CN102594905B - 一种基于场景的社交网络位置兴趣点推荐方法 - Google Patents

Abstract

本发明提供了一种基于场景的社交网络位置兴趣点推荐方法。该方法主要借助用户的社交网络关系，好友的位置兴趣点历史，给用户进行个性化的位置兴趣点推荐。位置兴趣点可以是某个餐馆，某个休闲场所，某家商场，这些位置既有地理意义上的描述如经纬度，也有文字性上的描述如西餐店。该方法提供了一种个性化推荐方法，使得针对用户的位置推荐更合理，更有意义，同时推荐的结果也更易为用户接受，给日常出行，移动生活提供了方便。

Description

一种基于场景的社交网络位置兴趣点推荐方法

技术领域

本发明涉及一种位置兴趣点推荐方法，更具体地讲，是一种基于现实世界中某个场景位置，进行位置兴趣点个性化推荐的方法，属于网络通信领域。

背景技术

社交网络的发展，拓展了人们互相交流的方式，作为web2.0的重要组成部分，社交网络把现实世界中的人与人联系了起来。传统的电子商务、平面媒体等系统也逐渐加入社交网络元素，构建相应的领域网络结构。

2011年，移动互联网进入人们的生活。作为移动和互联网融合的产物，继承了移动随时随地随身和互联网分享、开放、互动的优势。在这样的背景下，运营商提供无线接入，互联网企业提供各种成熟的应用，将互联网从电脑延伸至手机等客户端上。

传统的推荐有类似亚马逊网站的书籍推荐，有类似豆瓣的音乐推荐，有类似社交网络中的好友推荐。这些推荐系统，通过对用户和产品或者用户与用户之间的关系进行建模。主流的推荐系统采用基于内容过滤^[1]，基于协作过滤^[2]和基于网络的图结构^[3]的方法。

以Facebook、Twitter、Foursquare等为代表的社交网络都已经具备了“位置分享”、“位置签到”、“位置标识”等位置服务的初级功能。这类应用大多是用户利用手机客户端，主动输入位置信息，上传到网络服务端，记录用户在某个位置的一些信息，比如经度纬度、位置内容描述等等。

在移动互联网中，用户在移动的状态下，对搜索的需求非常大，比如查找某个感兴趣的位置，现在的搜索还大多是用户输入感兴趣的关键词，然后服务端将查询得到的信息，显示在用户手机客户端。这类的搜索建立在用户主动提供搜索关键词，搜索的效果一般。搜索结果可以是按照某个类别的升序或降序进行排列，当呈现出大量的结果时，常常需对搜索的结果进行二次筛选。这类搜索在同一个地方针对不同的用户来讲，其呈现的结果却大多是一样的，结果千篇一律，因此算不上一种个性化的推荐。

[1]SouvikDebnath,NiloyGanguly,PabitraMitra.FeatureWeightinginContentBasedRecommendationSystemUsingsocialnetworkanalysis.WWW/PosterPaper,April,2008,pages1041-1042

[2]G.Linden,B.SmithandJ.York.Amazon.comrecommendations:item-to-itemcollaborativefiltering.InternetComputing,IEEE,Vol.7,No.1.(January2003),pp.76-80.doi:10.1109/MIC.2003.1167344Key:citeulike:346829

[3]MarcoGori,AugustoPucol.Aradom-walkBasedScoringAlgorithmwithApplicationtoRecommenderSystemsforLarge-ScaleE-commerce.WEBKDD’06,2006pages:127-146。

发明内容

技术问题：本发明的目的在于提供一种基于场景的社交网络位置兴趣点推荐方法。基于本发明，能够更加准确的为不同的用户提供与其所在现实世界中位置相关的个性化的位置兴趣点推荐，使得推荐更加具有针对性。

技术方案：本发明提供了一种基于现实场景的社交网络中的个性化位置推荐方法。通常我们会向自己的好友请求关于某个物品的推荐，基于这样的思想，利用社交网络这一社会关系，挖掘社会关系中好友所经历的位置历史，同时对位置进行多种层次的分类，使得给用户的关于位置兴趣点的推荐，更加个性化更有针对性。

1.当用户在某个位置时，得到该位置的地理信息，这里我们取经纬度，是一个绝对地理意义上的表示；

2.查找出当前所在的位置一个活动半径范围之内的所有位置兴趣点，作为兴趣点集合A；

3.查找出社交关系中的好友，如果好友在此范围内有过位置逗留历史，将历史位置兴趣点查找出，作为集合B；

4.结合用户的特征和好友的特征，对集合A和集合B中的位置兴趣点进行挖掘，分类，得出位置兴趣点推荐结果，并推送给用户。

本发明的实施方法提供技术方案如下：

该方法包括以下内容：在给用户做位置兴趣点推荐的时候，采用用户的社交关系，即用户好友的活动情况，同时依据用户所在当前位置，预选某个类别的位置兴趣点作为候选推荐集合；包括以下步骤：

步骤1：在客户端，获取用户当前位置；利用现在智能终端提供的全球定位系统GPS模块，获取用户在现实世界中的经度和纬度位置坐标；

步骤2：服务端进行数据处理；包括用户社交关系中的好友信息处理和在候选推荐范围内的位置兴趣点位置信息处理；

步骤3：推荐结果按照位置兴趣点的类别，将相关性高的位置推送给客户端，依此作为推荐结果；所述的推荐结果，按照位置兴趣点的类别，计算某个类别某个位置的概率，按照概率的高低排序，依次作为结果推送到用户客户端。

所述的信息处理的方法是：

1)在当前位置处，设定活动半径，选取该范围内的位置兴趣点作为候选推荐集；

2)实现给位置兴趣点设定了类别，同时拉取用户的好友，将这些好友访问的历史兴趣点标记出来，并记录其访问这些类别的情况，用矩阵表示出来；

3)对候选推荐集中的所有位置兴趣点，抽取该位置历史被访问的次数和近一周时间被访问的次数，这两个统计作为我们后续使用的特征；

4)使用贝叶斯概率模型，计算用户访问某个类别某个位置兴趣点的联合概率，依此作为最后推荐的分值，在此基础上进行排序。

有益效果：推荐个性化：现如今LBS应用给用户的体验大多是位置的搜索，将地图中的兴趣点标注起来，然后以距离或以标签为关键字，呈现搜索结果给用户。位置推荐可以看做是位置搜索的延伸，不需要用户的搜索，主动呈现给用户多种类别的位置兴趣点。加入了社交关系这一用户个性化特征后，使得针对用户位置兴趣点的推荐更有针对性，推荐更加个性化，不再千篇一律。

应用领域广泛：由于本发明实际提出了一种关于位置兴趣点的个性化推荐方法，所以在基于位置的移动互联网应用上用途广泛。

附图说明

图1是当前地理位置处，活动范围内的位置兴趣点候选集示意图；

图2是贝叶斯概率产生模型示意图；

图3是基于场景的社交网络位置兴趣点推荐方法示意图。

具体实施方式

为了详细阐明具体实施方式，先对本发明中涉及的名称进行说明。

作为一种推荐方法，在推荐之前，系统中已经采集了用户的位置活动信息。一种可能的用户位置活动组织形式用下面的四元组表示(时间,用户,位置,活动描述)。

1.时间信息：

年月日的形式；

2.用户信息：

维护一个好友列表的形式，用户A的好友集合{A1,A2,…,Am}，这也是用户的社会关系形式；

3.位置信息：

(1)位置编号，用阿拉伯数字表示；

(2)位置坐标，经度纬度表示；

(3)位置名称，用来描述这个位置，如某某酒店、某某商场；

(4)位置类别，如美食、健身等等；

(5)历史访问情况，访问人数统计；

(6)最近一周访问情况，访问人数统计；

(7)同类别位置索引集合，在该位置一个活动半径R范围内，维护一组相似类别的位置编号集合；

4.位置类别：

这个由系统提供选择，事先设定某几种类别，需要涵盖地理位置上的种种位置，类别选取的好坏，决定了推荐效果的好坏。

本方法的实现由两大部分构成：

一.位置获取客户端

1.当用户来到某一地方时，通过全球定位系统GPS模块，得到用户当前所处的位置，将此时的经度和纬度保存下来，此位置记作点P，此用户表示成U；

2.客户端位置信息和用户信息提交到服务端系统中去，待推荐模块做数据处理；

3.数据处理后，将推荐的位置兴趣点结果按多种类别，推送到用户客户端，供用户使用；

二.数据处理服务端

服务端得到客户端提交来的位置信息和用户信息，即针对位置P和用户U,检索系统中的相关数据信息。

具体步骤如下：

步骤1：设定一个活动半径R，以此位置P为圆心，得到活动半径为R的圆形区域，在此基础上可以得到，该圆的外接矩形区域，记作S，如图1所示，我们推荐的位置兴趣点为落在该范围内的位置兴趣点的子集；

步骤2：针对用户U，拉取其好友列表{U1,U2,…,Um}，社会关系中的m个好友，针对好友，做一个局部聚类。这样的聚类相对于整个网络的社会关系来说，更有针对性，更能代表用户的一些社交特征。更进一步讲如下：

2.1对用户来讲，可以对自己的好友或者说社交关系进行分组。如按照兴趣爱好分组，按照关系的亲密程度分组，按照活动范围分组，这些分组大多是用户自己的主观分组，取决于用户的认识。这里的聚类是根据好友的历史活动位置信息，针对用户的移动特征，去过哪些位置，哪种类别的位置。鉴于此将好友进行分类；

2.2分类按照位置的类别进行，在步骤1得到外接矩形区域的基础上，针对该区域内，用户和位置的历史情况，将用户和类别表示成矩阵的形式C，如下所示

$C=\left[\begin{array}{c}{c}_{11},c_{12},c_{13}...,c_{1n}\\ c_{21},c_{22},c_{23},...c_{2n}\\ ...\\ c_{m1},c_{m2},c_{m3},...,c_{\mathrm{mn}}\end{array}\right]---\left(1\right)$

其中c_mn表示用户Um去过位置类别为Cn的地方历史总次数，将某个类别Cn的好友访问次数按照降序排列，这样可以得到某个类别位置的活跃好友情况。某个用户在多个类别下活跃，说明该用户的活动范围很广，我们可以向该用户请求更多的关于该区域内的推荐；

2.3依据上面得到的矩阵形式，对某一用户Ui来讲，其在某个类别下的访问次数最多，将该用户划分到该类别中去；

步骤3：在系统初始化的时候，我们将这些位置兴趣点，存储在空间数据库中，这样在搜索某个范围内的点时，效率更高。针对步骤1中得到的矩形区域S，我们在其中搜索所有位置兴趣点，构成兴趣点集合{P1,P2,…,Ps}；

步骤4：对位置兴趣点Pi来讲，将这些位置按照类别进行归类，某一个类别，按照其历史访问总次数和过去一周时间访问总次数进行归类。维护两个列表：

4.1历史访问总次数列表

C1:{Pi}；C2:{Pj}；…；Cn{Pk}

其中{Pi}表示位置类别为C1的位置兴趣点集合，其中列表中的元素按照被访问次数的降序排列，被访问次数多的，排在列表的前面；

4.2过去一周时间访问总次数列表

C1:{Pi}；C2:{Pj}；…；Cn{Pk}

其中{Pi}表示位置类别为C1的位置兴趣点集合，其中列表中的元素按照在最近一周时间内，被访问次数的降序排列，在一周的时间内，被访问次数总和多的，排在列表的前面；

4.3对上面的集合，有{Pi}∪{Pj}∪...∪{Pk}＝{P1,P2,...Ps}，{Pi}表示类别为C1的位置兴趣点集合，{Pj}表示类别为C2的位置兴趣点集合，{Pk}表示类别为Cn的位置兴趣点集合；

步骤5：将步骤2中得到的好友列表中的好友和步骤4中得到的某个类别C下的位置兴趣点集合组合成如下所示的矩阵形式(user,place)形式

$V=\left[\begin{array}{c}{v}_{11},v_{12},...,v_{1k}\\ v_{21},v_{22},...,v_{2k}\\ ...\\ v_{m1},v_{m2},...,v_{\mathrm{mk}}\end{array}\right]---\left(2\right)$

其中v_ij表示用户U的好友Ui访问位置兴趣点Pj的次数；

步骤6：将位置兴趣点类别、用户的好友和位置兴趣点，表示成如下图2所示概率产生模型。在这种模型下，用C表示位置兴趣点类别，Ui表示用户的好友，P表示推荐的位置兴趣点。在这里，我们假设用户的访问兴趣与其好友有一定的相关性，所以使用他的所有好友的访问特征的总和来代替该用户的访问特征。这样，位置兴趣点类别，用户好友，位置兴趣点的联合概率形式表示如下公式3所示：

Pr(C,U,P)＝Pr(C)Pr(U|C)Pr(P|U)＝Pr(U)Pr(C|U)Pr(P|U)    (3)

最后推荐的结果是某个类别的位置兴趣点，这样，某个类别的位置兴趣点的联合概率可以表示如下公式4所示：

$\mathrm{Pr}(C,P)=\underset{U\∈\{U1,U2,...,\mathrm{Um}\}}{\mathrm{\Σ}}\mathrm{Pr}(C,U,P)=\underset{U\∈\{U1,U2,...,\mathrm{Um}\}}{\mathrm{\Σ}}\mathrm{Pr}\left(U\right)\mathrm{Pr}\left(C\right|U)\mathrm{Pr}\left(P\right|U)---\left(4\right)$

上面的式子中，U是用户好友的集合，将多个用户的好友综合起来，作为用户的访问特征。上面公式4计算的式子也就是我们最终用来评价推荐结果的计算方法，对于类别C下位置P，计算在其类别下各个位置概率的值，计算出的概率高的位置作为优先推荐的结果。

对上面的公式4，下面是其中各部分的计算公式：

$\mathrm{Pr}\left(\mathrm{Ui}\right)==\mathrm{Pr}\left(\mathrm{Ui}\right|\mathrm{Cj})\frac{c_{\mathrm{ij}}}{\underset{k\∈\{\mathrm{1,2},...,m\}}{\mathrm{\Σ}}{c}_{\mathrm{kj}}}---\left(5\right)$

上面的式子，表示某一用户Ui访问某个类别Cj的次数占总类别总的访问次数的比例，在此，我们看做一个用户有m个好友。

$\mathrm{Pr}\left(\mathrm{Cj}\right|\mathrm{Ui})=\frac{c_{\mathrm{ij}}}{\underset{k\∈\{\mathrm{1,2},...,n\}}{\mathrm{\Σ}}{c}_{\mathrm{ik}}}---\left(6\right)$

上面的式子，表示对某一用户Ui来说，在其访问的所有类别次数总和中，访问类别Cj次数所占的比例，在此，我们看做一共有n种位置兴趣点类型。

$\mathrm{Pr}\left(\mathrm{Pj}\right|\mathrm{Ui})=\frac{v_{\mathrm{ij}}}{\underset{j\∈C}{\mathrm{\Σ}}{v}_{\mathrm{ij}}}---\left(7\right)$

上面的式子，在矩阵V中计算，表示用户访问某个位置的次数在其所有访问的位置次数中所占的比例；

步骤7：对于用户U，按照步骤6所讲的，分别计算公式(5)、公式(6)和公式(7)的值，将计算结果代入到公式4中，得到最后关于某个类别C和某个位置P的联合概率值，按照该值的高低，将位置P进行排序，选取前K个位置兴趣点作为该类别下的推荐位置兴趣点结果集合；

步骤8：将步骤7得到的位置兴趣点结果集合，推送到用户客户端，至此，完成一次推荐过程；

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (1)

1.一种基于场景的社交网络位置兴趣点推荐方法，其特征在于该方法包括以下内容：在给用户做位置兴趣点推荐的时候，采用用户的社交关系，即用户好友的活动情况，同时依据用户所在当前位置，预选某个类别的位置兴趣点作为候选推荐集合；包括以下步骤：

步骤1：在客户端，获取用户当前位置；利用现在智能终端提供的全球定位系统GPS模块，获取用户在现实世界中的经度和纬度位置坐标；

步骤2：服务端进行数据处理；包括用户社交关系中的好友信息处理和在候选推荐范围内的位置兴趣点位置信息处理；

步骤3：推荐结果按照位置兴趣点的类别，将相关性高的位置推送给客户端，依此作为推荐结果；所述的推荐结果，按照位置兴趣点的类别，计算某个类别某个位置的概率，按照概率的高低排序，依次作为结果推送到用户客户端；

所述方法的位置获取客户端包括如下步骤：

a.当用户来到某一地方时，通过全球定位系统GPS模块，得到用户当前所处的位置，将此时的经度和纬度保存下来，此位置记作点P，此用户表示成U；

b.客户端位置信息和用户信息提交到服务端系统中去，待推荐模块做数据处理；

c.数据处理后，将推荐的位置兴趣点结果按多种类别，推送到用户客户端，供用户使用；

所述方法的数据处理服务端包括如下步骤：

服务端得到客户端提交来的位置信息和用户信息，即针对位置P和用户U,检索系统中的相关数据信息，包括：

步骤1.1：设定一个活动半径R，以此位置P为圆心，得到活动半径为R的圆形区域，在此基础上可以得到，该圆的外接矩形区域，记作S，将推荐的位置兴趣点为落在该范围内的位置兴趣点的子集；

步骤1.2：针对用户U，拉取其好友列表{U1,U2,…,Um}，社会关系中的m个好友，针对好友，做一个局部聚类；

步骤1.3：在系统初始化的时候，将这些位置兴趣点，存储在空间数据库中；在上述步骤1.1中得到的矩形区域S，我们在其中搜索所有位置兴趣点，构成兴趣点集合{P1,P2,…,Ps}；

步骤1.4：对位置兴趣点Pi来讲，将这些位置按照类别进行归类，某一个类别，按照其历史访问总次数和过去一周时间访问总次数进行归类；

步骤1.5：将上述步骤1.2中得到的好友列表中的好友和上述步骤1.4中得到的某个类别C下的位置兴趣点集合组合成如下所示的矩阵形式(user,place)形式

$V=\left[\begin{array}{c}{v}_{11},v_{12},...,v_{1k}\\ v_{21},v_{22},...,v_{2k}\\ ...\\ v_{m1},v_{m2},...,v_{\mathrm{mk}}\end{array}\right]$

其中v_ij表示用户U的好友Ui访问位置兴趣点Pj的次数；

步骤1.6：将位置兴趣点类别、用户的好友和位置兴趣点，表示成概率产生模型，在这种模型下，用C表示位置兴趣点类别，Ui表示用户的好友，P表示推荐的位置兴趣点；位置兴趣点类别，用户好友，位置兴趣点的联合概率形式表示为：

Pr(C,U,P)＝Pr(C)Pr(U|C)Pr(P|U)＝Pr(U)Pr(C|U)Pr(P|U)   (1)

最后推荐的结果是某个类别的位置兴趣点，这样，某个类别的位置兴趣点的联合概率可以表示如下公式2所示：

$\mathrm{Pr}(C,P)=\underset{U\∈\{U1,U2,...,\mathrm{Um}\}}{\mathrm{\Σ}}\mathrm{Pr}(C,U,P)=\underset{U\∈\{U1,U2,...,\mathrm{Um}\}}{\mathrm{\Σ}}\mathrm{Pr}\left(U\right)\mathrm{Pr}\left(C\right|U)\mathrm{Pr}\left(P\right|U)---\left(2\right)$

上述的公式中，U表示用户好友的集合，将多个用户的好友综合起来，作为用户的访问特征，上述公式(2)计算的式子也就是我们最终用来评价推荐结果的计算方法，对于类别C下位置P，计算在其类别下各个位置概率的值，计算出的概率高的位置作为优先推荐的结果；

对上面的公式2，下面是其中各部分的计算公式：

$\mathrm{Pr}\left(\mathrm{Ui}\right)==\mathrm{Pr}\left(\mathrm{Ui}\right|\mathrm{Cj})\frac{c_{\mathrm{ij}}}{\underset{k\∈\{\mathrm{1,2},...,m\}}{\mathrm{\Σ}}{c}_{\mathrm{kj}}}---\left(3\right)$

上面的公式中，表示某一用户Ui访问某个类别Cj的次数占总类别总的访问次数的比例，在此，我们看做一个用户有m个好友；

$\mathrm{Pr}\left(\mathrm{Cj}\right|\mathrm{Ui})=\frac{c_{\mathrm{ij}}}{\underset{k\∈\{\mathrm{1,2},...,n\}}{\mathrm{\Σ}}{c}_{\mathrm{ik}}}---\left(4\right)$

上面的公式中，表示对某一用户Ui来说，在其访问的所有类别次数总和中，访问类别Cj次数所占的比例，在此，我们看做一共有n种位置兴趣点类型；

$\mathrm{Pr}\left(\mathrm{Pj}\right|\mathrm{Ui})=\frac{v_{\mathrm{ij}}}{\underset{j\∈C}{\mathrm{\Σ}}{v}_{\mathrm{ij}}}---\left(5\right)$

上面的公式中，在矩阵V中计算，表示用户访问某个位置的次数在其所有访问的位置次数中所占的比例；

步骤1.7：对于用户U，按照上述步骤1.6所讲的，分别计算公式(3)、公式(4)和公式(5)的值，将计算结果代入到公式(2)中，得到最后关于某个类别C和某个位置P的联合概率值，按照该值的高低，将位置P进行排序，选取前K个位置兴趣点作为该类别下的推荐位置兴趣点结果集合；

步骤1.8：将上述步骤1.7得到的位置兴趣点结果集合，推送到用户客户端，至此，完成一次推荐过程。