CN109726336A - 一种结合出行兴趣与社交偏好的poi推荐方法 - Google Patents

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

一种结合出行兴趣与社交偏好的POI推荐方法

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→…→loc_i→…→loc_h，

其中loc_i代表某一个位置点，loc_i＝(lat,lon,check_in_time,POI_i,POI_category_j)；其中lat,lon表示位置的经度，纬度；check_in_time表示签到的时间；POI_i,POI_category_j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,…,POI_i,…,POI_w}，

其中POI_i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loc_n+1∈POI，则loc_n+1的N阶上下文模型，指的是Seq_Loc中以loc_n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loc_n+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P_i表示用户到达目的地POI_i的概率，则用如下公式(1)进行计算；

P_i＝P(loc_n+1|Seq_Loc) (1)

当Seq中包含位置POI_i的上下文模型预测POI_i的出现概率P_i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POI_i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t_u来存储用户的主题向量信息；对于两个用户u_i和u_j来说，他们之间的社交兴趣相似性Sim_Interest(u_i,u_j)由公式(3)所示：

Sim_Interest(u_i,u_j)∈[0,1]，Sim_Interest(u_i,u_j)≈1则表示u_i和u_j兴趣相似，如果Sim_Interest(u_i,u_j)≈0则表示u_i和u_j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＝E_UU∪E_UL∪E_LL；

其中E_UU为用户-用户边集合，表示用户兴趣相似，E_UL为用户-兴趣点边集合，表示用户签到行为，E_LL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u_i和u_j的相似性取决于u_i和u_j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(u_i,u_j)→(x,x)表示以u_i、u_j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,...,q_m,x)，t₂＝(q₁′,q₂′,...,q′_m,x)；游走t₁的概率为游走t₂的概率为u_i和u_j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u_i和u_j两个用户之间两种属性相似度Sim_Interest(u_i,u_j)和Sim_Track(u_i,u_j)的加权融合来计算两个用户u_i和u_j之间的融合相似度Sim_Fuse(u_i,u_j)：

Sim_Fuse(u_i,u_j)＝ω₁Sim_Interest(u_i,u_j)+ω₂Sim_Track(u_i,u_j)(6)

其中ω_i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l_j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u_i对地点l_j的兴趣度；

用户u_i对地点l_j的签到次数表示为check_in(u_i,l_j)，利用公式(7)表明用户u_i对地点l_j的兴趣度Interest(u_i,l_j)：

其中为用户u_i对与地点l_j具有相同POI类型的地点包括地点l_j在内的签到地点平均签到次数；为用户对于与地点l_j具有相同POI类型的地点包括地点l_j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(u_i)中的用户表示为v；

(3)最后搜索与用户下一个目的地L_i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L_i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u_i的候选位置集合中取位置点l_k，位置点l_k对应的用户u_i的相似用户集合为V,V∈Sim(u_i)，集合V中有X个与用户u_i相似的用户V＝{v₁,v₂,...,v_X}；用户u_i对l_k的兴趣度Interest(u_i,l_k)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→…→loc_i→…→loc_h，

其中loc_i代表某一个位置点，loc_i＝(lat,lon,check_in_time,POI_i,POI_category_j)。其中lat,lon表示位置的经度，纬度；check_in_time表示签到的时间；POI_i,POI_category_j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,…,POI_i,…,POI_w}，

其中POI_i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loc_n+1∈POI，则loc_n+1的N阶上下文模型，指的是Seq_Loc中以loc_n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loc_n+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P_i表示用户到达目的地POI_i的概率，则可用如下公式(1)进行计算。

P_i＝P(loc_n+1|Seq_Loc) (1)

当Seq中包含位置POI_i的上下文模型预测POI_i的出现概率P_i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POI_i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t_u来存储用户的主题向量信息；两个用户u_i和u_j之间的社交兴趣相似性Sim_Interest(u_i,u_j)由公式(3)所示：

Sim_Interest(u_i,u_j)∈[0,1]，Sim_Interest(u_i,u_j)≈1则表示u_i和u_j兴趣相似，如果Sim_Interest(u_i,u_j)≈0则表示u_i和u_j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＝E_UU∪E_UL∪E_LL。

其中E_UU表示用户-用户边集合，表示用户兴趣相似，E_UL表示用户-兴趣点边集合，表示用户签到行为，E_LL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u_i和u_j的相似性取决于u_i和u_j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(u_i,u_j)→(x,x)表示以u_i、u_j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,...,q_m,x)，t₂＝(q′₁,q′₂,...,q′_m,x)。游走t₁的概率为游走t₂的概率为u_i和u_j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u_i和u_j之间两种属性相似度Sim_Interest(u_i,u_j)和Sim_Track(u_i,u_j)。

本步骤利用u_i和u_j两个用户之间两种属性相似度Sim_Interest(u_i,u_j)和Sim_Track(u_i,u_j)的加权融合来计算两个用户u_i和u_j之间的融合相似度Sim_Fuse(u_i,u_j)：

Sim_Fuse(u_i,u_j)＝ω₁Sim_Interest(u_i,u_j)+ω₂Sim_Track(u_i,u_j) (6)

其中ω_i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l_j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u_i对地点l_j的兴趣度。

用户u_i对地点l_j的签到次数表示为check_in(u_i,l_j)，本发明利用公式(7)表明u_i对地点l_j的兴趣度Interest(u_i,l_j)：

其中为用户u_i对与地点l_j具有相同POI类型的地点包括地点l_j在内的签到地点平均签到次数；为用户对于与地点l_j具有相同POI类型的地点包括地点l_j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(u_i)中的用户表示为v。

(3)最后搜索与用户下一个目的地L_i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u_i的候选位置集合中取位置点l_k，l_k对应的用户u_i的相似用户集合为V,V∈Sim(u_i)，集合V中有X个与用户u_i相似的用户V＝{v₁,v₂,...,v_X}。用户u_i对l_k的兴趣度Interest(u_i,l_k)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→…→loc_i→…→loc_h，

其中loc_i代表某一个位置点，loc_i＝(lat,lon,check_in_time,POI_i,POI_category_j)；其中lat,lon表示位置的经度，纬度；check_in_time表示签到的时间；POI_i,POI_category_j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,…,POI_i,…,POI_w}，

其中POI_i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loc_n+1∈POI，则loc_n+1的N阶上下文模型，指的是Seq_Loc中以loc_n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loc_n+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P_i表示用户到达目的地POI_i的概率，则用如下公式(1)进行计算；

P_i＝P(loc_n+1|Seq_Loc) (1)

当Seq中包含位置POI_i的上下文模型预测POI_i的出现概率P_i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POI_i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t_u来存储用户的主题向量信息；对于两个用户u_i和u_j来说，他们之间的社交兴趣相似性Sim_Interest(u_i,u_j)由公式(3)所示：

Sim_Interest(u_i,u_j)∈[0,1]，Sim_Interest(u_i,u_j)≈1则表示u_i和u_j兴趣相似，如果Sim_Interest(u_i,u_j)≈0则表示u_i和u_j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＝E_UU∪E_UL∪E_LL；

其中E_UU为用户-用户边集合，表示用户兴趣相似，E_UL为用户-兴趣点边集合，表示用户签到行为，E_LL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u_i和u_j的相似性取决于u_i和u_j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(u_i,u_j)→(x,x)表示以u_i、u_j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,...,q_m,x)，t₂＝(q′₁,q′₂,...,q′_m,x)；游走t₁的概率为游走t₂的概率为u_i和u_j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u_i和u_j两个用户之间两种属性相似度Sim_Interest(u_i,u_j)和Sim_Track(u_i,u_j)的加权融合来计算两个用户u_i和u_j之间的融合相似度Sim_Fuse(u_i,u_j)：

Sim_Fuse(u_i,u_j)＝ω₁Sim_Interest(u_i,u_j)+ω₂Sim_Track(u_i,u_j) (6)

其中ω_i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l_j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u_i对地点l_j的兴趣度；

用户u_i对地点l_j的签到次数表示为check_in(u_i,l_j)，利用公式(7)表明用户u_i对地点l_j的兴趣度Interest(u_i,l_j)：

其中为用户u_i对与地点l_j具有相同POI类型的地点包括地点l_j在内的签到地点平均签到次数；为用户对于与地点l_j具有相同POI类型的地点包括地点l_j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(u_i)中的用户表示为v；

(3)最后搜索与用户下一个目的地L_i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L_i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u_i的候选位置集合中取位置点l_k，位置点l_k对应的用户u_i的相似用户集合为V,V∈Sim(u_i)，集合V中有X个与用户u_i相似的用户V＝{v₁,v₂,...,v_X}；用户u_i对l_k的兴趣度Interest(u_i,l_k)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)。