CN104317973B - 一种地理空间信息自适应主动服务方法 - Google Patents

一种地理空间信息自适应主动服务方法 Download PDF

Info

Publication number
CN104317973B
CN104317973B CN201410665207.0A CN201410665207A CN104317973B CN 104317973 B CN104317973 B CN 104317973B CN 201410665207 A CN201410665207 A CN 201410665207A CN 104317973 B CN104317973 B CN 104317973B
Authority
CN
China
Prior art keywords
user
interest
information
keyword
linear regression
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
Application number
CN201410665207.0A
Other languages
English (en)
Other versions
CN104317973A (zh
Inventor
刘福江
林伟华
徐战亚
郭艳
黄彩春
郭振辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Tu Ge Infotech Ltd
Original Assignee
Wuhan Tu Ge Infotech Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Tu Ge Infotech Ltd filed Critical Wuhan Tu Ge Infotech Ltd
Priority to CN201410665207.0A priority Critical patent/CN104317973B/zh
Publication of CN104317973A publication Critical patent/CN104317973A/zh
Application granted granted Critical
Publication of CN104317973B publication Critical patent/CN104317973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases

Abstract

本发明提供了一种地理空间信息自适应主动服务方法，其不同之处在于，包括以下步骤：步骤1）、通过用户客户端不断返回用户的位置信息，以地点作为主体，为该地点人们所关注的某一方面内容的关键词加上一定的权重，将关键词文本内容进行结构化表示，即关键词的加权表示，构建地理空间兴趣库；步骤2）、收集用户地域活动行为，采用二元线性回归方法来自适应量化用户的兴趣度值，得到用户的相关兴趣数据，建立对应的用户兴趣描述文件，以此作为主动服务的依据。该方法以用户的空间位置信息和用户的行为记录为基础自适应分析用户兴趣需求，进而为用户主动提供服务。

Description

一种地理空间信息自适应主动服务方法
技术领域
本发明涉及地理空间信息与主动推送技术的交叉领域，尤其涉及一种地理空间信息自适应主动服务方法。
背景技术
随着互联网行业的高速发展，信息资源爆炸式增长，人们在社交平台上获取自己所需的信息难度越来越大，人们时常需要一种有针对性的互联网信息服务为他们提供定制信息，依据用户的设定对资源进行收集、整理和分类，而后向用户提供和推荐相关服务或信息，然而现有的推送信息仅仅分析了用户的兴趣，由后台人员直接发布给用户客户端，向用户提供主动服务的时间和地点都具有盲目性。
使用单一的关键词列表来表示用户兴趣库是一种最为直接、原始的表示方式，这种方法虽然简洁而高效，但是由于关键词表在结构上的松散，无法反映出兴趣概念之间的层次关系，很难深入捕捉到用户的隐性兴趣，传统方法主动提供的服务本身的兴趣提取机制不完善、不深入，具有很大的发掘潜力。
在传统加权推送方法之后，人们提出了更为合理的基于向量空间的用户库表示法是对最简单的关键词列表表示法的改进，它在关键词集合的基础上引入了权重标识，是目前运用最为广泛的一种兴趣库表示方法，这种方法加深了对用户信息的发掘，提高了主动服务的用户针对性，但是在提供服务的时间和地点上依旧由发布者主导，发布的服务在很多情况下用户都不会使用。因此，需要一种结合地理空间信息的主动服务方式，提高主动服务过程中空间和时间上的合理性。
发明内容
为了克服上述不足之处，本发明提出一种地理空间信息自适应主动服务方法，该方法使用的多维结构化的兴趣库，引入用户的地理空间位置信息，构建基于地理空间信息的大众兴趣库，而后以用户的空间位置信息和用户的行为记录为基础自适应分析用户兴趣需求，进而为用户主动提供服务。
本发明为实现上述发明目的提供了一种地理空间信息自适应主动服务方法，其特征在于，包括以下步骤：
步骤1）、通过用户客户端不断返回用户的位置信息，以地点作为主体，为该地点人们所关注的某一方面内容的关键词加上一定的权重，将关键词文本内容进行结构化表示，即关键词的加权表示，构建地理空间兴趣库；
步骤2）、收集用户地域活动行为，采用二元线性回归方法来自适应量化用户的兴趣度值，得到用户的相关兴趣数据，建立对应的用户兴趣描述文件，以此作为主动服务的依据；
步骤3）、通过用户客户端返回的位置信息，将用户位置信息与地理空间兴趣库中的地点匹配，并根据步骤2）中产生的用户兴趣描述文件在地理空间兴趣库中提取相应的关键词；
步骤4）、在步骤3）中提取出了基于用户位置信息的关键词后，根据关键词向用户推送相关的服务。
上述方法所述的服务类型包括订房、机票、防伪、火车票、维修、企业产品支持、产品咨询、旅游等等。
上述方法所述的用户客户端是指可以进行GPS定位或网络定位的移动通讯设备及计算机，包括3G网络手机、4G网络手机、手持PDA、IPAD、带wifi定位或gps定位的计算机等。
本发明的有益效果是：本发明提出的服务方法相较于现有的主动服务方法，在保持主动性、个性化的前提之下，还考虑了推送服务时间和空间属性，以地理空间位置信息为依托，承载用户兴趣，使得主动推送的服务真正满足某一时间用户在某一地点的确切需求。本发明首先构建地理空间兴趣库，区别于前人的方法，本发明构建的兴趣库不是针对单一用户的，而是以地点作为主体的兴趣库；然后需要采集用户的行为记录，收集用户地域活动行为习惯，为分析用户兴趣需求提供资料；最后依靠客户端提供的用户当前地理位置信息，结合用户活动行为习惯分析用户在当前时间和地点所需的一些服务，并主动为用户发布服务信息。
附图说明
图1是本发明实施例一种地理空间信息自适应主动服务方法示意图。
具体实施方式
图1是一种地理空间信息自适应主动服务方法示意图，一种地理空间信息自适应主动服务方法，包括以下步骤：
步骤1）、通过用户客户端不断返回用户的位置信息，以地点作为主体，为该地点人们所关注的某一方面内容的关键词加上一定的权重，将关键词文本内容进行结构化表示，即关键词的加权表示，构建地理空间兴趣库；
步骤2）、收集用户地域活动行为，采用二元线性回归方法来自适应量化用户的兴趣度值，得到用户的相关兴趣数据，建立对应的用户兴趣描述文件，以此作为主动服务的依据；
步骤3）、通过用户客户端返回的位置信息，将用户位置信息与地理空间兴趣库中的地点匹配，并根据步骤2）中产生的用户兴趣描述文件在地理空间兴趣库中提取相应的关键词；
步骤4）、在步骤3）中提取出了基于用户位置信息的关键词后，根据关键词向用户推送相关的服务。
本发明通过用户客户端不断返回用户的位置信息，从网络上搜集兴趣信息，并对兴趣信息根据地理位置进行分类整理，并将信息进行个性化区分出来，不同的兴趣关键词根据大众关注程度赋以高低不同的权值，权值大的说明大众关注度高、权值小的代表比较低，结构化存储进数据库，形成地理空间兴趣库。
通过用户客户端不断返回用户的位置信息，这些用户位置信息均可反映用户的行为兴趣所在，实际上用户很多位置信息都能揭示用户的喜好，如访问的次数、逗留的时间、该位置的利用类型等，不过需要将位置兴趣度量化成值，用以衡量兴趣大小，本专利使用二元线性回归量化兴趣度值。
以两种主要行为——逗留时间和访问次数为例，其线性回归方程可表示为：Ki=AX1+BX2+C，
其中X1表示逗留时间，X2表示访问次数，Ki表示用户对当前位置i 兴趣度，A、B、C为一组常数，并且不同的位置地点会取不同的值。须指出的是随着影响因素的增多，可以用多元线性回归模型量化用户的兴趣度值。
完成基于位置信息的用户兴趣挖掘之后，得到每一用户的相关数据，然后针对每一用户的兴趣点，建立对应的用户兴趣描述文件，以此作为信息推送服务的依据。
用户客户端在某一时刻发送自己的位置信息到推送服务器，推送服务器根据用户当前所处的位置与地理空间兴趣库进行匹配，然后根据用户兴趣描述文件使用关联规则将用户的位置信息、时间信息与兴趣关键词关联起来，并提取与该兴趣关联词有关的服务信息。
最后推送服务器根据已建立的用户和信息的对应关系，用户接收各种信息的最佳时间和方式等，在适当的时间经过浏览器将适当的信息主动推送到用户的面前。
综上所述，通过本发明，实现了一种地理空间自适应主动服务方法，将用户地理空间位置信息与用户兴趣结合，更加合理准确地预测用户某一时间在某一地点的服务需求，及时、准确的为用户主动提供推送服务。

Claims (1)

1.一种地理空间信息自适应主动服务方法，其特征在于，包括以下步骤：
步骤1）、通过用户客户端不断返回用户的位置信息，以地点作为主体，为该地点人们所关注的某一方面内容的关键词加上一定的权重，将关键词文本内容进行结构化表示，即关键词的加权表示，构建地理空间兴趣库；
步骤2）、收集用户地域活动行为，采用二元线性回归方法来自适应量化用户的兴趣度值，得到用户的相关兴趣数据，建立对应的用户兴趣描述文件，以此作为主动服务的依据；二元线性回归量化兴趣度值以两种主要行为——逗留时间和访问次数为例，其线性回归方程可表示为：Ki=AX1+BX2+C，其中X1表示逗留时间，X2表示访问次数，Ki 表示用户对当前位置i兴趣度，A、B、C 为一组常数，并且不同的位置地点会取不同的值；须指出的是随着影响因素的增多，可以用多元线性回归模型量化用户的兴趣度值；
步骤3）、通过用户客户端返回的位置信息，将用户位置信息与地理空间兴趣库中的地点匹配，并根据步骤2）中产生的用户兴趣描述文件在地理空间兴趣库中提取相应的关键词；
步骤4）、在步骤3）中提取出了基于用户位置信息的关键词后，根据关键词向用户推送相关的服务。
CN201410665207.0A 2014-11-20 2014-11-20 一种地理空间信息自适应主动服务方法 Active CN104317973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410665207.0A CN104317973B (zh) 2014-11-20 2014-11-20 一种地理空间信息自适应主动服务方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410665207.0A CN104317973B (zh) 2014-11-20 2014-11-20 一种地理空间信息自适应主动服务方法

Publications (2)

Publication Number Publication Date
CN104317973A CN104317973A (zh) 2015-01-28
CN104317973B true CN104317973B (zh) 2018-08-03

Family

ID=52373205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410665207.0A Active CN104317973B (zh) 2014-11-20 2014-11-20 一种地理空间信息自适应主动服务方法

Country Status (1)

Country Link
CN (1) CN104317973B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105991724A (zh) * 2015-02-15 2016-10-05 阿里巴巴集团控股有限公司 信息推送方法及装置
CN105427173A (zh) * 2015-11-18 2016-03-23 广东工业大学 一种基于位置服务的社交关系推断方法以及服务器
CN105653637A (zh) * 2015-12-28 2016-06-08 苏州大学 一种基于层次结构的兴趣点推荐方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008184A (zh) * 2014-06-10 2014-08-27 百度在线网络技术（北京）有限公司 信息的推送方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008184A (zh) * 2014-06-10 2014-08-27 百度在线网络技术（北京）有限公司 信息的推送方法和装置

Also Published As

Publication number Publication date
CN104317973A (zh) 2015-01-28

Similar Documents

Publication Publication Date Title
Dong et al. Predicting neighborhoods’ socioeconomic attributes using restaurant data
Yao et al. Context-aware point-of-interest recommendation using tensor factorization with social regularization
Yin et al. Modeling location-based user rating profiles for personalized recommendation
Chen Context-aware collaborative filtering system: Predicting the user’s preference in the ubiquitous computing environment
Kling et al. When a city tells a story: urban topic analysis
Xiao et al. Inferring social ties between users with human location history
Miller The data avalanche is here. Shouldn’t we be digging?
Zhao et al. Personalized recommendations of locally interesting venues to tourists via cross-region community matching
US20130086072A1 (en) Method and system for extracting and classifying geolocation information utilizing electronic social media
Furletti et al. Identifying users profiles from mobile calls habits
CN105532030A (zh) 用于分析目标实体的移动的装置、系统和方法
CN105183870A (zh) 一种利用微博位置信息的城市功能区探测方法及系统
Feng et al. Predicting human mobility with semantic motivation via multi-task attentional recurrent networks
Shi et al. Personalized location recommendation using mobile phone usage information
Wong et al. Long-term user location prediction using deep learning and periodic pattern mining
CN104317973B (zh) 一种地理空间信息自适应主动服务方法
Lathia The anatomy of mobile location-based recommender systems
Li et al. A location-aware recommender system for Tourism mobile commerce
Shafik et al. Recommendation system comparative analysis: internet of things aided networks
Li et al. A contextualized and personalized model to predict user interest using location-based social networks
Domagala Internet of Things and Big Data technologises as an opportunity for organizations based on Knowledge Management
KR102457359B1 (ko) 뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템
Jenson et al. Mining location information from users' spatio-temporal data
Wang et al. Large Language Models as Urban Residents: An LLM Agent Framework for Personal Mobility Generation
Ji et al. Mining user daily behavior based on location history

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant