利用相似度算法对待测用户进行计算,计算u与U-{u}中每个用户的相似度,按照相似度对U-{u}中的所有用户进行降序排序,取前H项(实验),得到一个与用户u最相似的用户集合Sim(u),集合Sim(ui)中的用户表示为v。
(3)最后搜索与用户下一个目的地Li具有相同POI类型标签的未知地点,并放入候选位置集合L*中。
具体地,在用户ui的候选位置集合中取位置点lk,lk对应的用户ui的相似用户集合为V,V∈Sim(ui),集合V中有X个与用户ui相似的用户V={v1,v2,...,vX}。用户ui对lk的兴趣度Interest(ui,lk)表示为公式(8)
通过计算用户与候选位置集中每个位置的兴趣度,取TOP-N作为兴趣点推荐集合R(u)。
本发明以LBSN(基于位置的社交网络)的数据进行学习从而来发现用户的行为,通过变阶马尔可夫算法来预测用户的下一个语义位置,然后进行社交兴趣和出行行为分析来发现相似群体,通结合预测的POI语义以及用户的相似群体产生候选POI集合,通过计算兴趣度发现TOP-N个用户最可能去的POI。
Claims (9)
1.一种结合出行兴趣与社交偏好的POI推荐方法,其特征在于,包括以下步骤:
步骤一:首先根据LBSN中用户历史POI数据分布学习用户出行行为,利用变阶马尔科夫算法根据当前位置预测用户未来出行访问的POI;
步骤二:利用用户提供的文本信息提取主题向量构建社交关联的兴趣相似;
步骤三:再利用出行序列构造异构出行信息网络,通过随机游走的SimRank方法建立出行行为的兴趣相似;
步骤四:综合社交兴趣相似分析和出行行为相似分析,进而确定相似群体;
步骤五:结合步骤一预测的用户未来出行访问的POI以及用户的相似群体产生候选POI集合,通过计算兴趣度发现TOP-N个用户最可能去的POI。
2.根据权利要求1所述的一种结合出行兴趣与社交偏好的POI推荐方法,其特征在于,步骤一的具体过程如下:
(1)首先利用用户一天的出行兴趣点来建立一条兴趣点序列,POI序列的定义为:Seq_Loc=loc0→…→loci→…→loch,
其中loci代表某一个位置点,loci=(lat,lon,check_intime,POIi,POI_categoryj);其中lat,lon表示位置的经度,纬度;check_intime表示签到的时间;POIi,POI_categoryj是位置标识与POI类别;Seq={(id,Seq_Loc)|id=1,2,…,m},id唯一标识了用户u每一条轨迹,Seq为某个用户的所有出行序列集合;
(2)其次利用变阶马尔科夫算法进行下一个出行目的地预测,具体的实施过程如下:
假设用户u的历史到访兴趣点集POI={POI1,…,POIi,…,POIw},
其中POIi表示兴趣点名称,w表示到访兴趣点总数;
在一条兴趣点序列Seq_Loc中,若给定位置locn+1∈POI,则locn+1的N阶上下文模型,指的是Seq_Loc中以locn为目的地,且长度为N的序列,即通过在Seq中搜索与具有相同长度的轨迹,在每个上下文模型中都添加一个初始频度为N-1阶的逃逸码,根据满足条件的轨迹次数来预测位置locn+1在紧邻时间的兴趣点中出现概率;
对于兴趣点序列Seq_Loc,用Pi表示用户到达目的地POIi的概率,则用如下公式(1)进行计算;
Pi=P(locn+1|Seq_Loc) (1)
当Seq中包含位置POIi的上下文模型预测POIi的出现概率Pi为并停止计算;当Seq中没有时,逃逸码频度减1,同时上下文模型更改为并计算逃逸码预测概率再次统计的出现次数,当Seq中能匹配到时,输出的出现概率是如此重复统计,直至逃逸码频度为1;如公式(2)所示:
其中,0<k<N
其中表示Seq中以POIi为目的地的上下文模型出现个数;表示Seq中以不同目的地的上下文模型出现的总数;表示Seq中匹配上下文模型的不同目的地的集;表示Seq中匹配上下文模型的不同目的地的类型总数;表示上下文模型的逃逸码频度;表示上下文模型的逃逸码预测概率;
***中的每个兴趣点都对应分别的POI类别,下一个出行兴趣点预测的目的是,推荐给用户与预测概率最大的兴趣点具有相同POI类别的POI。
3.根据权利要求1所述的一种结合出行兴趣与社交偏好的POI推荐方法,其特征在于,步骤二的具体过程为:
(1)首先利用用户社交文本信息定义两个用户之间的相似度;
对于一个给定的用户u,Tweet(u)表示用户发布的所有社交本发明信息集合,通过对用户的Tweet(u)进行分词过滤、停用词过滤以及词性标注;
(2)其次通过LDA主题模型算法对文本进行主题提取,为每个用户u对应的主题建立一个主题向量tu来存储用户的主题向量信息;对于两个用户ui和uj来说,他们之间的社交兴趣相似性Sim_Interest(ui,uj)由公式(3)所示:
Sim_Interest(ui,uj)∈[0,1],Sim_Interest(ui,uj)≈1则表示ui和uj兴趣相似,如果Sim_Interest(ui,uj)≈0则表示ui和uj兴趣不相似。
4.根据权利要求1所述的一种结合出行兴趣与社交偏好的POI推荐方法,其特征在于,步骤三的具体过程如下:
(1)首先进行异构出行信息网络的建模;
用三元组H<U,POI,E>表示异构出行网络,其中U为用户节点结合;POI为所有兴趣点集合;
网络中所有无向边的集合为:E=EUU∪EUL∪ELL;
其中EUU为用户-用户边集合,表示用户兴趣相似,EUL为用户-兴趣点边集合,表示用户签到行为,ELL为兴趣点-兴趣点边集合;
(2)其次进行基于随机游走的SimRank的出行偏好相似计算;
在网络H中,两个用户ui和uj的相似性取决于ui和uj在网络H中随机游走直到相遇,其中相遇所经过的路径的长度和能相遇的次数,基于异构出行信息网络的建模的SimRank的计算方法,如公式(4)和公式(5)所示:
其中,k≤K,k为迭代次数,t(ui,uj)→(x,x)表示以ui、uj为起点的两条随机游走路径,首次在x点相遇,两条路径的长度相同,均为l(t);假设两条路径分别为t1=(q1,q2,...,qm,x),t2=(q′1,q′2,...,q′m,x);游走t1的概率为游走t2的概率为ui和uj通过路径t1和t2在顶点x相遇的概率
5.根据权利要求4所述的一种结合出行兴趣与社交偏好的POI推荐方法,其特征在于,步骤四的具体过程如下:
利用ui和uj两个用户之间两种属性相似度Sim_Interest(ui,uj)和Sim_Track(ui,uj)的加权融合来计算两个用户ui和uj之间的融合相似度Sim_Fuse(ui,uj):
Sim_Fuse(ui,uj)=ω1Sim_Interest(ui,uj)+ω2Sim_Track(ui,uj) (6)
其中ωi为各个属性相似度的权重。
6.根据权利要求5所述的一种结合出行兴趣与社交偏好的POI推荐方法,其特征在于,ω1+ω2=1。
7.根据权利要求6所述的一种结合出行兴趣与社交偏好的POI推荐方法,其特征在于,ω1=0.5和ω2=0.5。
8.根据权利要求1所述的一种结合出行兴趣与社交偏好的POI推荐方法,其特征在于,步骤五的具体过程如下:
(1)首先通过计算用户的签到地点lj在相同类型地点集合中所有签到地点的签到数总和的比重表示用户ui对地点lj的兴趣度;
用户ui对地点lj的签到次数表示为check_in(ui,lj),利用公式(7)表明用户ui对地点lj的兴趣度Interest(ui,lj):
其中为用户ui对与地点lj具有相同POI类型的地点包括地点lj在内的签到地点平均签到次数;为用户对于与地点lj具有相同POI类型的地点包括地点lj在内的签到地点的签到次数的方差;
(2)其次对于每个用户u∈U,利用相似度算法对待测用户进行计算,计算u与U-{u}中每个用户的相似度,按照相似度对U-{u}中的所有用户进行降序排序,取前H项,得到一个与用户u最相似的用户集合Sim(u),集合Sim(ui)中的用户表示为v;
(3)最后搜索与用户下一个目的地Li具有相同POI类型标签的未知地点,并放入候选位置集合L*中。
9.根据权利要求3所述的一种结合出行兴趣与社交偏好的POI推荐方法,其特征在于,搜索与用户下一个目的地Li具有相同POI类型标签的未知地点,并放入候选位置集合L*中的具体过程如下:
在用户ui的候选位置集合中取位置点lk,位置点lk对应的用户ui的相似用户集合为V,V∈Sim(ui),集合V中有X个与用户ui相似的用户V={v1,v2,...,vX};用户ui对lk的兴趣度Interest(ui,lk)表示为公式(8)
通过计算用户与候选位置集中每个位置的兴趣度,取TOP-N作为兴趣点推荐集合R(u)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811574899.2A CN109726336B (zh) | 2018-12-21 | 2018-12-21 | 一种结合出行兴趣与社交偏好的poi推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811574899.2A CN109726336B (zh) | 2018-12-21 | 2018-12-21 | 一种结合出行兴趣与社交偏好的poi推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726336A true CN109726336A (zh) | 2019-05-07 |
CN109726336B CN109726336B (zh) | 2022-11-01 |
Family
ID=66296976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811574899.2A Active CN109726336B (zh) | 2018-12-21 | 2018-12-21 | 一种结合出行兴趣与社交偏好的poi推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726336B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110149595A (zh) * | 2019-05-10 | 2019-08-20 | 北京工业大学 | 一种基于hmm的异构网络用户行为预测方法 |
CN110287425A (zh) * | 2019-05-09 | 2019-09-27 | 北京邮电大学 | 节约网联汽车车载终端计算资源的周边兴趣点推荐方法 |
CN110413897A (zh) * | 2019-06-14 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 用户兴趣挖掘方法、装置、存储介质和计算机设备 |
CN110704741A (zh) * | 2019-09-30 | 2020-01-17 | 杭州电子科技大学 | 基于时空点过程的兴趣点预测方法 |
CN110887501A (zh) * | 2019-11-15 | 2020-03-17 | 桂林电子科技大学 | 一种面向可变目的地的交通导航方法及装置 |
CN110990717A (zh) * | 2019-11-22 | 2020-04-10 | 广西师范大学 | 一种基于跨域关联的兴趣点推荐方法 |
CN111159583A (zh) * | 2019-12-31 | 2020-05-15 | 中国联合网络通信集团有限公司 | 用户行为分析方法、装置、设备及存储介质 |
CN111191151A (zh) * | 2019-12-20 | 2020-05-22 | 上海淇玥信息技术有限公司 | 一种基于poi标签推送信息的方法、装置和电子设备 |
CN111241419A (zh) * | 2020-01-09 | 2020-06-05 | 辽宁工程技术大学 | 一种基于用户关系嵌入模型的下一个兴趣点推荐方法 |
CN111324816A (zh) * | 2020-03-05 | 2020-06-23 | 重庆大学 | 一种基于区域划分和上下文影响的兴趣点推荐方法 |
CN111506833A (zh) * | 2020-06-12 | 2020-08-07 | 中国人民大学 | 基于单源SimRank精确解的好友推荐方法 |
CN113175940A (zh) * | 2021-04-26 | 2021-07-27 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备和存储介质 |
CN114118250A (zh) * | 2021-11-22 | 2022-03-01 | 西北工业大学 | 一种基于活动相似性的跨平台用户同一身份识别的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050256756A1 (en) * | 2004-05-17 | 2005-11-17 | Lam Chuck P | System and method for utilizing social networks for collaborative filtering |
CN106021305A (zh) * | 2016-05-05 | 2016-10-12 | 北京邮电大学 | 一种模式与偏好感知的poi推荐方法及*** |
CN107657015A (zh) * | 2017-09-26 | 2018-02-02 | 北京邮电大学 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
US20180129971A1 (en) * | 2016-11-10 | 2018-05-10 | Adobe Systems Incorporated | Learning user preferences using sequential user behavior data to predict user behavior and provide recommendations |
-
2018
- 2018-12-21 CN CN201811574899.2A patent/CN109726336B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050256756A1 (en) * | 2004-05-17 | 2005-11-17 | Lam Chuck P | System and method for utilizing social networks for collaborative filtering |
CN106021305A (zh) * | 2016-05-05 | 2016-10-12 | 北京邮电大学 | 一种模式与偏好感知的poi推荐方法及*** |
US20180129971A1 (en) * | 2016-11-10 | 2018-05-10 | Adobe Systems Incorporated | Learning user preferences using sequential user behavior data to predict user behavior and provide recommendations |
CN107657015A (zh) * | 2017-09-26 | 2018-02-02 | 北京邮电大学 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
RAM DEEPAK GOTTAPU等: "Point-Of-Interest Recommender System for Social Groups", 《COMPLEX ADAPTIVE SYSTEMS CONFERENCE WITH THEME: ENGINEERING CYBER PHYSICAL SYSTEMS》 * |
高媛等: "基于用户兴趣相似性的节点移动模型", 《计算机应用》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287425A (zh) * | 2019-05-09 | 2019-09-27 | 北京邮电大学 | 节约网联汽车车载终端计算资源的周边兴趣点推荐方法 |
CN110149595A (zh) * | 2019-05-10 | 2019-08-20 | 北京工业大学 | 一种基于hmm的异构网络用户行为预测方法 |
CN110149595B (zh) * | 2019-05-10 | 2021-01-08 | 北京工业大学 | 一种基于hmm的异构网络用户行为预测方法 |
CN110413897A (zh) * | 2019-06-14 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 用户兴趣挖掘方法、装置、存储介质和计算机设备 |
CN110413897B (zh) * | 2019-06-14 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 用户兴趣挖掘方法、装置、存储介质和计算机设备 |
CN110704741A (zh) * | 2019-09-30 | 2020-01-17 | 杭州电子科技大学 | 基于时空点过程的兴趣点预测方法 |
CN110704741B (zh) * | 2019-09-30 | 2021-10-15 | 杭州电子科技大学 | 基于时空点过程的兴趣点预测方法 |
CN110887501A (zh) * | 2019-11-15 | 2020-03-17 | 桂林电子科技大学 | 一种面向可变目的地的交通导航方法及装置 |
CN110887501B (zh) * | 2019-11-15 | 2020-10-02 | 桂林电子科技大学 | 一种面向可变目的地的交通导航方法及装置 |
CN110990717A (zh) * | 2019-11-22 | 2020-04-10 | 广西师范大学 | 一种基于跨域关联的兴趣点推荐方法 |
CN110990717B (zh) * | 2019-11-22 | 2023-03-31 | 广西师范大学 | 一种基于跨域关联的兴趣点推荐方法 |
CN111191151A (zh) * | 2019-12-20 | 2020-05-22 | 上海淇玥信息技术有限公司 | 一种基于poi标签推送信息的方法、装置和电子设备 |
CN111191151B (zh) * | 2019-12-20 | 2023-08-25 | 上海淇玥信息技术有限公司 | 一种基于poi标签推送信息的方法、装置和电子设备 |
CN111159583A (zh) * | 2019-12-31 | 2020-05-15 | 中国联合网络通信集团有限公司 | 用户行为分析方法、装置、设备及存储介质 |
CN111241419A (zh) * | 2020-01-09 | 2020-06-05 | 辽宁工程技术大学 | 一种基于用户关系嵌入模型的下一个兴趣点推荐方法 |
CN111241419B (zh) * | 2020-01-09 | 2023-11-24 | 辽宁工程技术大学 | 一种基于用户关系嵌入模型的下一个兴趣点推荐方法 |
CN111324816A (zh) * | 2020-03-05 | 2020-06-23 | 重庆大学 | 一种基于区域划分和上下文影响的兴趣点推荐方法 |
CN111324816B (zh) * | 2020-03-05 | 2023-04-07 | 重庆大学 | 一种基于区域划分和上下文影响的兴趣点推荐方法 |
CN111506833A (zh) * | 2020-06-12 | 2020-08-07 | 中国人民大学 | 基于单源SimRank精确解的好友推荐方法 |
CN113175940A (zh) * | 2021-04-26 | 2021-07-27 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备和存储介质 |
CN113175940B (zh) * | 2021-04-26 | 2024-04-30 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备和存储介质 |
CN114118250A (zh) * | 2021-11-22 | 2022-03-01 | 西北工业大学 | 一种基于活动相似性的跨平台用户同一身份识别的方法 |
CN114118250B (zh) * | 2021-11-22 | 2024-04-12 | 西北工业大学 | 一种基于活动相似性的跨平台用户同一身份识别的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109726336B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726336A (zh) | 一种结合出行兴趣与社交偏好的poi推荐方法 | |
Gao et al. | Exploring social-historical ties on location-based social networks | |
US8612134B2 (en) | Mining correlation between locations using location history | |
CN110191416B (zh) | 用于分析目标实体的移动的装置、***和方法 | |
Frejinger | Route choice analysis: data, models, algorithms and applications | |
Smirnov et al. | Intelligent mobile tourist guide: Context-based approach and implementation | |
KR20180006875A (ko) | 주문형 서비스를 위한 정보를 제공하는 방법들 및 시스템들 | |
Chen et al. | Hybrid recommendation system for tourism | |
Sang et al. | Activity sensor: Check-in usage mining for local recommendation | |
Lenka et al. | PSPS: An IoT based predictive smart parking system | |
Gao et al. | Mining human mobility in location-based social networks | |
Zheng et al. | Location-based social networks: Locations | |
Elbery et al. | A carpooling recommendation system based on social vanet and geo-social data | |
Tang et al. | Discovering Travel Community for POI Recommendation on Location‐Based Social Networks | |
Leng et al. | Managing travel demand: Location recommendation for system efficiency based on mobile phone data | |
Pan et al. | Exploiting user behavior learning for personalized trajectory recommendations | |
Cai et al. | Holiday destination choice behavior analysis based on AFC data of urban rail transit | |
Chang et al. | Hotel recommendation based on surrounding environments | |
He et al. | Personalized next point-of-interest recommendation via latent behavior patterns inference | |
Gao et al. | Inferring travel patterns and the attractiveness of touristic areas based on fusing Wi-Fi sensing data and GPS traces with a Kyoto Case study | |
Guidotti et al. | Unveiling mobility complexity through complex network analysis | |
Wu et al. | Spatial heterogeneity in the nonlinear impact of built environment on commuting time of active users: A gradient boosting regression tree approach | |
Ashley-Dejo et al. | A context-aware proactive recommender system for tourist | |
KR20200045690A (ko) | 일정 추정을 통한 숙소 추천 서비스 제공 시스템 및 방법 | |
Cavallaro et al. | Eliciting cities points of interest from people movements and suggesting effective itineraries |
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 |