CN104867015B - 一种基于用户移动预测的物品递送者推荐方法 - Google Patents
一种基于用户移动预测的物品递送者推荐方法 Download PDFInfo
- Publication number
- CN104867015B CN104867015B CN201510203387.5A CN201510203387A CN104867015B CN 104867015 B CN104867015 B CN 104867015B CN 201510203387 A CN201510203387 A CN 201510203387A CN 104867015 B CN104867015 B CN 104867015B
- Authority
- CN
- China
- Prior art keywords
- place
- user
- candidate
- enc
- probability
- 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.)
- Expired - Fee Related
Links
Landscapes
- Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于用户移动预测的物品递送者推荐方法,该方法包括以下步骤:1、数据采集并整理:从移动用户的原始GPS数据中提取出有意义的地点,并对这些地点进行聚类,得到用户感兴趣的场所同时生成相应的轨迹;2、候选人选取:根据社交网络中用户间的关系程度,提取递送者的候选集;3、用户会面预测:通过用户历史轨迹的概率统计,计算用户和他朋友间会面的概率;4、用户位置预测:通过用户历史轨迹的概率统计,计算用户的朋友访问某个场所的概率;5、递送者推荐:计算用户的朋友在他们相遇之前访问某个场所的概率,并按其大小降序排列,选择前topK个朋友并展示出来。本发明为用户购物带来了方便。
Description
技术领域
本发明涉及一种基于用户移动预测的物品递送者推荐方法。
背景技术
随着移动终端设备、网络技术以及传感器的迅速发展,智能手机等移动终端设备集成了不同功能的传感器。利用移动终端设备中的传感器提供以人为中心的感知与计算已经成为了当今社会的发展趋势。在此背景下,提出了群智感知计算,它利用普通用户的移动设备作为基本感知单元,通过移动互联网进行有意识或无意识的协作,实现感知任务分发与感知数据收集处理,以完成大规模的、复杂的社会感知任务。群智感知计算与传统的基于静态传感设施相比,它的优势在于通过社会上大量人士共同协作完成一项几个人需要很长时间才能完成甚至不可能完成的庞大任务。因此,群智感知计算可以为用户减少一些不必要的开销和时间。
在传统的购物中,用户购买自己喜欢的商品都需要亲力亲为,这种购物方法不仅浪费用户的时间也浪费了他们的精力。为了解决这个问题,我们提出了一种基于用户移动预测的物品传送人推荐方法。用户只需要输入购物场所和完成任务的时间期限,该系统就会返回一些经过这个购物场所并在时间期限内与用户会面的朋友,用户就可以叫这些朋友帮忙购买。从而为用户节省了时间。
其中需要用到移动预测的方法,但目前研究的大多数移动预测算法都只考虑到空间这一因素来预测用户下一位置,不能有效的结合时间因素。而我们用概率统计的算法进行移动预测,该算法结合了空间和时间因素,有较高的准确率。
发明内容
本发明的目的在于提供一种基于用户移动预测的物品递送者推荐方法,为用户购物带来了方便。
为实现上述目的,本发明采用如下技术方案:一种基于用户移动预测的物品递送者推荐方法,其特征在于包括以下步骤:
步骤S1:原始GPS点gi的预处理,包括地点p的提取和场所s的聚类;
步骤S2:候选人选取,即从社交网络中根据用户间的关系来确定用户的朋友,并从中选取50名作为候选人f;
步骤S3:用户会面预测,计算用户u和候选人f在同一时间片tenc访问同一场所s的概率penc(u,f,tenc);
步骤S4:候选人位置预测,给定一个场所s及当前时间tcur,计算候选人f未来会经过场所s的概率pvisit(f,s);
步骤S5:递送者推荐,按概率penc(u,f,tenc)与概率pvisit(f,s)乘积的大小从候选人f中选取topK个递送者,所述递送者为最有可能完成任务的候选人。
进一步的,所述步骤S1中地点p的提取的具体方法如下:
原始GPS点gi包含经度gi.Lgt、纬度gi.Lat和记录gi.T的时间,即gi=(gi.Lgt,gi.Lat,gi.T),用户的原始轨迹Trajraw由若干连续的GPS点gi组成,即Trajraw=<g1,g2,...,gN>,地点p的提取由一时间阈值Tthred和一距离阈值Dthred决定,地点p是一个虚拟的点,用来表示一组连续的GPS点gi的集合G={gm,gm+1,...,gn},其中Distance(gi,gj)≤Dthred且|gn.T-gm.T|≥Tthred;p包含集合G的平均经度p.Lgt,集合G的平均纬度p.Lat,进入地点p的时间p.arvT,离开地点p的时间p.levT,即p=(p.Lgt,p.Lat,p.arvT,p.levT),其中:
p.arvT=gm.T(3)
p.levT=gn.T(4)。
进一步的,所述步骤S1中场所s的聚类的具体步骤如下:
步骤S11:从集合P中随机取一个地点p作为中心ok并取一个半径阈值rthred,所述集合P包含所有提取出来的地点p,令k=1;
步骤S12:在以所述中心ok为圆心以半径阈值rthred为半径的范围内找出所有地点p并计算他们经纬度的平均值,把所述经纬度的平均值所在的点作为中点ok+1;
步骤S13:若ok+1=ok,则进行步骤S14;否则令k=k+1,并返回步骤S12;
步骤S14:把以所述中心ok+1为圆心以半径阈值rthred为半径的范围内的所有地点标记成一个类,并从集合P中删除这些地点,若这些地点的数量大于或等于一最小量阈值minp,则把这个类视为一个场所s,以唯一的标识符locID来标识;否则把这些地点标记成噪声点;
步骤S15:若集合P为空,则得到一个场所集合S=(s1,s2,...,sm),其中si是场所,1≤i≤m;否则返回步骤S11。
进一步的,经所述地点p的提取和场所s的聚类后,对用户一天内的轨迹进行定义如下:
trajectory(u,date)=<visit1,visit2,...,visitn> (5)
其中visiti=(arvT,levT,locID),1≤i≤n;arvT和levT分别表示用户到达和离开场所的时间,locID代表场所唯一的标识符。
进一步的,所述步骤S3中用户会面预测的具体方法如下:
将一天24h分成24个时间片ti,其中0≤i≤23,时间片ti表示i时至i+1时的时间段,在预测用户会面之前,先计算任一候选人f在时间片t访问场所s的概率p(f,t,s):
其中Num(f,t,s)表示候选人f在时间片t访问场所s的轨迹数,Num(f,s)表示候选人f访问过场所s的轨迹数;
接着用公式(7)计算会面概率:
公式(7)表示用户u和候选人f在时间片tenc会面的概率,S表示场所s的集合,由于用户u和候选人f可能会在多个时间片相遇,所以我们得到了一个相遇时间片的集合setTenc,setTenc={tenc 1,tenc 2,...,tenc n}。
进一步的,所述步骤S4中候选人位置预测的具体方法如下:
公式(8)表示候选人f在当前时间tcur到会面时间tenc内访问场所s的概率。
进一步的,所述步骤S5中递送者推荐的具体方法如下:
将所述用户和候选人在同一时间片tenc访问同一场所s的概率penc(u,f,tenc)和给定一个场所s及当前时间tcur计算出的候选人f未来会经过场所s的概率pvisit(f,s)相乘,得到在某一时间片tenc完成任务的概率pdeliv,公式如下:
再由此计算在所有相遇时间setTenc完成任务的概率pdeliver,公式如下:
将所有候选人f按得出的相应概率pdeliver按降序排列,将排列靠前的topK个候选人作为递送者并将其信息展示给用户,用户联系所述递送者并让他们帮忙代购商品。
本发明与现有技术相比具有以下有益效果:本发明将移动预测算法和群智感知相结合,提出了一种基于用户移动预测的物品递送者推荐方法。在现实生活中,当用户想要购买一个自己喜欢的商品,但其销售场所却离用户的位置很远且用户并不想为此亲自去跑一趟,这时用户只需登入该系统,输入商品销售场所和完成任务的期限,系统就会返回一些可以完成传送商品的用户朋友,用户可以联系他们,让他们帮忙代购。因此该方法具有很强的实用性和广阔的应用前景。
附图说明
图1是本发明地点p的提取示意图。
图2是本发明总流程图。
图3是本发明场所s的聚类流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图2,本发明提供一种基于用户移动预测的物品递送者推荐方法,其特征在于包括以下步骤:
步骤S1:原始GPS点gi的预处理,包括地点p的提取和场所s的聚类;
于本实施例中,许多原始GPS点是没有意义的,例如马路上的GPS数据,为了让预测变得更加有意义,需要提取有意义的地点p,所述地点p的提取的具体方法如下:
原始GPS点gi包含经度gi.Lgt、纬度gi.Lat和记录gi.T的时间,即gi=(gi.Lgt,gi.Lat,gi.T),用户的原始轨迹Trajraw由若干连续的GPS点gi组成,即Trajraw=<g1,g2,...,gN>,地点p的提取由一时间阈值Tthred和一距离阈值Dthred决定,地点p是一个虚拟的点,用来表示一组连续的GPS点gi的集合G={gm,gm+1,...,gn},如图1中所示的GPS点集合G={g3,g4,g5,g6}就可以表示一个地点;其中 Distance(gi,gj)≤Dthred且|gn.T-gm.T|≥Tthred;p包含集合G的平均经度p.Lgt,集合G的平均纬度p.Lat,进入地点p的时间p.arvT,离开地点p的时间p.levT,即p=(p.Lgt,p.Lat,p.arvT,p.levT),其中:
p.arvT=gm.T (3)
p.levT=gn.T (4)。
但是如果只对这些地点进行研究,就不具可行性,因为不同地点会出现在同一个场所里,地点与场所的关系类似于几何中点与面的关系,例如,超市是一个场所,而超市里的某个位置对应于一个地点,所以我们用一个变异的k-means聚类算法对这些地点进行聚类操作,每个类对应一个场所。请参照图3,所述步骤S1中场所s的聚类的具体步骤如下:
步骤S11:从集合P中随机取一个地点p作为中心ok并取一个半径阈值rthred,所述集合P包含所有提取出来的地点p,令k=1;
步骤S12:在以所述中心ok为圆心以半径阈值rthred为半径的范围内找出所有地点p并计算他们经纬度的平均值,把所述经纬度的平均值所在的点作为中点ok+1;
步骤S13:若ok+1=ok,则进行步骤S14;否则令k=k+1,并返回步骤S12;
步骤S14:把以所述中心ok+1为圆心以半径阈值rthred为半径的范围内的所有地点标记成一个类,并从集合P中删除这些地点,若这些地点的数量大于或等于一最小量阈值minp,则把这个类视为一个场所s,以唯一的标识符locID来标识;否则把这些地点标记成噪声点;
步骤S15:若集合P为空,则得到一个场所集合S=(s1,s2,...,sm),其中si是场所,1≤i≤m;否则返回步骤S11。
于本实施例中,经所述地点p的提取和场所s的聚类后,对用户一天内的轨迹进行定义如下:
trajectory(u,date)=<visit1,visit2,...,visitn> (5)
其中visiti=(arvT,levT,locID),1≤i≤n;arvT和levT分别表示用户到达和离开场所的时间,locID代表场所唯一的标识符。
步骤S2:候选人选取,即从社交网络中根据用户间的关系来确定用户的朋友,并从中选取50名作为候选人f;
步骤S3:用户会面预测,计算用户和候选人f在同一时间片tenc访问同一场所s的概率penc(u,f,tenc),时间片tenc和场所s可以在允许的范围内存在误差;
于本实施例中,所述步骤S3中用户会面预测的具体方法如下:
将一天24h分成24个时间片ti,其中0≤i≤23,时间片ti表示i时至i+1时的时间段,即时间片t11表示11时到12时的时间段,在预测用户会面之前,先计算任一候选人f在时间片t访问场所s的概率p(f,t,s):
其中Num(f,t,s)表示候选人f在时间片t访问场所s的轨迹数,Num(f,s)表示候选人f访问过场所s的轨迹数;
接着用公式(7)计算会面概率,该公式只关注他们是否会面,不关注他们在哪个场所见面:
公式(7)表示用户u和候选人f在时间片tenc会面的概率,S表示场所s的集合,由于用户u和候选人f可能会在多个时间片相遇,所以我们得到了一个相遇时间片的集合setTenc,setTenc={tenc 1,tenc 2,...,tenc n}。
步骤S4:候选人位置预测,给定一个场所s及当前时间tcur,计算候选人f未来会经过场所s的概率pvisit(f,s);
于本实施例中,所述步骤S4中候选人位置预测的具体方法如下:
公式(8)表示候选人f在当前时间tcur到会面时间tenc内访问场所s的概率。步骤S5:递送者推荐,从候选人f中选取topK个递送者,所述递送者为最有可能完成任务的候选人f。
于本实施例中,所述步骤S5中递送者推荐的具体方法如下:
将所述用户和候选人在同一时间片tenc访问同一场所s的概率penc(u,f,tenc)和给定一个场所s及当前时间tcur计算出的候选人f未来会经过场所s的概率pvisit(f,s)相乘,得到在某一时间片tenc完成任务的概率pdeliv,条件是候选人f必须经过给定的场所,并在规定的任务期限内和用户相遇,否则,pdeliv为零,公式如下:
再由此计算在所有相遇时间setTenc完成任务的概率pdeliver,公式如下:
将所有候选人f按得出的相应概率pdeliver按降序排列,将排列靠前的topK个候选人作为递送者并将其信息展示给用户,用户联系所述递送者并让他们帮忙代购商品。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
1.一种基于用户移动预测的物品递送者推荐方法,其特征在于包括以下步骤:
步骤S1:原始GPS点gi的预处理,包括地点p的提取和场所s的聚类;
步骤S2:候选人选取,即从社交网络中根据用户间的关系来确定用户的朋友,并从中选取50名作为候选人f;
步骤S3:用户会面预测,计算用户u和候选人f在同一时间片tenc访问同一场所s的概率penc(u,f,tenc);
步骤S4:候选人位置预测,给定一个场所s及当前时间tcur,计算候选人f未来会经过场所s的概率pvisit(f,s);
步骤S5:递送者推荐,按概率penc(u,f,tenc)与概率pvisit(f,s)乘积的大小从候选人f中选取topK个递送者,所述递送者为最有可能完成任务的候选人。
2.根据权利要求1所述的基于用户移动预测的物品递送者推荐方法,其特征在于:所述步骤S1中地点p的提取的具体方法如下:
原始GPS点gi包含经度gi.Lgt、纬度gi.Lat和记录gi.T的时间,即gi=(gi.Lgt,gi.Lat,gi.T),用户的原始轨迹Trajraw由若干连续的GPS点gi组成,即Trajraw=<g1,g2,...,gN>,地点p的提取由一时间阈值Tthred和一距离阈值Dthred决定,地点p是一个虚拟的点,用来表示一组连续的GPS点gi的集合G={gm,gm+1,...,gn},其中j;m≤i<j≤n,Distance(gi,gj)≤Dthred且|gn.T-gm.T|≥Tthred;p包含集合G的平均经度p.Lgt,集合G的平均纬度p.Lat,进入地点p的时间p.arvT,离开地点p的时间p.levT,即p=(p.Lgt,p.Lat,p.arvT,p.levT),其中:
p.arvT=gm.T (3)
p.levT=gn.T (4)。
3.根据权利要求1所述的基于用户移动预测的物品递送者推荐方法,其特征在于:所述步骤S1中场所s的聚类的具体步骤如下:
步骤S11:从集合P中随机取一个地点p作为中心ok并取一个半径阈值rthred,所述集合P包含所有提取出来的地点p,令k=1;
步骤S12:在以所述中心ok为圆心以半径阈值rthred为半径的范围内找出所有地点p并计算他们经纬度的平均值,把所述经纬度的平均值所在的点作为中点ok+1;
步骤S13:若ok+1=ok,则进行步骤S14;否则令k=k+1,并返回步骤S12;
步骤S14:把以所述中心ok+1为圆心以半径阈值rthred为半径的范围内的所有地点标记成一个类,并从集合P中删除这些地点,若这些地点的数量大于或等于一最小量阈值minp,则把这个类视为一个场所s,以唯一的标识符locID来标识;否则把这些地点标记成噪声点;
步骤S15:若集合P为空,则得到一个场所集合S=(s1,s2,...,sm),其中si是场所,1≤i≤m;否则返回步骤S11。
4.根据权利要求2或3所述的基于用户移动预测的物品递送者推荐方法,其特征在于:经所述地点p的提取和场所s的聚类后,对用户一天内的轨迹进行定义如下:
trajectory(u,date)=<visit1,visit2,...,visitn> (5)
其中visiti=(arvT,levT,locID),1≤i≤n;arvT和levT分别表示用户到达和离开场所的时间,locID代表场所唯一的标识符。
5.根据权利要求1所述的基于用户移动预测的物品递送者推荐方法,其特征在于:所述步骤S3中用户会面预测的具体方法如下:
将一天24h分成24个时间片ti,其中0≤i≤23,时间片ti表示i时至i+1时的时间段,在预测用户会面之前,先计算任一候选人f在时间片t访问场所s的概率p(f,t,s):
其中Num(f,t,s)表示候选人f在时间片t访问场所s的轨迹数,Num(f,s)表示候选人f访问过场所s的轨迹数;
接着用公式(7)计算会面概率:
公式(7)表示用户u和候选人f在时间片tenc会面的概率,S表示场所s的集合,由于用户u和候选人f可能会在多个时间片相遇,所以我们得到了一个相遇时间片的集合setTenc,setTenc={tenc 1,tenc 2,...,tenc n}。
6.根据权利要求1所述的基于用户移动预测的物品递送者推荐方法,其特征在于:所述步骤S4中候选人位置预测的具体方法如下:
公式(8)表示候选人f在当前时间tcur到会面时间tenc内访问场所s的概率。
7.根据权利要求1所述的基于用户移动预测的物品递送者推荐方法,其特征在于:所述步骤S5中递送者推荐的具体方法如下:
将所述用户和候选人在同一时间片tenc访问同一场所s的概率penc(u,f,tenc)和给定一个场所s及当前时间tcur计算出的候选人f未来会经过场所s的概率pvisit(f,s)相乘,得到在某一时间片tenc完成任务的概率pdeliv,公式如下:
再由此计算在所有相遇时间setTenc完成任务的概率pdeliver,公式如下:
将所有候选人f按得出的相应概率pdeliver按降序排列,将排列靠前的topK个候选人作为递送者并将其信息展示给用户,用户联系所述递送者并让他们帮忙代购商品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510203387.5A CN104867015B (zh) | 2015-04-27 | 2015-04-27 | 一种基于用户移动预测的物品递送者推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510203387.5A CN104867015B (zh) | 2015-04-27 | 2015-04-27 | 一种基于用户移动预测的物品递送者推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104867015A CN104867015A (zh) | 2015-08-26 |
CN104867015B true CN104867015B (zh) | 2018-09-18 |
Family
ID=53912833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510203387.5A Expired - Fee Related CN104867015B (zh) | 2015-04-27 | 2015-04-27 | 一种基于用户移动预测的物品递送者推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104867015B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106534350B (zh) * | 2016-12-09 | 2019-08-02 | 中国联合网络通信集团有限公司 | 一种相遇预测的方法及装置 |
CN108197889A (zh) * | 2017-12-28 | 2018-06-22 | 吉林大学 | 一种基于移动性预测的群智感知用户招募方法和系统 |
CN108668265B (zh) * | 2017-12-29 | 2020-01-07 | 西安电子科技大学 | 基于循环神经网络预测移动用户间相遇概率的方法 |
CN108681586B (zh) * | 2018-05-14 | 2022-04-19 | 安徽师范大学 | 基于群智感知的旅游路线个性化推荐方法 |
CN109934451A (zh) * | 2019-01-16 | 2019-06-25 | 深圳壹账通智能科技有限公司 | 基于数据分析的跑腿代购方法、装置、存储介质和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007096862A2 (en) * | 2006-02-24 | 2007-08-30 | Pdway | Management and personalization of electronic coupons in a wireless network |
CN102667839A (zh) * | 2009-12-15 | 2012-09-12 | 英特尔公司 | 在用户行为的趋势分析和简档建立以及基于模板的预测中使用概率技术以便提供推荐的系统、装置和方法 |
CN103079168A (zh) * | 2013-01-10 | 2013-05-01 | 上海交通大学 | 基于隐马氏模型的分布式运动节点的定位方法 |
CN103944804A (zh) * | 2014-04-24 | 2014-07-23 | 小米科技有限责任公司 | 推荐联系人的方法及装置 |
CN104035396A (zh) * | 2014-04-18 | 2014-09-10 | 重庆大学 | 基于无线传感器网络的分布式行为识别方法 |
-
2015
- 2015-04-27 CN CN201510203387.5A patent/CN104867015B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007096862A2 (en) * | 2006-02-24 | 2007-08-30 | Pdway | Management and personalization of electronic coupons in a wireless network |
CN102667839A (zh) * | 2009-12-15 | 2012-09-12 | 英特尔公司 | 在用户行为的趋势分析和简档建立以及基于模板的预测中使用概率技术以便提供推荐的系统、装置和方法 |
CN103079168A (zh) * | 2013-01-10 | 2013-05-01 | 上海交通大学 | 基于隐马氏模型的分布式运动节点的定位方法 |
CN104035396A (zh) * | 2014-04-18 | 2014-09-10 | 重庆大学 | 基于无线传感器网络的分布式行为识别方法 |
CN103944804A (zh) * | 2014-04-24 | 2014-07-23 | 小米科技有限责任公司 | 推荐联系人的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104867015A (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6918087B2 (ja) | オン・デマンドサービスの情報を提供する方法及びシステム | |
US12001496B1 (en) | Selecting, ranking, and/or presenting microsite content | |
US9183497B2 (en) | Performance-efficient system for predicting user activities based on time-related features | |
CN104867015B (zh) | 一种基于用户移动预测的物品递送者推荐方法 | |
US10909464B2 (en) | Semantic locations prediction | |
US8996033B1 (en) | Systems and methods for statistically associating mobile devices to households | |
CN104731917B (zh) | 一种推荐方法及装置 | |
EP3471374B1 (en) | Method and device for identifying type of geographic location at where user is located | |
CN109614556B (zh) | 访问路径预测、信息推送方法及装置 | |
Hu et al. | Your neighbors affect your ratings: on geographical neighborhood influence to rating prediction | |
US8949334B2 (en) | Push-based recommendations | |
US20080318597A1 (en) | Intensity-based maps | |
Li et al. | Next and next new POI recommendation via latent behavior pattern inference | |
CN105981418A (zh) | 个人地理围栏 | |
KR20140071417A (ko) | 그래프 모델을 이용하여 유도된 인터넷 연결 가능한 장치와 관련된 정보 데이터에 기초하여 데이터 네트워크를 이용하는 모바일 광고 | |
CN107273437A (zh) | 提供与用户可能访问的地点相关的信息的方法和系统 | |
WO2019153889A1 (zh) | 地理位置服务的实现 | |
JP5802716B2 (ja) | 情報処理システム、プログラム及び照合方法 | |
US20130254152A1 (en) | Distributed system and methods for modeling population-centric activities | |
CN105978729B (zh) | 一种基于用户上网日志及位置的手机信息推送系统及方法 | |
CN113454669A (zh) | 通过用户访问的特征来表征地点 | |
WO2019005319A1 (en) | STORING POINT OF INTEREST DATA ON A USER DEVICE FOR OFFLINE USE | |
CN112241489A (zh) | 信息推送方法、装置、可读存储介质和计算机设备 | |
US20220312150A1 (en) | Estimation system, estimation method, and information storage medium | |
Lin | Indoor location-based recommender system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180918 Termination date: 20210427 |