CN115687801B - 基于位置时效特征和时间感知动态相似性的位置推荐方法 - Google Patents
基于位置时效特征和时间感知动态相似性的位置推荐方法 Download PDFInfo
- Publication number
- CN115687801B CN115687801B CN202211180601.6A CN202211180601A CN115687801B CN 115687801 B CN115687801 B CN 115687801B CN 202211180601 A CN202211180601 A CN 202211180601A CN 115687801 B CN115687801 B CN 115687801B
- Authority
- CN
- China
- Prior art keywords
- time
- user
- recommendation
- time slot
- location
- 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
- 238000000034 method Methods 0.000 title claims abstract description 128
- 230000032683 aging Effects 0.000 title claims abstract description 59
- 230000008447 perception Effects 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 238000005065 mining Methods 0.000 claims abstract description 5
- 238000005516 engineering process Methods 0.000 claims description 20
- 230000006399 behavior Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 235000006679 Mentha X verticillata Nutrition 0.000 claims description 6
- 235000002899 Mentha suaveolens Nutrition 0.000 claims description 6
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims description 6
- 230000001550 time effect Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims 1
- YOETUEMZNOLGDB-UHFFFAOYSA-N 2-methylpropyl carbonochloridate Chemical compound CC(C)COC(Cl)=O YOETUEMZNOLGDB-UHFFFAOYSA-N 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于位置时效特征和时间感知动态相似性的位置推荐方法,该方法包括:根据原始签到数据集生成用户‑时间‑位置三维评分矩阵;提取各时间槽的用户‑位置二维评分矩阵,计算不同时间槽内位置的动态相似度。利用改进的基于项目的协同过滤方法预测未访问地址的评分;基于时间感知计算位置在不同时间槽的时效特征值;利用核密度估计方法实现个性化概率密度建模,挖掘地理影响;构建融合用户历史偏好、地理距离影响、位置时效特征和位置动态相似度的评分预测机制,将最终预测评分较高的位置推荐给用户;定义推荐***的时效性评价体系,对比不同推荐***的预测准确度和推荐时效性。本发明可移植性强,具有广阔的工业化应用前景。
Description
技术领域
本发明涉及基于位置时效特征和时间感知动态相似性的位置推荐方法,属于人工智能与机器学习技术领域。
背景技术
近年来,随着移动智能终端的迅速普及和无线通信技术的飞速发展,位置社交网络(Location-based Social Networks,LBSNs)正逐渐风靡全球,例如著名的国外社交网络平台Foursquare、Facebook、Twitter、Yelp以及国内的豆瓣、新浪微博、大众点评等。作为连接物理世界与虚拟网络的互联网桥梁,位置社交网络不是简单的将位置信息硬性加入到传统社交网络中,而是通过对传统社交网络平台和数据结构的重构形成了更为复杂的社交网络。在位置社交网络中,作为信息的消费者,用户可以通过他人分享的信息学习相关知识,在任何时间和地点发掘自己感兴趣的商家和服务,极大地方便了人们的日常生活。作为信息的生产者,用户也可以在任何时间和地点通过智能终端的签到行为主动分享自己的消费体验。
位置社交网络的优势与便捷吸引了大量用户和商家在位置社交网络平台中进行信息交互,积累了大量的位置、图片、音频、视频及评论等信息。这些海量数据为工业界和学术界研究用户行为偏好提供了新契机,但也增大了用户精准寻找自己感兴趣的商品或服务的难度。为了解决大数据时代下的信息过载(Information Overload)问题,推荐***(Recommender System)作为重要的信息检索工具,已成为了位置社交网络中不可或缺的技术服务手段。通过对位置社交网络中大规模时空数据的分析,推荐***能够挖掘用户的行为模式、规律和偏好,并根据现有项目信息给用户推荐相应的商品、服务等。
在位置社交网络中,位置推荐(Location Recommendation)是推荐***领域中的一个研究热点和新兴应用。位置推荐的主要任务是充分挖掘用户在不同地点的签到偏好,向用户推荐其可能感兴趣且未来愿意在此签到的地方。位置推荐***一方面能够帮助用户探索城市中新的有趣的地点,另一方面也可以帮助商家向目标客户精准地投放广告,为商家提供了前所未有的商机。目前,国内热门的社交网络平台(如美团、饿了么、抖音、微博、微信朋友圈等)均已提供了位置推荐服务。
作为推荐***的一个重要组成部分,无论是发展历程还是关键技术,位置推荐***都与传统的推荐***一脉相承,一些位置推荐***研究将位置看作类似于电影、音乐等的普通项目,利用传统推荐方法生成推荐结果。传统推荐***的主要技术包含两个方面,分别是基于内容的方法与协同过滤方法,其中,协同过滤方法又分为基于内存的协同过滤算法和基于模型的协同过滤算法。基于内容的推荐算法(Content-based Recommendation)利用了商品与个人的描述信息,将商品自身的描述属性和用户的个人信息以及兴趣描述等进行相互匹配,在解决冷启动问题上有特别明显的优势,但在解决富媒体(例如视频、图片、音乐)推荐的时候却由于难以提取出有用的信息与特征而具有很大的局限性。基于内存的协同过滤算法主要包括基于用户的协同过滤算法(user-based collaborative filtering,UBCF)和基于项目的协同过滤算法(item-based collaborative filtering,IBCF)。UBCF方法通过计算用户和用户之间的相似度,把与被推荐用户相似的用户访问过的商品推荐给该用户。IBCF方法则是通过计算项目和项目之间的相似度,把一个用户曾访问过的项目的相似项目推荐给该用户。UBCF和IBCF方法比较类似,但相较于海量商品,用户访问过的商品数目非常少,这给计算用户相似度带来了一定的难度,而从商品的角度来说,由于每个商品被用户访问的记录较多,因而更为容易找到相似的商品。因此,从推荐效果来说,IBCF方法往往优于UBCF方法。基于模型的协同过滤算法是一类算法的总称,其典型代表就是矩阵分解算法,例如,利用奇异值分解(SVD)技术分解后的低维正交矩阵在原始矩阵的基础上降低了噪音,可以有效地揭示用户和商品的潜在关联。
与传统项目(如电影、音乐、笑话等)的推荐不同,位置推荐的对象是具有地理因素的地址。用户对线下地址的访问极易受到复杂的上下文环境的影响,从而表现出社交特征、地理特征和时间特征。例如,从社交关系来看,在对位置进行选择时,用户对位置的喜爱程度往往会受到朋友评论的影响。相比于陌生人,用户更愿意相信朋友的分享;从地理特征来看,大多数签到都发生在某些受限区域,例如用户住址或办公室周围的区域;从时间特征来看,签到活动还表现出一些特定的时间模式,例如用户白天在办公室附近的位置签到,晚上则在酒吧、电影院或健身房中签到。这些独特的特征使得位置推荐不同于传统的推荐***,因此,如何在传统推荐算法中进一步引入关系上下文、位置上下文和时间上下文,为用户实时推荐感兴趣的位置列表已成为各类社交应用平台的迫切需求。
位置社交网络中丰富的签到记录、社交关系、时空数据等多源异构信息对用户行为建模有着重要的辅助作用,目前已有一些推荐***将不同类别的上下文融入到位置推荐问题中,但仍存在一些缺点和不足,归纳起来有以下几点:
(1)大部分位置推荐***主要针对用户偏好、社交关系、地理影响等上下文信息进行分析与挖掘,为用户提供的是一个全局推荐列表,无法根据当前时间实现实时推荐。然而,用户在不同时间段对位置的访问需求并不相同,例如,早上8点用户可能去早餐店,下午16点用户可能会去办公室附近的咖啡店,晚上20点则更有可能访问电影院、酒吧等位置。因此,根据时间信息分析用户当前的需求和偏好,为用户提供实时的位置推荐结果能够有效提高推荐准确度和用户满意度。
(2)忽略了位置在不同时间段的动态相似度。现有研究在挖掘位置相似度时,未考虑位置相似度的时间维动态特征,在不同的时间段共享一个全局的相似度矩阵。如何挖掘位置相似度的细粒度特征,使其能够根据时间变量生成不同的位置相似度矩阵,是一个亟需解决的技术问题。
(3)忽略了位置的时效特征。时效特征代表了位置在当前时间的新颖性和流行度,现有研究忽略了对位置时效特征的挖掘。事实上,近期访问频率高的位置比早期访问频率高的位置更受用户欢迎,位置的时效特征与被访问概率之间有必然的相关性。因此,必须针对位置的时效特征提出明确的定义和计算方法,并将时效特征结果应用于推荐过程中,以提升推荐***的时效性。
(4)缺乏针对位置推荐***的时效性评估体系。在位置社交网络中,用户的访问习惯尤其会受到位置时效特征的影响,例如,商场刚开业时总是会吸引更多的顾客。因此,能否将更符合用户近期兴趣偏好的位置及时地推荐给用户,应成为位置推荐***评估中的一个重要的评价指标。然而,现有的推荐技术主要面向推荐结果的准确性进行研究,忽略了位置推荐场景中的时效性评估。
以上所述为现有的位置推荐技术的不足,在不同的位置社交网络平台的设计、开发、部署与运行中带来较大弊端,尤其是在海量项目信息的网络平台上造成推荐***服务质量的下降,进而影响电子商务***的销售业绩。
发明内容
本发明目的在于针对上述现有技术的不足,提出了一种基于位置时效特征和时间感知动态相似性的位置推荐方法,该方法以构建准确度高、时效性强的实时位置推荐***为目标,考虑了位置相似度随时间维变化的动态规律,创新地挖掘了基于时间感知的位置动态相似度,有效提升了位置推荐***的预测准确度。同时,本发明提出了位置时效特征的定义和计算方法,在推荐过程中融合位置的时效特征值,提升了位置推荐***的推荐时效性。此外,本发明以***论为理论依据,将评估体系作为推荐***一个必要的组成部分,不仅衡量推荐***的预测准确性,同时也考察推荐***的时效性。本发明创新地提出了位置推荐***的时效性评估体系,为量化位置推荐***输出结果的新颖度提供了重要的技术支撑。
本发明解决其技术问题所采取的技术方案是:本发明将一天分为8个时间槽,将用户-时间-位置三维评分矩阵按时间槽进行分割,提取出各个时间槽对应的用户-位置二维评分矩阵,分别针对各个评分矩阵利用Jaccard系数计算不同时间槽内位置的动态相似度;改进传统的基于项目的协同过滤方法,利用位置的动态相似度计算用户对未访问地址的评分;定义基于时间感知的位置时效特征计算方法,逐一挖掘每个位置在各个时间槽内的时效特征值;利用核密度估计方法拟合用户签到的个性化分布,量化地理距离给用户签到带来的影响,构建个性化概率密度模型,计算用户对未访问地址的签到概率;综合考虑用户历史偏好、地理距离影响、位置时效特征和位置的动态相似度,计算用户上下文、位置上下文、时间上下文融合下的最终预测评分,对所有未访问地址的最终预测评分进行排序,将排名靠前的若干个位置推荐给用户。
本发明方法的具体流程包括:
步骤1:收集、整理原始签到数据集,将签到记录中的具体时间转换为不同的时间槽,统计不同时间槽内用户在各位置上的签到次数,根据统计结果将签到记录转换成用户-时间-位置三维评分矩阵。
步骤2:按时间槽对用户-时间-位置三维评分矩阵进行分割,提取各时间槽内的用户-位置二维评分矩阵,针对各个评分矩阵利用Jaccard系数计算不同时间槽内位置的动态相似度。改进传统的基于项目的协同过滤方法,利用位置的动态相似度和用户已经完成的评分去预测其对未访问地址的评分。
步骤3:针对每个位置,分别记录各个用户在各时间槽最近一次访问该位置的具体时间,为各用户逐一计算此位置在各时间槽的时效特征值。在不同时间槽内,对访问过此地址的所有用户的位置时效特征值求平均,计算出该位置基于时间感知的时效特征值。
步骤4:根据经纬度信息,计算签到数据集中各个位置之间的地理距离,利用核密度估计方法实现个性化概率密度建模,个性化挖掘地理特征影响。
步骤5:综合考虑用户上下文、位置上下文和时间上下文对用户签到行为的影响,构建融合用户历史偏好、地理距离影响、位置时效特征和位置动态相似度的评分预测机制,将最终预测评分较高的若干个位置推荐给用户。
步骤6:提出时效性评价指标,定义推荐***的时效性评价体系。分别使用准确性评价指标和时效性评价指标对比本发明提出的推荐***和其他经典推荐***的预测准确度和推荐时效性,评估所提出技术的准确性和有效性。
有益效果:
1、本发明提出的基于位置时效特征和时间感知相似性的位置推荐方法在综合考虑用户偏好和地理影响等上下文信息的基础上,进一步考虑了时间上下文对用户签到行为的影响,将推荐结果从“用户-位置”二元关系扩展至“用户-时间-位置”三维模型。所提出的技术方案根据时间信息分析用户当前的需求和偏好,为用户动态提供了实时的位置推荐结果,这不仅有利于增强位置社交网络平台的用户粘性,还能够帮助商家实时地为用户推送广告,为商家带来更大的商业收益。
2、本发明考虑了位置相似度随时间维变化的动态规律,创新地挖掘了基于时间感知的位置相似度,在基于项目的协同过滤基础上实现了自适应推荐,有效提升了位置推荐***的预测准确度。所提出的技术方案不仅能够面向基于项目的协同过滤***,也能够应用于基于用户的协同过滤方法,具有一定的移植性。
3、本发明创新地挖掘了位置的时效特征,量化了位置对用户的吸引力随着时间的推移而衰减的程度,使得推荐结果能够更符合用户的时效偏好。所提出的推荐方法能够为用户提供更多符合其近期兴趣偏好的地址,大大提高了用户对社交网络平台的使用满意度,对实际应用具有非常重要的意义。
4、本发明定义了位置推荐***的时效性评估体系,为检测推荐结果是否符合用户近期兴趣偏好提供了技术指标,填补了位置推荐***时效性评估领域的空白。在实际应用中,将时效性评估结果反馈于推荐***,有助于更好地提升推荐***的推新能力,增强推荐***的鲁棒性。
5、本发明不仅能够应用于位置推荐***,而且能够适用于其他传统项目的个性化推荐领域,可移植性强,具有广阔的工业化应用前景。
附图说明
图1是本发明提出的基于位置时效特征和时间感知相似性的位置推荐方法的流程图。
图2是本发明提出的基于位置时效特征和时间感知相似性的位置推荐方法的具体步骤流程图。
图3是本发明实施案例中用户的位置访问个数和用户数量的统计结果示意图。
图4是本发明实施案例中的基于位置时效特征和时间感知相似性的位置推荐方法运行100次后精确率Precision的箱形图。
图5是本发明实施案例中的基于位置时效特征和时间感知相似性的位置推荐方法运行100次后召回率Recall的箱形图。
图6是本发明实施案例中的基于位置时效特征和时间感知相似性的位置推荐方法运行100次后推荐精度指标F1的箱形图。
图7是本发明实施案例中的推荐方法和经典的基于项目的协同过滤(IBCF)、基于用户的协同过滤(UBCF)、基于核密度估计的访问概率预测方法(KDE)的精确率Precision对比的柱状图。
图8是本发明实施案例中的推荐方法和经典的基于项目的协同过滤(IBCF)、基于用户的协同过滤(UBCF)、基于核密度估计的访问概率预测方法(KDE)的召回率Recall对比的柱状图。
图9是本发明实施案例中的推荐方法和经典的基于项目的协同过滤(IBCF)、基于用户的协同过滤(UBCF)、基于核密度估计的访问概率预测方法(KDE)的综合精度指标F1值对比的柱状图。
图10是本发明实施案例中的推荐方法和经典的基于项目的协同过滤(IBCF)、基于用户的协同过滤(UBCF)、基于核密度估计的访问概率预测方法(KDE)的时效性指标值对比的柱状图。
具体实施方式
下面结合说明书附图对本发明创造作进一步地详细说明。
如图1和图2所示,本发明设计和实现的具体流程包括如下步骤:
步骤1:收集、整理原始签到数据集,将签到记录中的具体时间转换为不同的时间槽,统计不同时间槽内用户在各位置上的签到次数,根据统计结果将签到记录转换成用户-时间-位置三维评分矩阵。操作步骤如下:
步骤1-1:收集原始签到数据集C,对每一条签到记录中的签到时间取整,取整后的签到时间记为time,time值的集合为Time={0,1,2,3,…,23}。将一天的时间划分为8个离散的时间槽t,时间槽集合表示为T={0,1,2,…,7}。取整后的签到时间time和时间槽t的对应转换关系如下:
步骤1-2:整理转换为时间槽后的签到数据集,获得n条签到记录,记作C={c1,c2,…,cn}。其中,每一条签到记录均包含了发生签到行为的用户ID、签到时间槽t以及被访问位置的ID、经度和纬度信息,记作ci=<userID,t,locationID,longitude,latitude>,i∈[1,n]。签到数据集中所有用户集合为U,所有位置集合为L,用户和位置的数量分别记作NU和NL。
步骤1-3:将用户u在时间槽t对位置l的评分定义为:若用户u在时间槽t对应的签到时间段内访问过位置l,则评分ru,t,l=1;反之,ru,t,l=0。
汇总所有评分,形成用户-时间-位置三维评分矩阵R={ru,t,l},u∈U,t∈[0,7],l∈L,评分矩阵R共有NU×8行,共有NL列,其中NU和NL分别为用户和位置的总数。
步骤2:按时间槽对用户-时间-位置三维评分矩阵进行分割,提取各时间槽内的用户-位置二维评分矩阵,针对各个评分矩阵利用Jaccard系数计算不同时间槽内位置的动态相似度。改进传统的基于项目的协同过滤方法,利用位置的动态相似度和用户已经完成的评分去预测其对未访问地址的评分。具体操作步骤如下:
步骤2-1:根据时间槽t的值,将用户-时间-位置三维评分矩阵分割成从t=0到t=7共八个用户-位置二维评分矩阵,记作Rt={ru,l},t∈[0,7],u∈U,l∈L。
步骤2-2:针对每个二维评分矩阵Rt,选用更适合二进制评分的Jaccard系数计算位置相似度,分别计算在各时间槽t时位置li和lj之间基于时间感知的动态相似度:
其中,i∈[1,NL],j∈[1,NL],t∈[0,7],Ui,t表示在时间槽t时访问过位置li的用户集合,Uj,t表示在时间槽t时访问过位置lj的用户集合。
步骤2-3:选定位置社交网络中某目标用户ua作为推荐服务对象,将当前推荐时间timer转换为对应的时间槽tr。
步骤2-4:改进传统的基于项目的协同过滤方法,利用位置的动态相似度和目标用户ua已经完成的评分去预测其对未访问地址l的评分:
其中,ua是推荐***当前服务的目标对象,tr是推荐***提供推荐服务时对应的时间槽,l是目标用户尚未访问过的一个位置,L表示所有位置集合,sim(l,l',tr)表示在时间槽tr时位置l和l'之间的动态相似度,表示目标用户ua在时间槽tr时对位置l'的评分。
步骤3:针对每个位置,分别记录各个用户在各时间槽最近一次访问该位置的具体时间,为各用户逐一计算此位置在各时间槽的时效特征值。在不同时间槽内,对访问过此地址的所有用户的位置时效特征值求平均,计算出该位置基于时间感知的时效特征值。
实现步骤如下:
步骤3-1:记录签到数据集中签到行为发生的最老时间和最新时间,分别记作minT和maxT。
步骤3-2:针对每个位置,将访问过某位置l的所有用户记作集合U_l。若用户u∈U_l,则记录用户u在时间槽t最近一次访问位置l的时间为recentT(u,l,t)。对于用户u来说,位置l在时间槽t的时效特征值timeliness(u,l,t)计算如下:
其中minT和maxT分别为签到数据集中签到行为发生的最老时间和最新时间,recentT(u,l,t)为用户u在时间槽t最近一次访问位置l的时间。
步骤3-3:对访问过位置l的U_l集合中所有用户的timeliness(u,l,t)值求平均,计算位置l在时间槽t的基于时间感知的时效特征值:
其中U_l为访问过位置l的所有用户集合,timeliness(u,l,t)表示在时间槽t时位置l针对用户u的时效特征值。
步骤4:根据经纬度信息,计算签到数据集中各个位置之间的地理距离,利用核密度估计方法实现个性化概率密度建模,个性化挖掘地理特征影响。实现步骤如下:
步骤4-1:在签到数据集C中获取所有地址及其对应的经纬度信息,根据每个地址的经纬度,计算位置之间的地理距离。设位置li的经纬度分别为lngi和lati,记作li=<lngi,lati>,位置lj的经纬度分别为lngj和latj,记作lj=<lngj,latj>,则位置li和lj之间的地理距离为:
其中,R是地球半径,R=6371km。
计算每两个地址之间的地理距离后,形成距离矩阵Dist={distij},其中distij表示位置li和lj之间的地理距离,1≤i≤NL,1≤j≤NL,该矩阵有NL行和NL列,NL为签到数据集中的地址总数。
步骤4-2:将目标用户ua访问过的位置集合记录为L_a,从距离矩阵Dist中找到L_a集合中每对位置之间的地理距离d,形成距离样本集合X_a,通过距离d上的概率密度函数f来估计距离分布:
其中,σ是平滑系数,也称为带宽,K(.)是高斯核函数:
步骤4-3:给定目标用户ua已访问过的位置集合L_a,计算目标用户ua访问候选地址li的概率为:
其中f函数为概率密度函数如公式7所示。
步骤5:综合考虑用户上下文、位置上下文和时间上下文对用户签到行为的影响,构建融合用户历史偏好、地理距离影响、位置时效特征和位置动态相似度的评分预测机制,将最终预测评分较高的若干个位置推荐给用户。实现步骤如下:
步骤5-1:为了计算目标用户ua在当前推荐时间槽tr对未访问地址l的最终预测评分,首先对上述步骤2、步骤3和步骤4中生成的各项预评分进行min-max标准化处理:
其中,是利用改进的基于项目的协同过滤方法,在当前推荐时间槽tr计算目标用户ua对未访问地址l的评分,如步骤2-4所示;timeliness(l,tr)是候选地址l在当前推荐时间槽tr时基于时间感知的时效特征值,如步骤3-3所示,pr(l|L_a)是基于目标用户ua已访问过的位置集合L_a,利用核密度估计方法预测得到的候选地址l的访问概率,如步骤4-3所示,L是所有位置集合。
步骤5-2:综合考虑位置的时效特征、位置基于时间感知的动态相似度和地理距离对用户签到习惯的影响,计算目标用户ua在tr时对候选地址l的最终预测评分:
步骤5-3:对目标用户ua未访问过的所有地址按照最终预测分(公式13)排序,将排名靠前的N个位置推荐给目标用户ua。
步骤6:提出时效性评价指标,定义推荐***的时效性评价体系。分别使用准确性评价指标和时效性评价指标对比本发明提出的推荐***和其他经典推荐***的预测准确度和推荐时效性,评估所提出技术的准确性和有效性。实现步骤如下:
步骤6-1:随机选取NU×10%个用户作为目标用户集TestU,其中,NU表示签到数据集中的用户总数。为TestU集合中每个目标用户ua分别运行推荐算法,生成当前推荐时间tr下的推荐列表TopNList(ua,tr)。
步骤6-2:计算推荐方法在时间槽tr为目标用户ua提供推荐服务时的时效性指标值,将该值定义为目标用户ua的推荐列表中所有位置的时效特征值的平均值:
其中,ua是目标用户,tr是当前推荐时间对应的时间槽,TopNList(ua,tr)是推荐方法在时间槽tr为目标用户ua提供的推荐列表,timeliness(ua,l,tr)是对于用户ua来说,位置l在时间槽tr的时效特征值(如公式4所示)。
步骤6-3:计算推荐方法在时间槽tr时的时效性:
其中,TestU是目标用户集合,Timeliness(u,tr)是在时间槽tr为目标用户u提供推荐服务时推荐方法的时效性指标值(如公式14所示)。
步骤6-4:定义推荐方法的最终时效性Timeliness为各时间槽时效性指标的平均值:
其中,T是时间槽集合,T={0,1,2,3,4,5,6,7},Timeliness(t)是在时间槽t时推荐方法的时效性(公式15)。
步骤6-5:计算推荐方法在时间槽tr时的精确率和召回率:
其中,TestU是所有目标用户的集合,TP(u,tr)、FP(u,tr)和FN(u,tr)分别是推荐列表中正例对分、负例错分和正例错分的位置数量。
步骤6-6:计算推荐方法的最终精确率和召回率,其值为各个时间槽中对应评估指标的平均值:
其中,T是时间槽集合,T={0,1,2,3,4,5,6,7},precision(t)和recall(t)分别是推荐方法在时间槽t内的精确率和召回率。
步骤6-7:计算推荐***的综合准确度F1值:
其中,precision和recall分别是推荐方法运行一次的总体精确率和召回率。
步骤6-8:重复执行步骤6-1~步骤6-7共Ntimes次,推荐方法的最终时效性指标值Timeliness、预测精确率Precision、召回率Recall和综合精度指标F1的值为Ntimes次对应指标结果的平均值。
步骤6-9:对比分析各指标结果:如果本发明提出的基于位置时效特征和时间感知动态相似性的位置推荐方法的精确率Precision大于其他推荐算法的Precision值,则说明本发明提出的推荐技术预测正确率更高;如果本发明提出的算法的召回率Recall大于其他推荐算法的Recall值,则说明本发明提出的技术查全能力更强;如果本发明提出的算法的综合精度指标F1值大于其他推荐算法的F1值,则说明本发明提出的技术在预测准确度方面综合能力更强;如果本发明提出的推荐方法的时效性Timeliness大于其他推荐算法的Timeliness值,则说明本发明提出的推荐技术更能挖掘用户的近期偏好,具有更强的时效性。
下面以具体的基于位置的社交网络Brightkite为例,详细说明本发明中的基于位置时效特征和时间感知动态相似性的位置推荐方法是如何运行的。
Brightkite数据集是由美国斯坦福大学SNAP实验室收集的在2008年4月至2010年10月期间58228名用户在Brightkite网站上的社交关系和签到信息。Brightkite数据集中的位置数量共693362个,用户的签到记录共4747281条,用户之间形成了214078条社交关系。Brightkite数据集是位置推荐***研究人员最为常用的测试数据集之一。
本发明选择Brightkite数据集中的Los Angeles、San Francisco、New York、Maricopa和King县五个热门地区的签到数据为例进行实例化说明。
步骤1:收集、整理原始签到数据集,将签到记录中的具体时间转换为不同的时间槽,统计不同时间槽内用户在各位置上的签到次数,根据统计结果将签到记录转换成用户-时间-位置三维评分矩阵。操作步骤如下:
步骤1-1:收集原始签到数据集C,对每一条签到记录中的签到时间取整,取整后的签到时间记为time,time值的集合为Time={0,1,2,3,…,23}。例如,若签到时间为00:33:56,则取整后的时间time=0;若签到时间为23:02:54,则取整后的时间time=23。
将一天的时间划分为8个离散的时间槽t,时间槽集合表示为T={0,1,2,…,7}。取整后的签到时间time和时间槽t的对应转换关系如下:
具体来说,取整后的签到时间time和时间槽t的转换方式如表1:
表1签到时间和时间槽对应的转换关系
步骤1-2:整理转换为时间槽后的签到数据集,获得56861条签到记录,记作C={c1,c2,…,c56861}。其中,每一条签到记录均包含了发生签到行为的用户ID、签到时间槽t以及被访问位置的ID、经度和纬度信息,记作ci=<userID,t,locationID,longitude,latitude>,i∈[1,56861]。签到数据集中所有用户集合为U,所有位置集合为L,用户的数量NU=1963,位置的数量NL=2574。本实施案例中用户的位置访问个数和用户数量的统计结果示意图如图3所示。
步骤1-3:将用户u在时间槽t对位置l的评分定义为:若用户u在时间槽t对应的三个签到时间段(表1)内访问过位置l,则评分ru,t,l=1;反之,ru,t,l=0。
汇总所有评分,形成用户-时间-位置三维评分矩阵R={ru,t,l},u∈U,t∈[0,7],l∈L,评分矩阵R共有1963×8行,共有2574列。
步骤2:按时间槽对用户-时间-位置三维评分矩阵进行分割,提取各时间槽内的用户-位置二维评分矩阵,针对各个评分矩阵利用Jaccard系数计算不同时间槽内位置的动态相似度。改进传统的基于项目的协同过滤方法,利用位置的动态相似度和用户已经完成的评分去预测其对未访问地址的评分。具体操作步骤如下:
步骤2-1:根据时间槽t的值,将用户-时间-位置三维评分矩阵分割成从t=0到t=7共八个用户-位置二维评分矩阵,记作Rt={ru,l},t∈[0,7],u∈U,l∈L。
步骤2-2:针对每个二维评分矩阵Rt,选用更适合二进制评分的Jaccard系数计算位置相似度,分别计算在各时间槽t时位置li和lj之间基于时间感知的动态相似度:
其中,i∈[1,2574],j∈[1,2574],t∈[0,7],Ui,t表示在时间槽t时访问过位置li的用户集合,Uj,t表示在时间槽t时访问过位置lj的用户集合。
步骤2-3:选定位置社交网络中某目标用户ua作为推荐服务对象,将当前推荐时间timer转换为对应的时间槽tr。例如,若当前推荐时间为22:01:34,则时间槽tr=7。
步骤2-4:改进传统的基于项目的协同过滤方法,利用位置的动态相似度和目标用户ua已经完成的评分去预测其对未访问地址l的评分:
其中,ua是推荐***当前服务的目标对象,tr是推荐***提供推荐服务时对应的时间槽,l是目标用户尚未访问过的一个位置,L表示所有位置集合,sim(l,l',tr)表示在时间槽tr时位置l和l'之间的动态相似度,表示目标用户ua在时间槽tr时对位置l'的评分。
步骤3:针对每个位置,分别记录各个用户在各时间槽最近一次访问该位置的具体时间,为各用户逐一计算此位置在各时间槽的时效特征值。在不同时间槽内,对访问过此地址的所有用户的位置时效特征值求平均,计算出该位置基于时间感知的时效特征值。
实现步骤如下:
步骤3-1:记录签到数据集中签到行为发生的最老时间和最新时间,分别记作minT和maxT。在本实施案例中,签到行为发生的最老时间为2008年4月4日00:37:58,记作minT=20080404003758;签到行为发生的最新时间为2010年10月18日14:31:04,记作maxT=20101018143104。
步骤3-2:针对每个位置,将访问过某位置l的所有用户记作集合U_l。若用户u∈U_l,则记录用户u在时间槽t最近一次访问位置l的时间为recentT(u,l,t)。对于用户u来说,位置l在时间槽t的时效特征值timeliness(u,l,t)计算如下:
步骤3-3:对访问过位置l的U_l集合中所有用户的timeliness(u,l,t)值求平均,计算位置l在时间槽t的基于时间感知的时效特征值:
其中U_l为访问过位置l的所有用户集合,timeliness(u,l,t)表示在时间槽t时位置l针对用户u的时效特征值。
步骤4:根据经纬度信息,计算签到数据集中各个位置之间的地理距离,利用核密度估计方法实现个性化概率密度建模,个性化挖掘地理特征影响。实现步骤如下:
步骤4-1:在签到数据集C中获取所有地址及其对应的经纬度信息,根据每个地址的经纬度,计算位置之间的地理距离。设位置li的经纬度分别为lngi和lati,记作li=<lngi,lati>,位置lj的经纬度分别为lngj和latj,记作lj=<lngj,latj>,则位置li和lj之间的地理距离为:
计算每两个地址之间的地理距离后,形成距离矩阵Dist={distij},其中distij表示位置li和lj之间的地理距离,1≤i≤2574,1≤j≤2574,该矩阵有2574行和2574列。
步骤4-2:将目标用户ua访问过的位置集合记录为L_a,从距离矩阵Dist中找到L_a集合中每对位置之间的地理距离d,形成距离样本集合X_a,通过距离d上的概率密度函数f来估计距离分布:
其中,σ是平滑系数,也称为带宽,K(.)是高斯核函数:
步骤4-3:给定目标用户ua已访问过的位置集合L_a,计算目标用户ua访问候选地址li的概率为:
其中f函数为概率密度函数如公式28所示。
步骤5:综合考虑用户上下文、位置上下文和时间上下文对用户签到行为的影响,构建融合用户历史偏好、地理距离影响、位置时效特征和位置动态相似度的评分预测机制,将最终预测评分较高的若干个位置推荐给用户。实现步骤如下:
步骤5-1:为了计算目标用户ua在当前推荐时间槽tr对未访问地址l的最终预测评分,
首先对上述步骤2、步骤3和步骤4中生成的各项预评分进行min-max标准化处理:
其中,是利用改进的基于项目的协同过滤方法,在当前推荐时间槽tr计算目标用户ua对未访问地址l的评分,如步骤2-4所);timeliness(l,tr)是候选地址l在当前推荐时间槽tr时基于时间感知的时效特征值,如步骤3-3所示,pr(l|L_a)是基于目标用户ua已访问过的位置集合L_a,利用核密度估计方法预测得到的候选地址l的访问概率,如步骤4-3所示,L是所有位置集合。/>
步骤5-2:综合考虑位置的时效特征、位置基于时间感知的动态相似度和地理距离对用户签到习惯的影响,计算目标用户ua在tr时对候选地址l的最终预测评分:
步骤5-3:对目标用户ua未访问过的所有地址按照最终预测分排序,将排名靠前的N个位置推荐给目标用户ua。N取值为10的倍数,分别为10,20,30,40,50。
步骤6:提出时效性评价指标,定义推荐***的时效性评价体系。分别使用准确性评价指标和时效性评价指标对比本发明提出的推荐***和其他经典推荐***的预测准确度和推荐时效性,评估所提出技术的准确性和有效性。实现步骤如下:
步骤6-1:随机选取196个用户作为目标用户集TestU,为TestU集合中每个目标用户ua分别运行推荐算法,生成当前推荐时间tr下的推荐列表TopNList(ua,tr)。
步骤6-2:计算推荐方法在时间槽tr为目标用户ua提供推荐服务时的时效性指标值,将该值定义为目标用户ua的推荐列表中所有位置的时效特征值的平均值:
其中,ua是目标用户,tr是当前推荐时间对应的时间槽,TopNList(ua,tr)是推荐方法在时间槽tr为目标用户ua提供的推荐列表,timeliness(ua,l,tr)是对于用户ua来说,位置l在时间槽tr的时效特征值(公式25)。
步骤6-3:计算推荐方法在时间槽tr时的时效性:
其中,TestU是目标用户集合,Timeliness(u,tr)是在时间槽tr为目标用户u提供推荐服务时推荐方法的时效性指标值,如公式35所示。
步骤6-4:定义推荐方法的最终时效性Timeliness为各时间槽时效性指标的平均值:
其中,T是时间槽集合,T={0,1,2,3,4,5,6,7},Timeliness(t)是在时间槽t时推荐方法的时效性,如公式36所示。
步骤6-5:计算推荐方法在时间槽tr时的精确率和召回率:
其中,TestU是所有目标用户的集合,TP(u,tr)、FP(u,tr)和FN(u,tr)分别是推荐列表中正例对分、负例错分和正例错分的位置数量。
步骤6-6:计算推荐方法的最终精确率和召回率,其值为各个时间槽中对应评估指标的平均值:
其中,T是时间槽集合,T={0,1,2,3,4,5,6,7},precision(t)和recall(t)分别是推荐方法在时间槽t内的精确率和召回率。
步骤6-7:计算推荐***的综合准确度F1值:
其中,precision和recall分别是推荐方法运行一次的总体精确率和召回率。
步骤6-8:重复执行步骤6-1~步骤6-7共100次,本发明提出的推荐方法在运行100次后的精确率Precision、召回率Recall和综合精度指标F1的箱形图分别如图4、图5和图6所示。
本发明推荐方法的最终时效性指标值Timeliness、预测精确率Precision、召回率Recall和综合精度指标F1的值为100次对应指标结果的平均值。当N分别取值为10,20,30,40,50时,各推荐方法的精确率Precision、召回率Recall、综合精度指标F1、时效性指标Timeliness的结果分别如表2、表3、表4和表5所示,其中,每一行带有加粗格式的数值表示该行指标的最大值:
表2不同推荐方法的精确率Precision指标值
表3不同推荐方法的召回率Recall指标值
表4不同推荐方法的推荐精度F1指标值
表5不同推荐方法的时效性Timeliness指标值
在本案例中,本发明提出的推荐方法和经典的基于项目的协同过滤方法IBCF、基于用户的协同过滤(UBCF)、基于核密度估计的访问概率预测方法KDE的精确率Precision、召回率Recall和综合精度指标F1、时效性Timeliness对比的柱状图分别如图7、图8、图9和图10所示。
步骤6-9:对比分析各指标结果:本发明提出的基于位置时效特征和时间感知动态相似性的位置推荐方法的精确率Precision大于其他推荐算法的Precision值,说明本发明提出的推荐技术预测正确率更高;本发明提出的算法的召回率Recall大于其他推荐算法的Recall值,说明本发明提出的技术查全能力更强;本发明提出的算法的综合精度指标F1值大于其他推荐算法的F1值,说明本发明提出的技术在预测准确度方面综合能力更强;本发明提出的推荐方法的时效性Timeliness大于其他推荐算法的Timeliness值,说明本发明提出的推荐技术更能挖掘用户的近期偏好,具有更强的时效性。
有别于现有的位置推荐算法,本发明以构建实时的、准确度高的、时效性强的位置推荐***为目标,着重考虑位置相似度在不同时间段的差异性以及位置固有的时效特征,创新地挖掘了基于时间感知的位置动态相似度,有效提升了位置推荐***的预测准确度;提出了位置时效特征的定义和计算方法,大幅提升了位置推荐***的推荐时效性。此外,本发明在衡量推荐***预测准确性的同时,还设计了一套针对位置推荐***的时效性评估体系,为量化推荐结果的新颖度提供了重要的技术支撑。本发明提出的技术具有广阔的应用前景,有望在基于位置的社交网络市场中获得广泛的应用。
以上所述技术流程,仅是本发明的较佳实施方式,但并不能代表本发明的所有细节。任何熟悉本技术领域的专业人员在本发明揭露的技术范围内,在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于位置时效特征和时间感知动态相似性的位置推荐方法,其特征在于,所述方法包括如下步骤:
步骤1:收集、整理原始签到数据集,将签到记录中的具体时间转换为不同的时间槽,统计不同时间槽内用户在各位置上的签到次数,根据统计结果将签到记录转换成用户-时间-位置三维评分矩阵;
步骤2:按时间槽对用户-时间-位置三维评分矩阵进行分割,提取各时间槽内的用户-位置二维评分矩阵,针对各个评分矩阵利用Jaccard系数计算不同时间槽内位置的动态相似度,利用位置的动态相似度和用户已完成的评分预测对未访问地址的评分,包括:
步骤2-1:根据时间槽t的值,将用户-时间-位置三维评分矩阵分割成从t=0到t=7共八个用户-位置二维评分矩阵,记作Rt={ru,l},t∈[0,7],u∈U,l∈L;
步骤2-2:针对每个二维评分矩阵Rt,选用更适合二进制评分的Jaccard系数计算位置相似度,分别计算在各时间槽t时位置li和lj之间基于时间感知的动态相似度:
其中,i∈[1,NL],j∈[1,NL],t∈[0,7],NL表示数据集中所有位置的数量,Ui,t表示在时间槽t时访问过位置li的用户集合,Uj,t表示在时间槽t时访问过位置lj的用户集合;
步骤2-3:选定位置社交网络中某目标用户ua作为推荐服务对象,将当前推荐时间timer转换为对应的时间槽tr;
步骤2-4:改进传统的基于项目的协同过滤方法,利用位置的动态相似度和目标用户ua已经完成的评分去预测其对未访问地址l的评分:
其中,ua是推荐***当前服务的目标对象,tr是推荐***提供推荐服务时对应的时间槽,l是目标用户尚未访问过的一个位置,L表示所有位置集合,sim(l,l',tr)表示在时间槽tr时位置l和l'之间的动态相似度,表示目标用户ua在时间槽tr时对位置l'的评分;
步骤3:针对每个位置,分别记录各个用户在各时间槽最近一次访问该位置的具体时间,为各用户逐一计算此位置在各时间槽的时效特征值,在不同时间槽内,对访问过此地址的所有用户的位置时效特征值求平均,计算出该位置基于时间感知的时效特征值,包括:
步骤3-1:记录签到数据集中签到行为发生的最老时间和最新时间,分别记作minT和maxT;
步骤3-2:针对每个位置,将访问过某位置l的所有用户记作集合U_l,若用户u∈U_l,则记录用户u在时间槽t最近一次访问位置l的时间为recentT(u,l,t),对于用户u来说,位置l在时间槽t的时效特征值timeliness(u,l,t)计算如下:
其中minT和maxT分别为签到数据集中签到行为发生的最老时间和最新时间,recentT(u,l,t)为用户u在时间槽t最近一次访问位置l的时间;
步骤3-3:对访问过位置l的U_l集合中所有用户的timeliness(u,l,t)值求平均,计算位置l在时间槽t的基于时间感知的时效特征值:
其中U_l为访问过位置l的所有用户集合,timeliness(u,l,t)表示在时间槽t时位置l针对用户u的时效特征值;
步骤4:根据经纬度信息,计算签到数据集中各个位置之间的地理距离,利用核密度估计方法实现个性化概率密度建模,个性化挖掘地理特征影响;
步骤5:综合考虑用户上下文、位置上下文和时间上下文对用户签到行为的评分预测机制,将最终预测评分较高的若干个位置推荐给用户;
步骤6:提出时效性评价指标,定义推荐***的时效性评价体系,分别使用准确性评价指标和时效性评价指标对比本发明提出的推荐***和其他经典推荐***的预测准确度和推荐时效性,评估所提出技术的准确性和有效性,包括:
步骤6-1:随机选取NU×10%个用户作为目标用户集TestU,其中,NU表示签到数据集中的用户总数,为TestU集合中每个目标用户ua分别运行推荐算法,生成当前推荐时间tr下的推荐列表TopNList(ua,tr);
步骤6-2:计算推荐方法在时间槽tr为目标用户ua提供推荐服务时的时效性指标值,将该值定义为目标用户ua的推荐列表中所有位置的时效特征值的平均值:
其中,ua是目标用户,tr是当前推荐时间对应的时间槽,TopNList(ua,tr)是推荐方法在时间槽tr为目标用户ua提供的推荐列表,timeliness(ua,l,tr)是对于用户ua来说,位置l在时间槽tr的时效特征值;
步骤6-3:计算推荐方法在时间槽tr时的时效性:
其中,TestU是目标用户集合,Timeliness(u,tr)是在时间槽tr为目标用户u提供推荐服务时推荐方法的时效性指标值;
步骤6-4:定义推荐方法的最终时效性Timeliness为各时间槽时效性指标的平均值为:
其中,T是时间槽集合,T={0,1,2,3,4,5,6,7},Timeliness(t)是在时间槽t时推荐方法的时效性;
步骤6-5:计算推荐方法在时间槽tr时的精确率和召回率:
其中,TestU是所有目标用户的集合,TP(u,tr)、FP(u,tr)和FN(u,tr)分别是推荐列表中正例对分、负例错分和正例错分的位置数量;
步骤6-6:计算推荐方法的最终精确率和召回率,其值为各个时间槽中对应评估指标的平均值:
其中,T是时间槽集合,T={0,1,2,3,4,5,6,7},precision(t)和recall(t)分别是推荐方法在时间槽t内的精确率和召回率;
步骤6-7:计算推荐***的综合准确度F1值:
其中,precision和recall分别是推荐方法运行一次的总体精确率和召回率;
步骤6-8:重复执行步骤6-1~步骤6-7共Ntimes次,推荐方法的最终时效性指标值Timeliness、预测精确率Precision、召回率Recall和综合精度指标F1的值为Ntimes次对应指标结果的平均值;
步骤6-9:对比分析各指标结果:如果所述方法的精确率Precision大于其他推荐算法的Precision值,则说明所述方法的推荐技术预测正确率更高;如果所述方法的召回率Recall大于其他推荐算法的Recall值,则说明所述方法的技术查全能力更强;如果所述方法的综合精度指标F1值大于其他推荐算法的F1值,则说明所述方法的技术在预测准确度方面综合能力更强;如果所述方法的时效性Timeliness大于其他推荐算法的Timeliness值,则说明所述方法提出的推荐技术更能挖掘用户的近期偏好,具有更强的时效性。
2.根据权利要求1所述的基于位置时效特征和时间感知动态相似性的位置推荐方法,其特征在于,所述方法的步骤1包括:
步骤1-1:收集原始签到数据集C,对每一条签到记录中的签到时间取整,取整后的签到时间记为time,time值的集合为Time={0,1,2,3,…,23},将一天的时间划分为8个离散的时间槽t,时间槽集合表示为T={0,1,2,…,7},取整后的签到时间time和时间槽t的对应转换关系如下:
步骤1-2:整理转换为时间槽后的签到数据集,获得n条签到记录,记作C={c1,c2,…,cn},其中,每一条签到记录均包含了发生签到行为的用户ID、签到时间槽t以及被访问位置的ID、经度和纬度信息,记作ci=<userID,t,locationID,longitude,latitude>,i∈[1,n],签到数据集中所有用户集合为U,所有位置集合为L,用户和位置的数量分别记作NU和NL;
步骤1-3:将用户u在时间槽t对位置l的评分定义为:若用户u在时间槽t对应的签到时间段内访问过位置l,则评分ru,t,l=1;反之,ru,t,l=0;
汇总所有评分,形成用户-时间-位置三维评分矩阵R={ru,t,l},u∈U,t∈[0,7],l∈L,评分矩阵R共有NU×8行,共有NL列,其中NU和NL分别为用户和位置的总数。
3.根据权利要求1所述的基于位置时效特征和时间感知动态相似性的位置推荐方法,其特征在于,所述方法的步骤4包括:
步骤4-1:在签到数据集C中获取所有地址及其对应的经纬度信息,根据每个地址的经纬度,计算位置之间的地理距离,设位置li的经纬度分别为lngi和lati,记作li=<lngi,lati>,位置lj的经纬度分别为lngj和latj,记作lj=<lngj,latj>,则位置li和lj之间的地理距离为:
其中,R是地球半径,R=6371km;
计算每两个地址之间的地理距离后,形成距离矩阵Dist={distij},其中distij表示位置li和lj之间的地理距离,1≤i≤NL,1≤j≤NL,该矩阵有NL行和NL列,NL为签到数据集中的地址总数;
步骤4-2:将目标用户ua访问过的位置集合记录为L_a,从距离矩阵Dis中找到L_a集合中每对位置之间的地理距离d,形成距离样本集合X_a,通过距离d上的概率密度函数f来估计距离分布:
其中,σ是平滑系数,也称为带宽,K(.)是高斯核函数:
步骤4-3:给定目标用户ua已访问过的位置集合L_a,计算目标用户ua访问候选地址li的概率为:
其中f函数为概率密度函数。
4.根据权利要求1所述的基于位置时效特征和时间感知动态相似性的位置推荐方法,其特征在于,所述方法的步骤5包括:
步骤5-1:为了计算目标用户ua在当前推荐时间槽tr对未访问地址l的最终预测评分,首先对上述步骤2、步骤3、步骤4中生成的各项预评分进行min-max标准化处理:
其中,是利用改进的基于项目的协同过滤方法,在当前推荐时间槽tr计算目标用户ua对未访问地址l的评分;timeliness(l,tr)是候选地址l在当前推荐时间槽tr时基于时间感知的时效特征值,pr(l|L_a)是基于目标用户ua已访问过的位置集合L_a,利用核密度估计方法预测得到的候选地址l的访问概率,L是所有位置集合;
步骤5-2:综合考虑位置的时效特征、位置基于时间感知的动态相似度和地理距离对用户签到习惯的影响,计算目标用户ua在tr时对候选地址l的最终预测评分:
步骤5-3:对目标用户ua未访问过的所有地址按照最终预测评分排序,将排名靠前的N个位置推荐给目标用户ua。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211180601.6A CN115687801B (zh) | 2022-09-27 | 2022-09-27 | 基于位置时效特征和时间感知动态相似性的位置推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211180601.6A CN115687801B (zh) | 2022-09-27 | 2022-09-27 | 基于位置时效特征和时间感知动态相似性的位置推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115687801A CN115687801A (zh) | 2023-02-03 |
CN115687801B true CN115687801B (zh) | 2024-01-19 |
Family
ID=85063463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211180601.6A Active CN115687801B (zh) | 2022-09-27 | 2022-09-27 | 基于位置时效特征和时间感知动态相似性的位置推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115687801B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100048218A (ko) * | 2008-10-30 | 2010-05-11 | 에스케이커뮤니케이션즈 주식회사 | 협업 필터링 시스템과 방법 및 이를 구현할 수 있는 컴퓨터로 읽을 수 있는 기록 매체 |
KR101259604B1 (ko) * | 2011-11-15 | 2013-05-14 | 경기대학교 산학협력단 | 소셜 네트워크 기반의 컨텐츠 추천 시스템 및 컨텐츠 추천 방법 |
CN106776930A (zh) * | 2016-12-01 | 2017-05-31 | 合肥工业大学 | 一种融入时间和地理位置信息的地点推荐方法 |
CN107341261A (zh) * | 2017-07-13 | 2017-11-10 | 南京邮电大学 | 一种面向位置社交网络的兴趣点推荐方法 |
CN107515949A (zh) * | 2017-09-14 | 2017-12-26 | 云南大学 | 兴趣点预测和推荐中的用户时空相似性度量方法 |
CN108074016A (zh) * | 2017-12-25 | 2018-05-25 | 苏州大学 | 基于位置社交网络的用户关系强度预测方法、装置及设备 |
CN108875007A (zh) * | 2018-06-15 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 兴趣点的确定方法和装置、存储介质、电子装置 |
CN110334293A (zh) * | 2019-07-12 | 2019-10-15 | 吉林大学 | 一种面向位置社交网络基于模糊聚类的具有时间感知位置推荐方法 |
KR20190124524A (ko) * | 2018-04-26 | 2019-11-05 | 충북대학교 산학협력단 | 관심장소 추천 방법 및 관심장소 추천 시스템 |
CN111475744A (zh) * | 2020-04-03 | 2020-07-31 | 南京理工大学紫金学院 | 一种基于集成学习的个性化位置推荐方法 |
CN112487307A (zh) * | 2020-12-10 | 2021-03-12 | 武汉大学 | 一种时间感知的poi推荐方法 |
CN112784160A (zh) * | 2021-01-29 | 2021-05-11 | 电子科技大学 | 基于张量分解且顾及上下文语义信息的兴趣点推荐方法 |
CN114036376A (zh) * | 2021-10-26 | 2022-02-11 | 南京理工大学紫金学院 | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 |
CN114528480A (zh) * | 2022-01-21 | 2022-05-24 | 朱俊 | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 |
CN114861081A (zh) * | 2022-05-18 | 2022-08-05 | 南京审计大学 | 一种基于时效近邻可信选取的协同过滤推荐方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100153292A1 (en) * | 2008-12-11 | 2010-06-17 | Microsoft Corporation | Making Friend and Location Recommendations Based on Location Similarities |
-
2022
- 2022-09-27 CN CN202211180601.6A patent/CN115687801B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100048218A (ko) * | 2008-10-30 | 2010-05-11 | 에스케이커뮤니케이션즈 주식회사 | 협업 필터링 시스템과 방법 및 이를 구현할 수 있는 컴퓨터로 읽을 수 있는 기록 매체 |
KR101259604B1 (ko) * | 2011-11-15 | 2013-05-14 | 경기대학교 산학협력단 | 소셜 네트워크 기반의 컨텐츠 추천 시스템 및 컨텐츠 추천 방법 |
CN106776930A (zh) * | 2016-12-01 | 2017-05-31 | 合肥工业大学 | 一种融入时间和地理位置信息的地点推荐方法 |
CN107341261A (zh) * | 2017-07-13 | 2017-11-10 | 南京邮电大学 | 一种面向位置社交网络的兴趣点推荐方法 |
CN107515949A (zh) * | 2017-09-14 | 2017-12-26 | 云南大学 | 兴趣点预测和推荐中的用户时空相似性度量方法 |
CN108074016A (zh) * | 2017-12-25 | 2018-05-25 | 苏州大学 | 基于位置社交网络的用户关系强度预测方法、装置及设备 |
KR20190124524A (ko) * | 2018-04-26 | 2019-11-05 | 충북대학교 산학협력단 | 관심장소 추천 방법 및 관심장소 추천 시스템 |
CN108875007A (zh) * | 2018-06-15 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 兴趣点的确定方法和装置、存储介质、电子装置 |
CN110334293A (zh) * | 2019-07-12 | 2019-10-15 | 吉林大学 | 一种面向位置社交网络基于模糊聚类的具有时间感知位置推荐方法 |
CN111475744A (zh) * | 2020-04-03 | 2020-07-31 | 南京理工大学紫金学院 | 一种基于集成学习的个性化位置推荐方法 |
CN112487307A (zh) * | 2020-12-10 | 2021-03-12 | 武汉大学 | 一种时间感知的poi推荐方法 |
CN112784160A (zh) * | 2021-01-29 | 2021-05-11 | 电子科技大学 | 基于张量分解且顾及上下文语义信息的兴趣点推荐方法 |
CN114036376A (zh) * | 2021-10-26 | 2022-02-11 | 南京理工大学紫金学院 | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 |
CN114528480A (zh) * | 2022-01-21 | 2022-05-24 | 朱俊 | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 |
CN114861081A (zh) * | 2022-05-18 | 2022-08-05 | 南京审计大学 | 一种基于时效近邻可信选取的协同过滤推荐方法及*** |
Non-Patent Citations (1)
Title |
---|
阚绪驰."基于位置社交网络的兴趣点推荐算法研究".《中国优秀硕士学位论文全文数据库 信息科技辑》.2020,I138-1562. * |
Also Published As
Publication number | Publication date |
---|---|
CN115687801A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Activity patterns, socioeconomic status and urban spatial structure: what can social media data tell us? | |
Gao et al. | A personalized point-of-interest recommendation model via fusion of geo-social information | |
Kefalas et al. | A time-aware spatio-textual recommender system | |
Li et al. | Mining user similarity based on location history | |
Xing et al. | Points-of-interest recommendation based on convolution matrix factorization | |
CN106960044B (zh) | 一种基于张量分解及加权hits的时间感知个性化poi推荐方法 | |
CN115408618B (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
CN114036376A (zh) | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 | |
Xia et al. | Vrer: context-based venue recommendation using embedded space ranking SVM in location-based social network | |
Li et al. | Social recommendation based on trust and influence in SNS environments | |
Pipergias Analytis et al. | The structure of social influence in recommender networks | |
CN114528480A (zh) | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 | |
Gu et al. | Context aware matrix factorization for event recommendation in event-based social networks | |
CN111475744B (zh) | 一种基于集成学习的个性化位置推荐方法 | |
Kang et al. | A personalized point-of-interest recommendation system for O2O commerce | |
Gan et al. | Mapping user interest into hyper-spherical space: A novel POI recommendation method | |
Acharya et al. | How can we create a recommender system for tourism? A location centric spatial binning-based methodology using social networks | |
Saraswathi et al. | Deep Learning Enabled Social Media Recommendation Based on User Comments. | |
Lang et al. | POI recommendation based on a multiple bipartite graph network model | |
Wang | Intelligent recommendation model of tourist places based on collaborative filtering and user preferences | |
Feizizadeh et al. | Urban restaurants and online food delivery during the COVID-19 pandemic: a spatial and socio-demographic analysis | |
Li et al. | A contextualized and personalized model to predict user interest using location-based social networks | |
Berlanga et al. | Quality indicators for social business intelligence | |
CN107784095B (zh) | 一种基于移动学习的学习资源自动推荐方法 | |
Sharma et al. | A location based novel recommender framework of user interest through data categorization |
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 |