CN105224545A - 一种位置推荐方法及装置 - Google Patents

Abstract

本发明实施例公开了一种位置推荐方法及装置，涉及互联网技术领域，能在保证签到元数据中时间信息不丢失的同时兼顾位置推荐的质量。具体方案为：获取用户设备对位置的签到信息；根据签到信息计算预定用户和其他用户间的用户相似度；根据用户相似度获取预定用户在预定位置签到的先验概率；根据签到信息计算预定位置和其他位置间的位置相似度；根据所述用户相似度和所述位置相似度构建所述预定用户在所述预定位置签到的连续时间概率密度函数；根据所述先验概率和所述连续时间概率密度函数计算预定用户在预设时间段对各个预定位置访问的访问概率；根据所述访问概率，按照预定规则在预设时间段内向预定用户推荐访问位置。本发明的实施例用于位置推荐。

Description

一种位置推荐方法及装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种位置推荐方法及装置。

背景技术

位置服务和在线社交网络是移动互联网的两个主流应用，这两个主流应用融合产生了基于位置的社交网络(location-basedsocialnetworks)，简称位置社交网络。在位置社交网络中，用户可以建立社交链接(sociallinks)，通过具有定位功能的移动设备(如带GPS的手机)，签到(check-in)自己所在的位置，特别是某些感兴趣的位置，如餐馆、商店、博物馆等；撰写评论以分享访问(签到)位置的经历。

由于位置社交网络包含大量的位置，位置推荐技术可以使用户更容易找到符合自己偏好的位置。因此，位置推荐有利于人们探索城市中的新地带，提高城市生活质量。特别是当用户身处在一个陌生环境的时候。也可以利用位置推荐为实体商店发现潜在客户、并为这些客户提供相关广告，促使客户访问商店，以提高商家的利润。还可以为用户推荐符合个人偏好的旅行路线，帮助用户避免信息过载、节约行程安排时间、以及提高旅行意愿，推动旅游业的发展。因为位置推荐能够为大众、商家和旅行者带来便利和利益，所以，在位置社交网络中，为用户进行位置推荐尤为重要。

目前，有许多关于位置推荐的技术，但只是简单地利用空间特征，忽略了时间特征。虽然现有技术中已经开始探索基于时间特征推荐位置的技术，但这些技术还不够完善，如一种现有基于时间特征推荐位置的技术，首先、将一天划分成时间段，如24个时间段：[0:00-1:00)，[1:00-2:00)，…，[23:00-0:00)；然后、根据用户对位置的签到时间，按时间段把用户对位置的签到元数据分组，即对应某个时间段的分组只包含相应时间的签到元数据。最后，分别针对每个时间段的签到数据，利用协同过滤方法，为用户在相应时间段推荐位置。

由于当前方法把连续时间离散化成时间段，如把一天划分成24个时间段，则用户在位置签到的精确时间信息会丢失。假定两个签到时间分别为0:01和0:59，离散化后将被看成同样的时间，即时间段0:00～0:59，但实际上这两个时间相差将近一个小时。如果采用细粒度时间段的方法来减轻时间信息丢失，则会因为细粒度时间段包含的用户签到元数据非常稀疏，造成位置推荐质量低下。

因此，目前的位置推荐技术，不能在保证签到元数据中时间信息完整的同时，兼顾位置推荐的质量。

发明内容

本发明的实施例提供一种位置推荐方法及装置，能在保证签到数据中时间信息完整的同时，兼顾位置推荐的质量。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，提供一种位置推荐方法，包括：

获取用户设备对位置的签到信息；

根据所述签到信息计算预定用户和其他用户间的用户相似度，所述用户相似度包括在不同时间段对预定位置签到的所述预定用户和所述其他用户间的用户相似度；

根据所述用户相似度获取所述预定用户在所述预定位置签到的先验概率；

根据所述签到信息计算所述预定位置和其他位置间的位置相似度，所述位置相似度包括在不同时间段经所述预定用户签到的所述预定位置和所述其他位置间的位置相似度；

根据所述用户相似度和所述位置相似度构建所述预定用户在所述预定位置签到的连续时间概率密度函数；

根据所述先验概率和所述连续时间概率密度函数计算所述预定用户在预设时间段对各个预定位置访问的访问概率；

根据所述访问概率，按照预定规则在预设时间段内向所述预定用户推荐访问位置。

结合第一方面，在第一种可能的实现方式中，所述签到信息包含：位置信息集合和签到元数据集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息；

根据所述签到信息计算预定用户和其他用户间的用户相似度，所述用户相似度包括在不同时间段对预定位置签到的所述预定用户和所述其他用户间的用户相似度之前，所述方法还包括：

根据所述签到信息获取所述预定用户对所述预定位置签到的初始时间样本和所述其他用户对所述预定位置签到的第一时间样本；

根据所述签到信息计算预定用户和其他用户间的用户相似度，具体为：

根据所述签到信息、所述初始时间样本和所述第一时间样本计算所述预定用户和所述其他用户间的用户相似度，具体包括：

根据第一公式 $\mathrm{sim}(u,u^{\′})=\frac{\underset{l\∈L}{\mathrm{\Σ}}\left|D_{u,l}\right|\left|D_{u^{\′},l}\right|}{\sqrt{\underset{l\∈L}{\mathrm{\Σ}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{l\∈L}{\mathrm{\Σ}}{\left|D_{u^{\′}l}\right|}^2}},$ 计算sim(u，u′)；

其中，sim(u，u′)为所述用户相似度，L为所述位置信息集合，L包含至少一个位置的位置信息，所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述初始时间样本为D_u，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l}，所述第一时间样本为D_u′，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′^l_i＝l}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u′，l|为D中D_u′，l的签到频率。

结合第一方面，在第二种可能的实现方式中，所述签到信息包含：位置信息集合和签到元数据集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息；

根据所述签到信息计算预定用户和其他用户间的用户相似度，所述用户相似度包括在不同时间段对预定位置签到的所述预定用户和所述其他用户间的用户相似度之前，所述方法还包括：

根据所述签到信息获取所述预定用户对所述预定位置签到的初始时间样本、所述其他用户对所述预定位置签到的第一时间样本、所述预定用户对任意位置签到的第二时间样本和所述其他用户对所述任意位置签到的第三时间样本；

根据所述签到信息计算预定用户和其他用户间的用户相似度，具体为：

根据所述签到信息、所述初始时间样本、所述第一时间样本、所述第二时间样本和所述第三时间样本计算所述预定用户和所述其他用户间的用户相似度，具体包括：

根据第二公式 $\mathrm{sim}(u,u^{\&prime;})=\frac{\underset{l\&Element;L}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)\left(\right|D_{u^{\&prime;},l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}{\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)}^2}\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u^{\&prime;},l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}^2}},$ 计算sim(u，u′)；

其中，sim(u，u′)为所述用户相似度，L为所述位置信息集合，L包含至少一个位置的位置信息，所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述初始时间样本为D_u，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l}，所述第一时间样本为D_u′，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′^l_i＝l}，所述第二时间样本为D_u＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u}，所述第三时间样本为D_u′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u，l|为D中D_u′，l的签到频率，为D中D_u的平均签到频率，为D中D_u′的平均签到频率。

结合第一方面和第一种或第二种可能的实现方式中的任一种，在第三种可能的实现方式中，根据所述用户相似度获取所述预定用户在所述预定位置签到的先验概率，具体为：

根据所述用户相似度、所述签到信息和所述第一时间样本获取所述预定用户在所述预定位置签到的先验概率，具体包括：

根据第三公式计算r_u，l，其中，r_u，l是用户信息为u的预定用户对位置信息为l的预定位置签到的偏好程度；

根据第四公式计算P(l|u，D)，其中，P(l|u，D)是用户信息为u的预定用户对位置信息为l的预定位置签到的先验概率。

结合第一方面和第三种可能的实现方式，在第四种可能的实现方式中，所述签到信息还包含用户信息集合；

根据所述签到信息计算所述预定位置和其他位置间的位置相似度，所述位置相似度包括在不同时间段经所述预定用户签到的所述预定位置和所述其他位置间的位置相似度之前，所述方法还包括：

根据所述签到信息获取所述预定用户对所述其他位置签到的第四时间样本；

根据所述签到信息计算所述预定位置和其他位置间的位置相似度，所述位置相似度包括在不同时间段经所述预定用户签到的所述预定位置和所述其他位置间的位置相似度，具体为：

根据所述签到信息、所述初始时间样本和所述第四时间样本计算所述预定位置和所述其他位置间的位置相似度，具体包括：

根据第五公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left|D_{u,l}\right|\left|D_{u,l^{\&prime;}}\right|}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{u,l^{\&prime;}}\right|}^2}},$ 计算sim(l，l′)；

其中，sim(l，l′)为所述位置相似度，U为所述用户信息集合，U包含至少一个用户的用户信息，所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l′}，l′为和l不同的其他位置的位置信息，|D_u，l′|为D中D_u，l′的签到频率。

结合第一方面和第三种可能的实现方式，在第五种可能的实现方式中，所述签到信息还包含用户信息集合；

根据所述签到信息计算所述预定位置和其他位置间的位置相似度，所述位置相似度包括在不同时间段经所述预定用户签到的所述预定位置和所述其他位置间的位置相似度之前，所述方法还包括：

根据所述签到信息获取所述预定用户对所述其他位置签到的第四时间样本、任意用户对所述预定位置签到的第五时间样本和所述任意用户对所述其他位置签到的第六时间样本；

根据所述签到信息计算所述预定位置和其他位置间的位置相似度，具体为：

根据所述签到信息、所述初始时间样本、所述第四时间样本、所述第五时间样本和所述第六时间样本计算所述预定位置和所述其他位置间的位置相似度，具体包括：

根据第六公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)}^2}\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}^2}},$ 计算sim(l，l′)；

其中，sim(l，l′)为所述位置相似度，U为所述用户信息集合，U包含至少一个用户的用户信息，所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l′}，所述第五时间样本为D_l＝{t_i|<u_i，l_i，t_i>∈D^l_i＝l}，所述第六时间样本为D_l′＝{t_i|<u_i，l_i，t_i>∈D^l_i＝l′}，l′为和l不同的其他位置的位置信息，|D_u，l′|为D中D_u，l′的签到频率，为D中D_l的平均签到频率，为D中D_l′的平均签到频率。

结合第一方面和第四种或第五种可能的实现方式中的任一种，在第六种可能的实现方式中，根据所述用户相似度和所述位置相似度构建所述预定用户在所述预定位置签到的连续时间概率密度函数，具体为：

根据所述第一时间样本、所述第四时间样本、所述签到信息、所述用户相似度和所述位置相似度，构建所述预定用户在所述预定位置签到的连续时间概率密度函数，具体包括：

根据第七公式 $S_{u,l}=\underset{u^{\&prime;}\&Element;U}{\&cup;}\left\{t_i\right|t_i\&Element;D_{u^{\&prime;},l}\}+\underset{l^{\&prime;\&Element;L}}{\&cup;}\{t_j|t_j\&Element;D_{u,l^{\&prime;}}\},$ 计算S_u，l，其中S_u，l为用户信息为u的预定用户对位置信息为l的预定位置访问的时间样本集合；

将所述用户相似度作为所述第一时间样本的权重W_u，l(t_i)，即： ${\&ForAll;t}_i\&Element;D_{u^{\&prime;},l},W_{u,l}\left(t_i\right)=\mathrm{sim}(u,u^{\&prime;});$

将所述位置相似度作为所述第四时间样本的权重W_u，l(t_j)，即： ${\&ForAll;t}_j\&Element;D_{u,l^{\&prime;}},W_{u,l}\left(t_j\right)=(l,l^{\&prime;});$

根据第八公式 $f\left(t\right|u,l,D)=\frac{\underset{t_i\&Element;S_{u,l}}{\mathrm{\&Sigma;}}{W}_{u,l}\left(t_i\right)\frac{1}{h}K\left(\frac{t-t_i}{h}\right)}{\underset{t_i\&Element;S_{u,l}}{\mathrm{\&Sigma;}}{W}_{u,l}\left(t_i\right)},$ 计算f(t|u，l，D)，其中，f(t|u，l，D)为用户信息为u的预定用户对位置信息为l的预定位置签到的连续时间概率密度，K(·)为核函数，且K(·)包括 $K\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}}{e}^{-\frac{x^2}{2}},$ t-t_i表示时间差， $t-t_i=\left\{\begin{array}{cc}|t-t_i|,& |t-t_i|\&le;12:00\\ 24:00-|t-t_i|,& |t-t_i|>12:00\end{array}\right.,$ h表示带宽的为平滑参数，第八公式中W_u，l(t_i)指代t_i∈S_u，l的时间样本的权重。

结合第一方面和第六种可能的实现方式，在第七种可能的实现方式中，根据所述先验概率和所述连续时间概率密度函数计算所述预定用户在预设时间段对各个预定位置访问的访问概率，具体包括：

根据第九公式 $\begin{array}{c}P\left(l\right|u,T,D)=\frac{P(T,l|u,D)}{P\left(T\right|u,D)}=\frac{P\left(l\right|u,D)P\left(T\right|u,l,D)}{P\left(T\right|u,D)}\\ \&Proportional;P\left(l\right|u,D)P\left(T\right|u,l,D),\&ForAll;l\&Element;L\\ \&Proportional;P\left(l\right|u,D){\&Integral;}_{t\&Element;T}f\left(t\right|u,l,D)\mathrm{dt},\&ForAll;l\&Element;L.\end{array}$ 计算P(l|u，T，D)，其中，P(l|u，T，D)是用户信息为u的预定用户在预设时间段T内对位置信息为l的预定位置访问的访问概率，l为L中的任意一个位置信息；

结合第一方面和第七种可能的实现方式，在第八种可能的实现方式中，根据所述访问概率，按照预定规则在预设时间段内向所述预定用户推荐访问位置，具体包括：

根据所述访问概率的数值，由大到小选取预定个数的预定位置作为访问位置，将所述访问位置在预设时间段T内推荐给用户信息为u的预定用户。

第二方面，提供一种位置推荐装置，其特征在于，包括：

获取单元，用于获取用户设备对位置的签到信息；

相似度单元，用于根据所述获取单元获取的所述签到信息计算预定用户和其他用户间的用户相似度，所述用户相似度包括在不同时间段对预定位置签到的所述预定用户和所述其他用户间的用户相似度；

先验单元，用于根据所述相似度单元计算的所述用户相似度获取所述预定用户在所述预定位置签到的先验概率；

所述相似度单元还用于根据所述获取单元获取的所述签到信息计算所述预定位置和其他位置间的位置相似度，所述位置相似度包括在不同时间段经所述预定用户签到的所述预定位置和所述其他位置间的位置相似度；

建模单元，用于根据所述相似度单元计算的所述用户相似度和所述位置相似度构建所述预定用户在所述预定位置签到的连续时间概率密度函数；

融合单元，用于根据所述先验单元获取的所述先验概率和所述建模单元构建的所述连续时间概率密度函数计算所述预定用户在预设时间段对各个预定位置访问的访问概率；

推荐单元，用于根据所述融合单元计算的访问概率，按照预定规则在预设时间段内向所述预定用户推荐访问位置。

结合第二方面，在第一种可能的实现方式中，包括：

所述获取单元获取的所述签到信息包含：位置信息集合和签到元数据集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息；

所述获取单元还用于根据所述获取单元获取的所述签到信息获取所述预定用户对所述预定位置签到的初始时间样本和所述其他用户对所述预定位置签到的第一时间样本；

所述相似度单元具体用于：根据第一公式 $\mathrm{sim}\left(u{,u}^{\&prime;}\right)=\frac{\underset{l\&Element;L}{\mathrm{\&Sigma;}}\left|D_{u,l}\right|\left|D_{u^{\&prime;},l}\right|}{\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left|D_{u^{\&prime;},l}\right|}^2}},$ 计算sim(u，u′)；

其中，sim(u，u′)为所述相似度单元计算的所述用户相似度，L为所述获取单元获取的所述位置信息集合，L包含至少一个位置的位置信息，所述获取单元获取的所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述获取单元获取的所述初始时间样本为D_u，l＝(t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l}，所述获取单元获取的所述第一时间样本为D_u′，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′^l_i＝l}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u′，l|为D中D_u′，l的签到频率。

结合第二方面，在第二种可能的实现方式中，包括：

所述获取单元获取的所述签到信息包含：位置信息集合和签到元数据集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息；

所述获取单元还用于根据所述获取单元获取的所述签到信息获取所述预定用户对所述预定位置签到的初始时间样本、所述其他用户对所述预定位置签到的第一时间样本、所述预定用户对任意位置签到的第二时间样本和所述其他用户对所述任意位置签到的第三时间样本；

所述相似度单元具体用于：根据第二公式 $\mathrm{sim}(u,u^{\&prime;})=\frac{\underset{l\&Element;L}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)\left(\right|D_{u^{\&prime;},l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}{\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)}^2}\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u^{\&prime;},l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}^2}},$ 计算sim(u，u′)；

其中，sim(u，u′)为所述相似度单元计算的所述用户相似度，L为所述获取单元获取的所述位置信息集合，L包含至少一个位置的位置信息，所述获取单元获取的所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述获取单元获取的所述初始时间样本为D_u，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l}，所述获取单元获取的所述第一时间样本为D_u′，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′^l_i＝l}，所述获取单元获取的所述第二时间样本为D_u＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u}，所述获取单元获取的所述第三时间样本为D_u′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u′，l|为D中D_u′，l的签到频率，为D中D_u的平均签到频率，为D中D_u′的平均签到频率。

结合第二方面和第一种或第二种可能的实现方式中的任一种，在第三种可能的实现方式中，所述先验单元具体包括：

第一先验子单元，用于根据第三公式计算r_u，l，其中，r_u，l是用户信息为u的预定用户对位置信息为l的预定位置签到的偏好程度；

第二先验子单元，用于根据所述第一先验子单元计算的r_u，l和第四公式计算P(l|u，D)，其中，P(l|u，D)是用户信息为u的预定用户对位置信息为l的预定位置签到的先验概率。

结合第二方面和第三种可能的实现方式，在第四种可能的实现方式中，包括：

所述签到信息还包含用户信息集合；

所述获取单元还用于根据所述获取单元获取的所述签到信息获取所述预定用户对所述其他位置签到的第四时间样本；

所述相似度单元具体用于：根据第五公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left|D_{u,l}\right|\left|D_{u,l^{\&prime;}}\right|}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{u,l^{\&prime;}}\right|}^2}},$ 计算sim(l，l′)；

其中，sim(l，l′)为所述相似度单元计算的所述位置相似度，U为所述获取单元获取的所述用户信息集合，U包含至少一个用户的用户信息，所述获取单元获取的所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l′}，l′为和l不同的其他位置的位置信息，|D_u，l′|为D中D_u，l′的签到频率。

结合第二方面和第三种可能的实现方式，在第五种可能的实现方式中，所述签到信息还包含用户信息集合；

所述获取单元还用于根据所述获取单元获取的所述签到信息获取所述预定用户对所述其他位置签到的第四时间样本、任意用户对所述预定位置签到的第五时间样本和所述任意用户对所述其他位置签到的第六时间样本；

所述相似度单元具体用于：根据第六公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)}^2}\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}^2}},$ 计算sim(l，l′)；

其中，sim(l，l′)为所述相似度单元计算的所述位置相似度，U为所述获取单元获取的所述用户信息集合，U包含至少一个用户的用户信息，所述获取单元获取的所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l′}，所述获取单元获取的所述第五时间样本为D_l＝{t_i<u_i，l_i，t_i>∈D^l_i＝l}，所述获取单元获取的所述第六时间样本为D_l′＝{t_i|<u_i，l_i，t_i>∈D^l_i＝l′}，l′为和l不同的其他位置的位置信息，|D_u，l′|为D中D_u，l′的签到频率，为D中D_l的平均签到频率，为D中D_l′的平均签到频率。

结合第二方面和第四种或第五种可能的实现方式中的任一种，在第六种可能的实现方式中，所述建模单元具体包括：

集合子单元，用于根据第七公式 $S_{u,l}=\underset{u^{\&prime;}\&Element;U}{\&cup;}\left\{t_i\right|t_i\&Element;D_{u^{\&prime;}l}\}+\underset{l^{\&prime;}\&Element;L}{\&cup;}\{t_j|t_j\&Element;D_{u,l^{\&prime;}}\},$ 计算S_u，l，其中S_u，l为用户信息为u的预定用户对位置信息为l的预定位置访问的时间样本集合；

权重子单元，用于将所述相似度单元计算的所述用户相似度作为所述获取单元获取的所述第一时间样本的权重W_u，l(t_i)，即： ${\&ForAll;t}_i\&Element;D_{u^{\&prime;},l},W_{u,l}\left(t_i\right)=\mathrm{sim}(u,u^{\&prime;});$

所述权重子单元，还用于将所述相似度单元计算的所述位置相似度作为所述获取单元获取的所述第四时间样本的权重W_u，l(t_j)，即： ${\&ForAll;t}_j\&Element;D_{u,l^{\&prime;}},W_{u,l}\left(t_j\right)=(l,l^{\&prime;});$

概率密度子单元，用于根据第八公式计算f(t|u，l，D)，其中，f(t|u，l，D)为用户信息为u的预定用户对位置信息为l的预定位置签到的连续时间概率密度，K(·)为核函数， $\&ForAll;x,K\left(x\right)\&GreaterEqual;0$ 且 ${\&Integral;}_{-\&infin;}^{+\&infin;}K\left(x\right)\mathrm{dx}=1,$ K(·)包括 $K\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}}{e}^{-\frac{x^2}{2}},$ t-t_i表示时间差， $t-t_i=\left\{\begin{array}{cc}|t-t_i|,& |t-t_i|\&le;12:00\\ 24:00-|t-t_i|,& |t-t_i|>12:00\end{array}\right.,$ h表示带宽的为平滑参数，第八公式中W_u，l(t_i)指代t_i∈S_u，l的时间样本的权重。

结合第二方面和第六种可能的实现方式，在第七种可能的实现方式中，所述融合单元，具体用于：

根据第九公式 $\begin{array}{c}P\left(l\right|u,T,D)=\frac{P(T,l|u,D)}{P\left(T\right|u,D)}=\frac{P\left(l\right|u,D)P\left(T\right|u,l,D)}{P\left(T\right|u,D)}\\ \&Proportional;P\left(l\right|u,D)P\left(T\right|u,l,D),\&ForAll;l\&Element;L\\ \&Proportional;P\left(l\right|u,D){\&Integral;}_{t\&Element;T}f\left(t\right|u,l,D)\mathrm{dt},\&ForAll;l\&Element;L.\end{array}$ 计算P(l|u，T，D)，其中，P(l|u，T，D)是用户信息为u的预定用户在预设时间段T内对位置信息为l的预定位置访问的访问概率，l为L中的任意一个位置信息；

结合第二方面和第七种可能的实现方式，在第八种可能的实现方式中，所述推荐单元，具体用于：

根据所述融合单元计算的所述访问概率的数值，由大到小选取预定个数的预定位置作为访问位置，将所述访问位置在预设时间段T内推荐给用户信息为u的预定用户。

本发明实施例提供的位置推荐方法，能通过获取用户设备对位置的签到信息来计算不同用户间的用户相似度和不同位置间的位置相似度，并根据所述用户相似度和所述位置相似度构建所述预定用户在所述预定位置签到的连续时间概率密度函数，保证时间信息的连续；再根据所述用户相似度获取所述预定用户在所述预定位置签到的先验概率，根据所述先验概率和所述连续时间概率密度函数计算预定用户对各个预定位置的访问概率，并根据访问概率按照预定规则在预设时间段内向所述预定用户推荐访问位置，使提供的推荐位置符合用户偏好，从而能在保证签到元数据中时间信息不丢失的同时，兼顾位置推荐的质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的实施例提供的一种位置推荐方法的流程示意图；

图2为本发明的又一实施例提供的一种位置推荐方法的流程示意图；

图3为本发明的实施例提供的一种连续时间概率密度函数的示意图；

图4为本发明的实施例提供的一种位置推荐装置的结构示意图；

图5为本发明的实施例提供的又一种位置推荐装置的结构示意图；

图6为本发明的实施例提供的另一种位置推荐装置的结构示意图；

图7为本发明的又一实施例提供的一种位置推荐装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的实施例提供一种位置推荐方法，应用于互联网技术领域，可以用于位置推荐，参考图1所示，包括以下步骤：

101、获取用户设备对位置的签到信息。

其中，所述签到信息可以包含签到元数据集合、位置信息集合和用户信息集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息。

102、根据所述签到信息计算预定用户和其他用户间的用户相似度。

其中，所述用户相似度包括在不同时间段对预定位置签到的所述预定用户和所述其他用户间的用户相似度。

具体的，可以根据不同用户的社交链接信息计算用户相似度，也可以根据不同用户的居住地信息计算用户相似度。

103、根据所述用户相似度获取所述预定用户在所述预定位置签到的先验概率。

具体的，可以使用基于用户的协同过滤方法获取所述先验概率，也可以使用任何传统位置推荐方法(如隐因子模型、基于内容的方法)获取先验概率。

104、根据所述签到信息计算所述预定位置和其他位置间的位置相似度。

其中，所述位置相似度包括在不同时间段经所述预定用户签到的所述预定位置和所述其他位置间的位置相似度。

具体的，可以利用不同位置的类型信息计算位置相似度，也可以利用不同位置的所在地信息计算位置相似度。

需要说明的是，所述步骤104和所述步骤102之间没有先后顺序，可以同时执行，也可按依顺序执行；所述步骤104和所述步骤103之间也没有先后顺序，可以同时执行，也可按依顺序执行。

105、根据所述用户相似度和所述位置相似度构建所述预定用户在所述预定位置签到的连续时间概率密度函数。

具体的，可以使用非参数化密度估计技术(如核密度估计方法)对所述连续时间概率密度函数。

需要说明的是，所述步骤105在所述步骤102和所述步骤104均执行完后才执行，而所述步骤105和所述步骤103之间没有先后顺序，可以同时执行，也可按依顺序执行。

106、根据所述先验概率和所述连续时间概率密度函数计算所述预定用户在预设时间段对各个预定位置访问的访问概率。

107、根据所述访问概率，按照预定规则在预设时间段内向所述预定用户推荐访问位置。

可选的，可以根据所述访问概率的数值，由大到小选取预定个数的预定位置作为访问位置，将所述访问位置在预设时间段内推荐给预定用户。还可以将所述访问概率的数值达到预定阈值的预定位置作为访问位置，将所述访问位置在预设时间段内推荐给预定用户。

本发明实施例提供的位置推荐方法，能通过获取用户设备对位置的签到信息来计算不同用户间的用户相似度和不同位置间的位置相似度，并根据所述用户相似度和所述位置相似度构建所述预定用户在所述预定位置签到的连续时间概率密度函数，保证时间信息的连续；再根据所述用户相似度获取所述预定用户在所述预定位置签到的先验概率，根据所述先验概率和所述连续时间概率密度函数计算预定用户对各个预定位置的访问概率，并根据访问概率按照预定规则在预设时间段内向所述预定用户推荐访问位置使提供的推荐位置符合用户偏好，从而能在保证签到元数据中时间信息不丢失的同时，兼顾位置推荐的质量。

本发明的实施例提供一种位置推荐方法，应用于互联网技术领域，可以用于位置推荐，参考图2所示，包括以下步骤：

201、获取用户设备对位置的签到信息。

其中，所述签到信息可以包含签到元数据集合、位置信息集合和用户信息集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息。

202、根据所述签到信息获取预定用户在预定位置签到的初始时间样本、其他用户对所述预定位置签到的第一时间样本和所述预定用户对所述其他位置签到的第四时间样本。

可选的，根据下述步骤的不同实现方式，所述步骤202也可以根据所述签到信息获取所述预定用户对任意位置签到的第二时间样本和所述其他用户对所述任意位置签到的第三时间样本，还可以根据所述签到信息获取任意用户对所述预定位置签到的第五时间样本和所述任意用户对所述其他位置签到的第六时间样本，具体在什么样的情况下需要获取这些内容，在下述相关步骤中会提及。

203、根据所述签到信息、所述初始时间样本和所述第一时间样本计算所述预定用户和所述其他用户间的用户相似度。

其中，所述用户相似度包括在不同时间段对预定位置签到的所述预定用户和所述其他用户间的用户相似度。

具体的，可以根据第一公式 $\mathrm{sim}(u,u^{\&prime;})=\frac{\underset{l\&Element;L}{\mathrm{\&Sigma;}}\left|D_{u,l}\right|\left|D_{u^{\&prime;},l}\right|}{\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left|D_{u^{\&prime;},l}\right|}^2}}$ 即余弦函数，计算sim(u，u′)；其中，sim(u，u′)为所述用户相似度，L为所述位置信息集合，L包含至少一个位置的位置信息，所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述初始时间样本为D_u，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l}，所述第一时间样本为D_u′，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′^l_i＝l}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，i为任意正整数用于表示不同数据信息的代号，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u′，l|为D中D_u′，l的签到频率。

需要说明的是，可以根据不同用户的社交链接信息计算用户相似度，也可以根据不同用户的居住地信息计算用户相似度。

可选的，所述步骤202中还可以同时进行如下内容：

根据所述签到信息获取所述预定用户对所述预定位置签到的初始时间样本、所述其他用户对所述预定位置签到的第一时间样本、所述预定用户对任意位置签到的第二时间样本和所述其他用户对所述任意位置签到的第三时间样本。

此时，与所述步骤202对应，所述步骤203可以由以下方式完成：

根据所述签到信息、所述初始时间样本、所述第一时间样本、所述第二时间样本和所述第三时间样本计算所述预定用户和所述其他用户间的用户相似度。

具体的，根据第二公式 $\mathrm{sim}(u,u^{\&prime;})=\frac{\underset{l\&Element;L}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)\left(\right|D_{u^{\&prime;}l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}{\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)}^2}\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u^{\&prime;}l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}^2}}$ 即皮尔逊相关系数，计算sim(u，u′)；其中，sim(u，u′)为所述用户相似度，L为所述位置信息集合，L包含至少一个位置的位置信息，所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述初始时间样本为D_u，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l}，所述第一时间样本为D_u′，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′^l_i＝l}，所述第二时间样本为D_u＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u}，所述第三时间样本为D_u′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u′，l|为D中D_u′，l的签到频率，为D中D_u的平均签到频率，为D中D_u′的平均签到频率。

在签到元数据较多时，采用皮尔逊相关系数计算所述用户相似度的方法相对于采用余弦函数计算所述用户相似度的方法，存在提高所述用户相似度合理性的倾向，却需参考额外的变量导致运算量增加，实际运用中，可以根据需求进行选择适用。

204、根据所述签到信息、所述用户相似度和所述第一时间样本计算所述预定用户对所述预定位置签到的偏好程度。

具体的，可以根据第三公式计算r_u，l，其中，r_u，l是用户信息为u的预定用户对位置信息为l的预定位置签到的偏好程度；

205、根据所述签到信息和所述偏好程度获得所述预定用户在所述预定位置签到的先验概率。

具体的，可以根据第四公式计算户(l|u，D)，其中，户(l|u，D)是用户信息为u的预定用户对位置信息为l的预定位置签到的先验概率。

可选的，所述步骤204中可以使用如上所述的基于用户的协同过滤方法获取所述偏好程度，也可以使用任何传统位置推荐方法(如：利用隐因子模型的方法和基于内容的方法)获取偏好程度。然后在通过所述步骤205对偏好程度归一化得到先验概率。因此，本发明可以集成任意传统的位置推荐方法和基于时间影响的位置推荐方法。

206、根据所述签到信息、所述初始时间样本和所述第四时间样本计算所述预定位置和所述其他位置间的位置相似度。

其中，所述位置相似度包括在不同时间段经所述预定用户签到的所述预定位置和所述其他位置间的位置相似度。

具体的，可以根据第五公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left|D_{u,l}\right|\left|D_{u,l^{\&prime;}}\right|}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{u,l^{\&prime;}}\right|}^2}}$ 即余弦函数，计算sim(l，l′)；其中，sim(l，l′)为所述位置相似度，U为所述用户信息集合，U包含至少一个用户的用户信息，所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l′}，l′为和l不同的其他位置的位置信息，|D_u，l′|为D中D_u，l′的签到频率。

需要说明的是，可以利用不同位置的类型信息计算位置相似度，也可以利用不同位置的所在地信息计算位置相似度。

可选的，所述步骤202中还可以同时进行如下内容：

根据所述签到信息获取所述预定用户对所述其他位置签到的第四时间样本、任意用户对所述预定位置签到的第五时间样本和所述任意用户对所述其他位置签到的第六时间样本。

此时，与所述步骤202对应，所述步骤206可以由以下方式完成：

根据所述签到信息、所述初始时间样本、所述第四时间样本、所述第五时间样本和所述第六时间样本计算所述预定位置和所述其他位置间的位置相似度。

具体的，根据第六公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)}^2}\sqrt{\underset{u\&Element;U\&Element;}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}^2}}$ 即皮尔逊相关系数，计算sim(l，l′)；其中，sim(l，l′)为所述位置相似度，U为所述用户信息集合，U包含至少一个用户的用户信息，所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l′}，所述第五时间样本为D_l＝{t_i|<u_i，l_i，t_i>∈D^l_i＝l}，所述第六时间样本为D_l′＝{t_i|<u_i，l_i，t_i>∈D^l_i＝l′}，l′为和l不同的其他位置的位置信息，|D_u，l′|为D中D_u，l′的签到频率，为D中D_l的平均签到频率，为D中D_l′的平均签到频率。

在签到元数据较多时，采用皮尔逊相关系数计算所述位置相似度的方法相对于采用余弦函数计算位置相似度的方法，存在提高所述位置相似度合理性的倾向，却需参考额外的变量导致运算量增加，实际运用中，可以根据需求进行选择适用。

需要说明的是，所述步骤202-205是顺序执行，而所述步骤206和所述步骤203之间没有先后顺序，可以同时执行，也可按依顺序执行；所述步骤206和所述步骤204之间也没有先后顺序，可以同时执行，也可按依顺序执行；所述步骤206和所述步骤205之间也没有先后顺序，可以同时执行，也可按依顺序执行。

207、根据所述第一时间样本、所述第四时间样本和所述签到信息，计算预定用户对预定位置访问的时间样本集合。

具体的，根据第七公式 $S_{u,l}=\underset{u^{\&prime;}\&Element;U}{\&cup;}\left\{t_i\right|t_i\&Element;D_{u^{\&prime;},l}\}+\underset{l^{\&prime;}\&Element;L}{\&cup;}\{t_j|t_j\&Element;D_{u,l^{\&prime;}}\},$ 计算S_u，l，其中S_u，l为用户信息为u的预定用户对位置信息为l的预定位置访问的时间样本集合。

208、根据所述用户相似度和所述位置相似度获取时间样本的权重。

具体的，所述步骤208可以由以下步骤实现：

将所述用户相似度作为所述第一时间样本的权重W_u，l(t_i)，即： ${\&ForAll;t}_i\&Element;D_{u^{\&prime;},l},W_{u,l}\left(t_i\right)=\mathrm{sim}(u,u^{\&prime;}).$

将所述位置相似度作为所述第四时间样本的权重W_u，l(t_j)，即： ${\&ForAll;t}_j\&Element;D_{u,l^{\&prime;}},W_{u,l}\left(t_j\right)=\mathrm{sim}(l,l^{\&prime;}).$

209、根据所述时间样本集合和所述时间样本的权重构建所述预定用户在所述预定位置签到的连续时间概率密度函数。

具体的，根据第八公式 $f\left(t\right|u,l,D)=\frac{\underset{t_i\&Element;S_{u,l}}{\mathrm{\&Sigma;}}{W}_{u,l}\left(t_i\right)\frac{1}{h}K\left(\frac{t-t_i}{h}\right)}{\underset{t_i\&Element;S_{u,l}}{\mathrm{\&Sigma;}}{W}_{u,l}\left(t_i\right)},$ 计算f(t|u，l，D)，其中，f(t|u，l，D)为用户信息为u的预定用户对位置信息为l的预定位置签到的连续时间概率密度，K(·)为核函数，且 ${\&Integral;}_{-\&infin;}^{+\&infin;}K\left(x\right)\mathrm{dx}=1,$ K(·)包括 $K\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}}{e}^{-\frac{x^2}{2}},$ t-t_i表示时间差， $t-t_i=\left\{\begin{array}{cc}|t-t_i|,& |t-t_i|\&le;12:00\\ 24:00-|t-t_i|,& |t-t_i|>12:00\end{array}\right.,$ h表示带宽的为平滑参数，第八公式中W_u，l(t_i)指代t_i∈S_u，l的时间样本的权重。

图3为所述连续时间概率密度函数的示意图，参照图3所示，可以知道所述连续时间概率密度函数为连续函数，不会因为对时间进行离散处理而造成时间信息的损失。

关于所述步骤207至所述步骤209，可以由如下更为具体方式实现，或者，以下具体实现方式可以视为对所述步骤207至所述步骤209具体适用的解释说明：

为了避免时间信息的损失，在此不对连续时间进行离散化，而是估计预定用户对预定位置在连续时间上签到的连续时间概率密度函数。由于这些连续时间概率密度函数形式多样，不可能事先假定连续时间概率密度函数的形式。因此，选择非参数化密度估计技术(如上述步骤207至209中所述的具有广泛应用价值的核密度估计方法)来估计连续时间概率密度函数。

连续时间概率密度函数可以表示为第八公式： $f\left(t\right|u,l,D)=\frac{\underset{t_i\&Element;S_{u,l}}{\mathrm{\&Sigma;}}{W}_{u,l}\left(t_i\right)\frac{1}{h}K\left(\frac{t-t_i}{h}\right)}{\underset{t_i\&Element;S_{u,l}}{\mathrm{\&Sigma;}}{W}_{u,l}\left(t_i\right)},$ 其中：

(1)S_u，l为时间样本集合，可以参照所述步骤207确定，W_u，l(t_i)为t_i∈S_u，l的时间样本的权重，可以参照所述步骤207确定。

为估计连续时间概率密度函数，需要确定时间样本集合S_u，l和相应的样本点权重W_u，l(t_i)。值得注意的是，预定用户对未访问过的位置的签到时间集合D_u，l为空，所以不能简单地把D_u，l等同于S_u，l。

现实中包含两种重要时间关联：

(a)基于用户的时间关联：在不同时间，不同用户对同一位置的签到行为可能相关联。例如，一群朋友可能在不同时间访问同一位置，因为他们有相同的爱好但是不同的空闲时间。

(b)基于位置的时间关联：在不同时间，同一用户对不同位置的签到行为可能相关联。例如，用户经常依次访问同一类型的位置，如旅游景点。

据此，本发明利用基于用户和位置的时间关联影响计算时间样本集合S_u，l和时间样本对应的权重W_u，l(t_i)。具体可参照所述步骤207来获取时间样本集合S_u，l。

又因为用户相似度或者位置相似度越高，用户会访问位置的时间差越小，本发明把用户相似度或者位置相似度用作时间样本点的权重，即如所述步骤208所述的： ${\&ForAll;t}_j\&Element;D_{u,l^{\&prime;}},W_{u,l}\left(t_j\right)=\mathrm{sim}(l,l^{\&prime;}).$

(2)t-t_i表示时间差。由于时间的周期性，不能简单地利用减法获得时间差。相应地，时间差根据如下公式确定：

$t-t_i=\left\{\begin{array}{cc}|t-t_i|,& |t-t_i|\&le;12:00;\\ 24:00-|t-t_i|,& |t-t_i|>12:00.\end{array}\right.$

(3)K(·)为核函数，满足如下两个条件：且例如，最被广泛应用的高斯核函数：除了利用高斯核函数，还可以利用其他核函数K(·)，如均匀核函数、三角核函数和伽马核函数。

(4)h为平滑参数，即带宽，如h＝4。

最终，通过等式代换，可以得到如下的连续时间概率密度函数：

$f\left(t\right|u,l,D)=\frac{\underset{u^{\&prime;}\&Element;U}{\mathrm{\&Sigma;}}\mathrm{sim}(u,u^{\&prime;})\underset{t_i\&Element;D_{u^{\&prime;,l}}}{\mathrm{\&Sigma;}}\frac{1}{h}K\left(\frac{t-t_i}{h}\right)+\underset{l^{\&prime;}\&Element;L}{\mathrm{\&Sigma;}}\mathrm{sim}(l,l^{\&prime;})\underset{t_j\&Element;D_{u,l^{\&prime;}}}{\mathrm{\&Sigma;}}\frac{1}{h}K\left(\frac{t-t_j}{h}\right)}{\underset{u^{\&prime;}\&Element;U}{\mathrm{\&Sigma;}}\mathrm{sim}(u,u^{\&prime;})\left|D_{u^{\&prime;},l}\right|+\underset{l^{\&prime;}\&Element;L}{\mathrm{\&Sigma;}}\mathrm{sim}(l,l^{\&prime;})\left|D_{u,l^{\&prime;}}\right|}$

其中，D_u′，l包含的时间样本有相同的权重sim(u，u′)，D_u，l′包含的时间样本有相同的权重sim(l，l′)，所以上式分母中sim(u，u′)和sim(l，l′)分别乘以|D_u′l|和|D_u，l′|。

需要说明的是，所述步骤207至所属步骤209为顺序执行，所述步骤207在所述步骤203和所述步骤206均执行完后才执行，而所述步骤207至所属步骤209中的各所述步骤均和所述步骤204之间没有先后顺序，可以同时执行，也可按依顺序执行；所述步骤207至所属步骤209中的各所述步骤均和所述步骤205之间也没有先后顺序，可以同时执行，也可按依顺序执行。

210、根据所述先验概率和所述连续时间概率密度函数计算所述预定用户在预设时间段对各个预定位置访问的访问概率。

具体可以根据第九公式 $\begin{array}{c}P\left(l\right|u,T,D)=\frac{P(T,l|u,D)}{P\left(T\right|u,D)}=\frac{P\left(l\right|u,D)P\left(T\right|u,l,D)}{P\left(T\right|u,D)}\\ \&Proportional;P\left(l\right|u,D)P\left(T\right|u,l,D)\&ForAll;l\&Element;L\\ \&Proportional;P\left(l\right|u,D){\&Integral;}_{t\&Element;T}f\left(t\right|u,l,D)\mathrm{dt},\&ForAll;l\&Element;L.\end{array}$ 计算P(l|u，T，D)，其中，P(l|u，T，D)是用户信息为u的预定用户在预设时间段T内对位置信息为l的预定位置访问的访问概率，l为L中的任意一个位置信息。

通过上述步骤可以得到P(l|u，T，D)的如下表达式：

$\begin{array}{c}P\left(l\right|u,T,D)\&Proportional;P\left(l\right|u,D){\&Integral;}_{t\&Element;T}f\left(t\right|u,l,D)\mathrm{dt}\\ =\frac{P\left(l\right|u,D)[\underset{u^{\&prime;}\&Element;U}{\mathrm{\&Sigma;}}\mathrm{sim}(u,u^{\&prime;})\underset{t_i\&Element;D_{u^{\&prime;},l}}{\mathrm{\&Sigma;}}{\&Integral;}_{t\&Element;T}\frac{1}{h}K\left(\frac{t-t_i}{h}\right)\mathrm{dt}+\underset{l^{\&prime;}\&Element;L}{\mathrm{\&Sigma;}}\mathrm{sim}(l,l^{\&prime;})\underset{t_j\&Element;D_{u,l^{\&prime;}}}{\mathrm{\&Sigma;}}{\&Integral;}_{t\&Element;T}\frac{1}{h}K\left(\frac{t-t_j}{h}\right)\mathrm{dt}]}{\underset{u^{\&prime;}\&Element;U}{\mathrm{\&Sigma;}}\mathrm{sim}(u,u^{\&prime;})\left|D_{u^{\&prime;},l}\right|+\underset{l^{\&prime;}\&Element;L}{\mathrm{\&Sigma;}}\mathrm{sim}(l,l^{\&prime;})\left|D_{u,l^{\&prime;}}\right|}\end{array}$ ；其中，为对核函数的积分，如高斯核函数的积分，可以通过现有数值方法计算。类似地，此公式可以计算预定用户在预定时间段内访问任意位置的访问概率。

211、根据所述访问概率的数值，由大到小选取预定个数的预定位置作为访问位置，将所述访问位置在预设时间段内推荐给预定用户。

具体的，可以根据所述访问概率P(l|u，T，D)的数值，由大到小选取预定个数的预定位置作为访问位置，将所述访问位置在预设时间段T内推荐给用户信息为u的预定用户。

可选的，还可以将所述访问概率P(l|u，T，D)的数值达到预定阈值的预定位置作为访问位置，将所述访问位置在预设时间段T内推荐给用户信息为u的预定用户。

本发明实施例提供的位置推荐方法，能通过获取用户设备对位置的签到信息以余弦函数的方式来计算不同用户间的用户相似度和不同位置间的位置相似度，并根据所述用户相似度和所述位置相似度以核密度估计方法构建所述预定用户在所述预定位置签到的连续时间概率密度函数，保证时间信息的连续；再根据所述用户相似度获取所述预定用户在所述预定位置签到的先验概率，根据所述先验概率和所述连续时间概率密度函数计算预定用户对各个预定位置的访问概率，并根据访问概率按照预定规则在预设时间段内向所述预定用户推荐访问位置使提供的推荐位置符合用户偏好，从而能在保证签到元数据中时间信息不丢失的同时，兼顾位置推荐的质量。

参照图4所示，本发明的实施例提供一种位置推荐装置，应用于互联网技术领域，可以用于位置推荐，具体可以用于实现本发明的上述实施例中提供的位置推荐方法，包括以下结构：

获取单元401，用于获取用户设备对位置的签到信息。

相似度单元402，用于根据所述获取单元401获取的所述签到信息计算预定用户和其他用户间的用户相似度，所述用户相似度包括在不同时间段对预定位置签到的所述预定用户和所述其他用户间的用户相似度。

先验单元403，用于根据所述相似度单元402计算的所述用户相似度获取所述预定用户在所述预定位置签到的先验概率。

所述相似度单元402还用于根据所述获取单元401获取的所述签到信息计算所述预定位置和其他位置间的位置相似度，所述位置相似度包括在不同时间段经所述预定用户签到的所述预定位置和所述其他位置间的位置相似度。

建模单元404，用于根据所述相似度单元402计算的所述用户相似度和所述位置相似度构建所述预定用户在所述预定位置签到的连续时间概率密度函数。

融合单元405，用于根据所述先验单元403获取的所述先验概率和所述建模单元404构建的所述连续时间概率密度函数计算所述预定用户在预设时间段对各个预定位置访问的访问概率。

推荐单元406，用于根据所述融合单元405计算的访问概率，按照预定规则在预设时间段内向所述预定用户推荐访问位置。

可选的，在本实施例中上述内容的基础上，如果所述获取单元401获取的所述签到信息包含：位置信息集合和签到元数据集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息；

所述获取单元401还用于根据所述获取单元401获取的所述签到信息获取所述预定用户对所述预定位置签到的初始时间样本和所述其他用户对所述预定位置签到的第一时间样本；

所述相似度单元402具体用于：根据第一公式 $\mathrm{sim}(u,u^{\&prime;})=\frac{\underset{l\&Element;L}{\mathrm{\&Sigma;}}\left|D_{u,l}\right|\left|D_{u^{\&prime;},l}\right|}{\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left|D_{u^{\&prime;},l}\right|}^2}},$ 计算sim(u，u′)；

其中，sim(u，u′)为所述相似度单元402计算的所述用户相似度，L为所述获取单元401获取的所述位置信息集合，L包含至少一个位置的位置信息，所述获取单元401获取的所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述获取单元401获取的所述初始时间样本为D_u，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l}，所述获取单元401获取的所述第一时间样本为D_u′，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′^l_i＝l}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u′，l|为D中D_u′，l的签到频率。

可选的，在本实施例中上述内容的基础上，如果所述获取单元401获取的所述签到信息包含：位置信息集合和签到元数据集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息；

所述获取单元401还用于根据所述获取单元401获取的所述签到信息获取所述预定用户对所述预定位置签到的初始时间样本、所述其他用户对所述预定位置签到的第一时间样本、所述预定用户对任意位置签到的第二时间样本和所述其他用户对所述任意位置签到的第三时间样本；

所述相似度单元402具体用于：根据第二公式 $\mathrm{sim}(u,u^{\&prime;})=\frac{\underset{l\&Element;L}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)\left(\right|D_{u^{\&prime;},l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}{\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)}^2}\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u^{\&prime;},l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}^2}},$ 计算sim(u，u′)；

其中，sim(u，u′)为所述相似度单元402计算的所述用户相似度，L为所述获取单元401获取的所述位置信息集合，L包含至少一个位置的位置信息，所述获取单元401获取的所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述获取单元401获取的所述初始时间样本为D_u，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l}，所述获取单元401获取的所述第一时间样本为D_u′l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′^l_i＝l}，所述获取单元401获取的所述第二时间样本为D_u＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u}，所述获取单元401获取的所述第三时间样本为D_u′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u′，l|为D中D_u′，l的签到频率，为D中D_u的平均签到频率，为D中D_u′的平均签到频率。

可选的，在本实施例中上述内容的基础上，参照图5所示，所述先验单元403具体包括：

第一先验子单元4031，用于根据第三公式计算r_u，l，其中，r_u，l是用户信息为u的预定用户对位置信息为l的预定位置签到的偏好程度；

第二先验子单元4032，用于根据所述第一先验子单元4031计算的r_u，l和第四公式计算P(l|u，D)，其中，P(l|u，D)是用户信息为u的预定用户对位置信息为l的预定位置签到的先验概率。

可选的，在本实施例中上述内容的基础上，所述签到信息还可以包含用户信息集合；

所述获取单元401还用于根据所述获取单元401获取的所述签到信息获取所述预定用户对所述其他位置签到的第四时间样本；

所述相似度单元402具体用于：根据第五公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left|D_{u,l}\right|\left|D_{u,l^{\&prime;}}\right|}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{u,l^{\&prime;}}\right|}^2}},$ 计算sim(l，l′)；

其中，sim(l，l′)为所述相似度单元402计算的所述位置相似度，U为所述获取单元401获取的所述用户信息集合，U包含至少一个用户的用户信息，所述获取单元401获取的所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l′}，l′为和l不同的其他位置的位置信息，|D_u，l′|为D中D_u，l′的签到频率。

可选的，在本实施例中上述内容的基础上，所述签到信息还可以包含用户信息集合；

所述获取单元401还用于根据所述获取单元401获取的所述签到信息获取所述预定用户对所述其他位置签到的第四时间样本、任意用户对所述预定位置签到的第五时间样本和所述任意用户对所述其他位置签到的第六时间样本；

所述相似度单元402具体用于：根据第六公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)}^2}\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}^2}},$ 计算sim(l，l′)；

其中，sim(l，l′)为所述相似度单元402计算的所述位置相似度，U为所述获取单元401获取的所述用户信息集合，U包含至少一个用户的用户信息，所述获取单元401获取的所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l′}，所述获取单元401获取的所述第五时间样本为D_l＝{t_i|<u_i，l_i，t_i>∈D^l_i＝l}，所述获取单元401获取的所述第六时间样本为D_l′＝{t_i|<u_i，l_i，t_i>∈D^l_i＝l′}，l′为和l不同的其他位置的位置信息，|D_u，l′|为D中D_u，l′的签到频率，为D中D_l的平均签到频率，为D中D_l′的平均签到频率。

可选的，在本实施例中上述内容的基础上，参照图6所示，所述建模单元404具体可以包括：

集合子单元4041，用于根据第七公式 $S_{u,l}=\underset{u^{\&prime;}\&Element;U}{\&cup;}\left\{t_i\right|t_i\&Element;D_{u^{\&prime;},l}\}+\underset{l^{\&prime;}\&Element;L}{\&cup;}\{t_j|t_j\&Element;D_{u,l^{\&prime;}}\},$ 计算S_u，l，其中S_u，l为用户信息为u的预定用户对位置信息为l的预定位置访问的时间样本集合；

权重子单元4042，用于将所述相似度单元402计算的所述用户相似度作为所述获取单元401获取的所述第一时间样本的权重W_u，l(t_i)，即： ${\&ForAll;t}_i\&Element;D_{u^{\&prime;},l}{W}_{u,l}\left(t_i\right)=\mathrm{sim}(u,u^{\&prime;});$

所述权重子单元4042，还用于将所述相似度单元402计算的所述位置相似度作为所述获取单元401获取的所述第四时间样本的权重W_u，l(t_j)，即： ${\&ForAll;t}_j\&Element;D_{u,l^{\&prime;}},W_{u,l}\left(t_j\right)=\mathrm{sim}(l,l^{\&prime;});$

概率密度子单元4043，用于根据第八公式计算f(t|u，l，D)，其中，f(t|u，l，D)为用户信息为u的预定用户对位置信息为l的预定位置签到的连续时间概率密度，K(·)为核函数， $\&ForAll;x,K\left(x\right)\&GreaterEqual;0$ 且 ${\&Integral;}_{-\&infin;}^{+\&infin;}K\left(x\right)\mathrm{dx}=1,$ K(·)包括 $K\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}}{e}^{-\frac{x^2}{2}},$ t-t_i表示时间差， $t-t_i=\left\{\begin{array}{cc}|t-t_i|,& |t-t_i|\&le;12:00\\ 24:00-|t-t_i|,& |t-t_i|>12:00\end{array}\right.,$ h表示带宽的为平滑参数，第八公式中W_u，l(t_i)指代t_i∈S_u，l的时间样本的权重。

可选的，在本实施例中上述内容的基础上，所述融合单元405，具体用于：

根据第九公式 $\begin{array}{c}P\left(l\right|u,T,D)=\frac{P(T,l|u,D)}{P\left(T\right|u,D)}=\frac{P\left(l\right|u,D)P\left(T\right|u,l,D)}{P\left(T\right|u,D)}\\ \&Proportional;P\left(l\right|u,D)P\left(T\right|u,l,D),\&ForAll;l\&Element;L\\ \&Proportional;P\left(l\right|u,D){\&Integral;}_{t\&Element;T}f\left(t\right|u,l,D)\mathrm{dt},\&ForAll;l\&Element;L.\end{array}$ 计算P(l|u，T，D)，其中，P(l|u，T，D)是用户信息为u的预定用户在预设时间段T内对位置信息为l的预定位置访问的访问概率，l为L中的任意一个位置信息；

可选的，在本实施例中上述内容的基础上，所述推荐单元406，具体用于：

根据所述融合单元405计算的所述访问概率的数值，由大到小选取预定个数的预定位置作为访问位置，将所述访问位置在预设时间段T内推荐给用户信息为u的预定用户。

本发明实施例提供的位置推荐装置，能获取用户设备对位置的签到信息，并根据所述签到信息以余弦函数的方式来计算不同用户间的用户相似度和不同位置间的位置相似度，并根据所述用户相似度和所述位置相似度以核密度估计方法构建所述预定用户在所述预定位置签到的连续时间概率密度函数，保证时间信息的连续；再根据所述用户相似度获取所述预定用户在所述预定位置签到的先验概率，根据所述先验概率和所述连续时间概率密度函数计算预定用户对各个预定位置的访问概率，并根据访问概率按照预定规则在预设时间段内向所述预定用户推荐访问位置使提供的推荐位置符合用户偏好，从而能在保证签到元数据中时间信息不丢失的同时，兼顾位置推荐的质量。

本发明的实施例提供一种位置推荐装置，应用于互联网技术领域，可以用于位置推荐，具体可以用于实现本发明的上述实施例中提供的位置推荐方法，参照图7所示，该位置推荐装置可以嵌入或本身就是微处理计算机，比如：通用计算机、客户定制机、手机终端或平板机等便携设备，该位置推荐装置7001包括：至少一个数据端口7011、处理器7012、存储器7013和总线7014，该至少一个数据端口7011、处理器7012和存储器7013通过总线7014连接并完成相互间的通信。

该总线7014可以是ISA(IndustryStandardArchitecture，工业标准体系结构)总线、PCI(PeripheralComponent，外部设备互连)总线或EISA(ExtendedIndustryStandardArchitecture，扩展工业标准体系结构)总线等。该总线7014可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。其中：

存储器7013用于存储可执行程序代码，该程序代码包括计算机操作指令。存储器7013可能包括高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

处理器7012可能是一个中央处理器(CentralProcessingUnit，简称为CPU)，或者是特定集成电路(ApplicationSpecificIntegratedCircuit，简称为ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路。

其中，所述数据端口7011，用于获取用户设备对位置的签到信息。

所述处理器7012，用于根据所述数据端口7011获取的所述签到信息计算预定用户和其他用户间的用户相似度，所述用户相似度包括在不同时间段对预定位置签到的所述预定用户和所述其他用户间的用户相似度。

所述处理器7012，用于根据所述处理器7012计算的所述用户相似度获取所述预定用户在所述预定位置签到的先验概率。

所述处理器7012还用于根据所述数据端口7011获取的所述签到信息计算所述预定位置和其他位置间的位置相似度，所述位置相似度包括在不同时间段经所述预定用户签到的所述预定位置和所述其他位置间的位置相似度。

所述处理器7012，用于根据所述处理器7012计算的所述用户相似度和所述位置相似度构建所述预定用户在所述预定位置签到的连续时间概率密度函数。

所述处理器7012，用于根据所述处理器7012获取的所述先验概率和所述处理器7012构建的所述连续时间概率密度函数计算所述预定用户在预设时间段对各个预定位置访问的访问概率。

所述处理器7012，用于根据所述处理器7012计算的访问概率，按照预定规则在预设时间段内向所述预定用户推荐访问位置。

可选的，在本实施例中上述内容的基础上，如果所述数据端口7011获取的所述签到信息包含：位置信息集合和签到元数据集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息；

所述数据端口7011还用于根据所述数据端口7011获取的所述签到信息获取所述预定用户对所述预定位置签到的初始时间样本和所述其他用户对所述预定位置签到的第一时间样本；

所述处理器7012具体用于：根据第一公式 $\mathrm{sim}(u,u^{\&prime;})=\frac{\underset{l\&Element;L}{\mathrm{\&Sigma;}}\left|D_{u,l}\right|\left|D_{u^{\&prime;},l}\right|}{\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left|D_{u^{\&prime;},l}\right|}^2}},$ 计算sim(u，u′)；

其中，sim(u，u′)为所述处理器7012计算的所述用户相似度，L为所述数据端口7011获取的所述位置信息集合，L包含至少一个位置的位置信息，所述数据端口7011获取的所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述数据端口7011获取的所述初始时间样本为D_u，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l}，所述数据端口7011获取的所述第一时间样本为D_u′，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′＾l_i＝l}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u′，l|为D中D_u′，l的签到频率。

可选的，在本实施例中上述内容的基础上，如果所述数据端口7011获取的所述签到信息包含：位置信息集合和签到元数据集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息；

所述数据端口7011还用于根据所述数据端口7011获取的所述签到信息获取所述预定用户对所述预定位置签到的初始时间样本、所述其他用户对所述预定位置签到的第一时间样本、所述预定用户对任意位置签到的第二时间样本和所述其他用户对所述任意位置签到的第三时间样本；

所述处理器7012具体用于：根据第二公式 $\mathrm{sim}(u,u^{\&prime;})=\frac{\underset{l\&Element;L}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)\left(\right|D_{u^{\&prime;},l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}{\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)}^2}\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u^{\&prime;},l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}^2}},$ 计算sim(u，u′)；

其中，sim(u，u′)为所述处理器7012计算的所述用户相似度，L为所述数据端口7011获取的所述位置信息集合，L包含至少一个位置的位置信息，所述数据端口7011获取的所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述数据端口7011获取的所述初始时间样本为D_u，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u＾l_i＝l}，所述数据端口7011获取的所述第一时间样本为D_u′，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′＾l_i＝l}，所述数据端口7011获取的所述第二时间样本为D_u＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u}，所述数据端口7011获取的所述第三时间样本为D_u′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u′，l|为D中D_u′，l的签到频率，为D中D_u的平均签到频率，为D中D_u′的平均签到频率。

可选的，在本实施例中上述内容的基础上，所述处理器7012具体用于根据第三公式计算r_u，l，其中，r_u，l是用户信息为u的预定用户对位置信息为l的预定位置签到的偏好程度；

所述处理器7012还具体用于根据r_u，l和第四公式计算P(l|u，D)，其中，P(l|u，D)是用户信息为u的预定用户对位置信息为l的预定位置签到的先验概率。

可选的，在本实施例中上述内容的基础上，所述签到信息还可以包含用户信息集合；

所述数据端口7011还用于根据所述数据端口7011获取的所述签到信息获取所述预定用户对所述其他位置签到的第四时间样本；

所述处理器7012具体用于：根据第五公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left|D_{u,l}\right|\left|D_{{u,l}^{\&prime;}}\right|}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{{u,l}^{\&prime;}}\right|}^2}},$ 计算sim(l，l′)；

其中，sim(l，l′)为所述处理器7012计算的所述位置相似度，U为所述数据端口7011获取的所述用户信息集合，U包含至少一个用户的用户信息，所述数据端口7011获取的所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u＾l_i＝l′}，l′为和l不同的其他位置的位置信息，|D_u，l′|为D中D_u，l′的签到频率。

可选的，在本实施例中上述内容的基础上，所述签到信息还可以包含用户信息集合；

所述数据端口7011还用于根据所述数据端口7011获取的所述签到信息获取所述预定用户对所述其他位置签到的第四时间样本、任意用户对所述预定位置签到的第五时间样本和所述任意用户对所述其他位置签到的第六时间样本；

所述处理器7012具体用于：根据第六公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)}^2}\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}^2}},$ 计算sim(l，l′)；

其中，sim(l，l′)为所述处理器7012计算的所述位置相似度，U为所述数据端口7011获取的所述用户信息集合，U包含至少一个用户的用户信息，所述数据端口7011获取的所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l′}，所述数据端口7011获取的所述第五时间样本为D_l＝{t_i<u_i，l_i，t_i>∈D^l_i＝l}，所述数据端口7011获取的所述第六时间样本为D_l′＝{t_i|<u_i，l_i，t_i>∈D^l_i＝l′}，l′为和l不同的其他位置的位置信息，|D_u，l′|为D中|D_u，l′|的签到频率，为D中D_l的平均签到频率，为D中D_l′的平均签到频率。

可选的，在本实施例中上述内容的基础上，所述处理器7012具体可以用于根据第七公式 $S_{u,l}=\underset{u^{\&prime;}\&Element;U}{\&cup;}\left\{t_i\right|t_i\&Element;D_{u^{\&prime;,}l}\}+\underset{l^{\&prime;}\&Element;L}{\&cup;}\{t_j|t_j\&Element;D_{u,l^{\&prime;}}\},$ 计算S_u，l，其中S_u，l为用户信息为u的预定用户对位置信息为l的预定位置访问的时间样本集合；

所述处理器7012具体还可以用于将所述处理器7012计算的所述用户相似度作为所述数据端口7011获取的所述第一时间样本的权重W_u，l(t_i)，即： ${\&ForAll;t}_i\&Element;D_{u^{\&prime;},l},W_{u,l}\left(t_i\right)=\mathrm{sim}(u,u^{\&prime;});$

所述处理器7012具体还可以用于将所述处理器7012计算的所述位置相似度作为所述数据端口7011获取的所述第四时间样本的权重W_u，l(t_j)，即： ${\&ForAll;t}_j\&Element;D_{u,l^{\&prime;}},W_{u,l}\left(t_j\right)=\mathrm{sim}(l,l^{\&prime;});$

所述处理器7012具体还可以用于根据第八公式 $f\left(t\right|u,l,D)=\frac{\underset{t_i\&Element;S_{u,l}}{\mathrm{\&Sigma;}}{W}_{u,l}\left(t_i\right)\frac{1}{h}K\left(\frac{t-t_i}{h}\right)}{\underset{t_i\&Element;S_{u,l}}{\mathrm{\&Sigma;}}{W}_{u,l}\left(t_i\right)},$ 计算f(t|u，l，D)，其中，f(t|u，l，D)为用户信息为u的预定用户对位置信息为l的预定位置签到的连续时间概率密度，K(·)为核函数， $\&ForAll;x,K\left(x\right)\&GreaterEqual;0$ 且 ${\&Integral;}_{-\&infin;}^{+\&infin;}K\left(x\right)\mathrm{dx}=1,$ K(·)包括 $K\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}}{e}^{-\frac{x^2}{2}},$ t－t_i表示时间差， $t_i=\left\{\begin{array}{cc}|t-t_i|,& |t-t_i|\&le;12:00\\ 24:00-|t-t_i|,& |t-t_i|>12:00\end{array}\right.,$ h表示带宽的为平滑参数，第八公式中W_u，l(t_i)指代t_i∈S_u，l的时间样本的权重。

可选的，在本实施例中上述内容的基础上，所述处理器7012，具体用于：根据第九公式 $\begin{array}{c}P\left(l\right|u,T,D)=\frac{P(T,l|u,D)}{P\left(T\right|u,D)}=\frac{P\left(l\right|u,D)P\left(T\right|u,l,D)}{P\left(T\right|u,D)}\\ \&Proportional;P\left(l\right|u,D)P\left(T\right|u,l,D),\&ForAll;l\&Element;L\\ \&Proportional;P\left(l\right|u,D){\&Integral;}_{t\&Element;T}f\left(t\right|u,l,D)\mathrm{dt},\&ForAll;l\&Element;L.\end{array}$ 计算P(l|u，T，D)，其中，P(l|u，T，D)是用户信息为u的预定用户在预设时间段T内对位置信息为l的预定位置访问的访问概率，l为L中的任意一个位置信息；

可选的，在本实施例中上述内容的基础上，所述处理器7012，具体用于：根据所述处理器7012计算的所述访问概率的数值，由大到小选取预定个数的预定位置作为访问位置，将所述访问位置在预设时间段T内推荐给用户信息为u的预定用户。

本发明实施例提供的位置推荐装置，能获取用户设备对位置的签到信息，并根据所述签到信息以余弦函数的方式来计算不同用户间的用户相似度和不同位置间的位置相似度，并根据所述用户相似度和所述位置相似度以核密度估计方法构建所述预定用户在所述预定位置签到的连续时间概率密度函数，保证时间信息的连续；再根据所述用户相似度获取所述预定用户在所述预定位置签到的先验概率，根据所述先验概率和所述连续时间概率密度函数计算预定用户对各个预定位置的访问概率，并根据访问概率按照预定规则在预设时间段内向所述预定用户推荐访问位置使提供的推荐位置符合用户偏好，从而能在保证签到元数据中时间信息不丢失的同时，兼顾位置推荐的质量。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可以用硬件实现，或固件实现，或它们的组合方式来实现。当使用软件实现时，可以将上述功能存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于：计算机可读介质可以包括RAM(RandomAccessMemory，随机存储器)、ROM(ReadOnlyMemory，只读内存)、EEPROM(EIectricallyErasableProgrammableReadOnlyMemory，电可擦可编程只读存储器)、CD-ROM(CompactDiscReadOnlyMemory，即只读光盘)或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。此外，任何连接可以适当的成为计算机可读介质。例如，如果软件是使用同轴电缆、光纤光缆、双绞线、DSL(DigitalSubscriberLine，数字用户专线)或者诸如红外线、无线电和微波之类的无线技术从网站、服务器或者其他远程源传输的，那么同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线和微波之类的无线技术包括在所属介质的定影中。如本发明所使用的，盘和碟包括CD(CompactDisc，压缩光碟)、激光碟、光碟、DVD碟(DigitalVersatileDisc，数字通用光)、软盘和蓝光光碟，其中盘通常磁性的复制数据，而碟则用激光来光学的复制数据。上面的组合也应当包括在计算机可读介质的保护范围之内。

由上可知，本发明的实施例提供的位置推荐方法及装置，因为可以集成传统的位置推荐方法，所以还可以应用到传统的社交网络中。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (18)

1.一种位置推荐方法，其特征在于，包括：

获取用户设备对位置的签到信息；

根据所述签到信息计算预定用户和其他用户间的用户相似度，所述用户相似度包括在不同时间段对预定位置签到的所述预定用户和所述其他用户间的用户相似度；

根据所述用户相似度获取所述预定用户在所述预定位置签到的先验概率；

根据所述签到信息计算所述预定位置和其他位置间的位置相似度，所述位置相似度包括在不同时间段经所述预定用户签到的所述预定位置和所述其他位置间的位置相似度；

根据所述用户相似度和所述位置相似度构建所述预定用户在所述预定位置签到的连续时间概率密度函数；

根据所述先验概率和所述连续时间概率密度函数计算所述预定用户在预设时间段对各个预定位置访问的访问概率；

根据所述访问概率，按照预定规则在预设时间段内向所述预定用户推荐访问位置。

2.根据权利要求1所述的方法，其特征在于，所述签到信息包含：位置信息集合和签到元数据集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息；

根据所述签到信息计算预定用户和其他用户间的用户相似度，所述用户相似度包括在不同时间段对预定位置签到的所述预定用户和所述其他用户间的用户相似度之前，所述方法还包括：

根据所述签到信息获取所述预定用户对所述预定位置签到的初始时间样本和所述其他用户对所述预定位置签到的第一时间样本；

根据所述签到信息计算预定用户和其他用户间的用户相似度，具体为：

根据所述签到信息、所述初始时间样本和所述第一时间样本计算所述预定用户和所述其他用户间的用户相似度，具体包括：

根据第一公式 $\mathrm{sim}(u,u^{\&prime;})=\frac{\underset{l\&Element;L}{\mathrm{\&Sigma;}}\left|D_{u,l}\right|\left|D_{u^{\&prime;},l}\right|}{\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left|D_{u^{\&prime;},l}\right|}^2}},$ 计算sim(u，u′)；

其中，sim(u，u′)为所述用户相似度，L为所述位置信息集合，L包含至少一个位置的位置信息，所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述初始时间样本为D_u，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l}，所述第一时间样本为D_u′，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′^l_i＝l}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u′，l|为D中D_u′，l的签到频率。

3.根据权利要求1所述的方法，其特征在于，所述签到信息包含：位置信息集合和签到元数据集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息；

根据所述签到信息计算预定用户和其他用户间的用户相似度，所述用户相似度包括在不同时间段对预定位置签到的所述预定用户和所述其他用户间的用户相似度之前，所述方法还包括：

根据所述签到信息获取所述预定用户对所述预定位置签到的初始时间样本、所述其他用户对所述预定位置签到的第一时间样本、所述预定用户对任意位置签到的第二时间样本和所述其他用户对所述任意位置签到的第三时间样本；

根据所述签到信息计算预定用户和其他用户间的用户相似度，具体为：

根据所述签到信息、所述初始时间样本、所述第一时间样本、所述第二时间样本和所述第三时间样本计算所述预定用户和所述其他用户间的用户相似度，具体包括：

根据第二公式 $\mathrm{sim}(u,u^{\&prime;})=\frac{\underset{l\&Element;L}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)\left(\right|D_{u^{\&prime;},l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}{\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)}^2}\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u^{\&prime;},l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}^2}},$ 计算sim(u，u′)；

其中，sim(u，u′)为所述用户相似度，L为所述位置信息集合，L包含至少一个位置的位置信息，所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述初始时间样本为D_u，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l}，所述第一时间样本为D_u′，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′^l_i＝l}，所述第二时间样本为D_u＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u}，所述第三时间样本为D_u′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u′，l|为D中D_u′，l的签到频率，为D中D_u的平均签到频率，为D中D_u′的平均签到频率。

4.根据权利要求2或3所述的方法，其特征在于，根据所述用户相似度获取所述预定用户在所述预定位置签到的先验概率，具体为：

根据所述用户相似度、所述签到信息和所述第一时间样本获取所述预定用户在所述预定位置签到的先验概率，具体包括：

根据第三公式计算r_u，l，其中，r_u，l是用户信息为u的预定用户对位置信息为l的预定位置签到的偏好程度；

根据第四公式计算P(l|u，D)，其中，P(l|u，D)是用户信息为u的预定用户对位置信息为l的预定位置签到的先验概率。

5.根据权利要求4所述的方法，其特征在于，所述签到信息还包含用户信息集合；

根据所述签到信息计算所述预定位置和其他位置间的位置相似度，所述位置相似度包括在不同时间段经所述预定用户签到的所述预定位置和所述其他位置间的位置相似度之前，所述方法还包括：

根据所述签到信息获取所述预定用户对所述其他位置签到的第四时间样本；

根据所述签到信息计算所述预定位置和其他位置间的位置相似度，具体为：

根据所述签到信息、所述初始时间样本和所述第四时间样本计算所述预定位置和所述其他位置间的位置相似度，具体包括：

根据第五公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left|D_{u,l}\right|\left|D_{u,l^{\&prime;}}\right|}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{u,l^{\&prime;}}\right|}^2}},$ 计算sim(l，l′)；

其中，sim(l，l′)为所述位置相似度，U为所述用户信息集合，U包含至少一个用户的用户信息，所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l′}，l′为和l不同的其他位置的位置信息息，|D_u，l′|为D中D_u，l′的签到频率。

6.根据权利要求4所述的方法，其特征在于，所述签到信息还包含用户信息集合；

根据所述签到信息计算所述预定位置和其他位置间的位置相似度，所述位置相似度包括在不同时间段经所述预定用户签到的所述预定位置和所述其他位置间的位置相似度之前，所述方法还包括：

根据所述签到信息获取所述预定用户对所述其他位置签到的第四时间样本、任意用户对所述预定位置签到的第五时间样本和所述任意用户对所述其他位置签到的第六时间样本；

根据所述签到信息计算所述预定位置和其他位置间的位置相似度，具体为：

根据所述签到信息、所述初始时间样本、所述第四时间样本、所述第五时间样本和所述第六时间样本计算所述预定位置和所述其他位置间的位置相似度，具体包括：

根据第六公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)}^2}\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}^2}},$ 计算sim(l，l′)；

其中，sim(l，l′)为所述位置相似度，U为所述用户信息集合，U包含至少一个用户的用户信息，所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l′}，所述第五时间样本为D_l＝{t_i|<u_i，l_i，t_i>∈D^l_i＝l}，所述第六时间样本为D_l′＝{t_i|<u_i，l_i，t_i>∈D^l_i＝l′}，l′为和l不同的其他位置的位置信息，|D_u，l′|为D中D_u，l′的签到频率，为D中D_l的平均签到频率，为D中D_l′的平均签到频率。

7.根据权利要求5或6所述的方法，其特征在于，根据所述用户相似度和所述位置相似度构建所述预定用户在所述预定位置签到的连续时间概率密度函数，具体为：

根据所述第一时间样本、所述第四时间样本、所述签到信息、所述用户相似度和所述位置相似度，构建所述预定用户在所述预定位置签到的连续时间概率密度函数，具体包括：

根据第七公式 $S_{u,l}=\underset{u^{\&prime;}\&Element;U}{\&cup;}\left\{t_i\right|t_i\&Element;D_{u^{\&prime;},l}\}+\underset{l^{\&prime;}\&Element;L}{\&cup;}\{t_j|t_j\&Element;D_{u,l^{\&prime;}}\},$ 计算S_u，l，其中S_u，l为用户信息为u的预定用户对位置信息为l的预定位置访问的时间样本集合；

将所述用户相似度作为所述第一时间样本的权重W_u，l(t_i)，即：W_u，l(t_i)＝sim(u，u′)；

将所述位置相似度作为所述第四时间样本的权重W_u，l(t_j)，即：W_u，l(t_j)＝sim(l，l′)；

根据第八公式 $f\left(t\right|u,l,D)=\frac{\underset{t_i\&Element;S_{u,l}}{\mathrm{\&Sigma;}}{W}_{u,l}\left(t_i\right)\frac{1}{h}K\left(\frac{t-t_i}{h}\right)}{\underset{t_i\&Element;S_{u,l}}{\mathrm{\&Sigma;}}{W}_{u,l}\left(t_i\right)},$ 计算f(t|u，l，D)，其中，f(t|u，l，D)为用户信息为u的预定用户对位置信息为l的预定位置签到的连续时间概率密度，K(·)为核函数，且K(·)包括 $K\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}}{e}^{-\frac{x^2}{2}},$ t-t_i表示时间差， $t-t_i=\left\{\begin{array}{cc}|t-t_i|,& |t-t_i|\&le;12:00\\ 24:00-|t-t_i|,& |t-t_i|>12:00\end{array}\right.,$ h表示带宽的为平滑参数，第八公式中W_u，l(t_i)指代t_i∈S_u，l的时间样本的权重。

8.根据权利要求7所述的方法，其特征在于，根据所述先验概率和所述连续时间概率密度函数计算所述预定用户在预设时间段对各个预定位置访问的访问概率，具体包括：

根据第九公式 $\begin{array}{c}P\left(l\right|u,T,D)=\frac{P(T,l|u,D)}{P\left(T\right|u,D)}=\frac{P\left(l\right|u,D)P\left(T\right|u,l,D)}{P\left(T\right|u,D)}\\ \&Proportional;P\left(l\right|u,D)P\left(T\right|u,l,D),\&ForAll;l\&Element;L\\ \&Proportional;P\left(l\right|u,D){\&Integral;}_{t\&Element;T}f\left(t\right|u,l,D)\mathrm{dt},\&ForAll;l\&Element;L.\end{array}$ 计算P(l|u，T，D)，其中，P(l|u，T，D)是用户信息为u的预定用户在预设时间段T内对位置信息为l的预定位置访问的访问概率，l为L中的任意一个位置信息。

9.根据权利要求8所述的方法，其特征在于，根据所述访问概率，按照预定规则在预设时间段内向所述预定用户推荐访问位置，具体包括：

根据所述访问概率的数值，由大到小选取预定个数的预定位置作为访问位置，将所述访问位置在预设时间段T内推荐给用户信息为u的预定用户。

10.一种位置推荐装置，其特征在于，包括：

获取单元，用于获取用户设备对位置的签到信息；

相似度单元，用于根据所述获取单元获取的所述签到信息计算预定用户和其他用户间的用户相似度，所述用户相似度包括在不同时间段对预定位置签到的所述预定用户和所述其他用户间的用户相似度；

先验单元，用于根据所述相似度单元计算的所述用户相似度获取所述预定用户在所述预定位置签到的先验概率；

所述相似度单元还用于根据所述获取单元获取的所述签到信息计算所述预定位置和其他位置间的位置相似度，所述位置相似度包括在不同时间段经所述预定用户签到的所述预定位置和所述其他位置间的位置相似度；

建模单元，用于根据所述相似度单元计算的所述用户相似度和所述位置相似度构建所述预定用户在所述预定位置签到的连续时间概率密度函数；

融合单元，用于根据所述先验单元获取的所述先验概率和所述建模单元构建的所述连续时间概率密度函数计算所述预定用户在预设时间段对各个预定位置访问的访问概率；

推荐单元，用于根据所述融合单元计算的访问概率，按照预定规则在预设时间段内向所述预定用户推荐访问位置。

11.根据权利要求10所述的装置，其特征在于，所述获取单元获取的所述签到信息包含：位置信息集合和签到元数据集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息；

所述获取单元还用于根据所述获取单元获取的所述签到信息获取所述预定用户对所述预定位置签到的初始时间样本和所述其他用户对所述预定位置签到的第一时间样本；

所述相似度单元具体用于：根据第一公式 $\mathrm{sim}(u,u^{\&prime;})=\frac{\underset{l\&Element;L}{\mathrm{\&Sigma;}}\left|D_{u,l}\right|\left|D_{u^{\&prime;},l}\right|}{\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left|D_{u^{\&prime;},l}\right|}^2}},$ 计算Sim(u，u′)；

其中，sim(u，u′)为所述相似度单元计算的所述用户相似度，L为所述获取单元获取的所述位置信息集合，L包含至少一个位置的位置信息，所述获取单元获取的所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述获取单元获取的所述初始时间样本为D_u，l＝{t_i|<u_i，l_i，t_i>∈D^_i＝u^l_i＝l}，所述获取单元获取的所述第一时间样本为D_u′，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′^l_i＝l}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u′，l|为D中D_u′，l的签到频率。

12.根据权利要求10所述的装置，其特征在于，所述获取单元获取的所述签到信息包含：位置信息集合和签到元数据集合，所述签到元数据集合包含至少一个签到元数据，所述签到元数据包括所述用户设备的用户信息、位置信息和时间信息；

所述获取单元还用于根据所述获取单元获取的所述签到信息获取所述预定用户对所述预定位置签到的初始时间样本、所述其他用户对所述预定位置签到的第一时间样本、所述预定用户对任意位置签到的第二时间样本和所述其他用户对所述任意位置签到的第三时间样本；

所述相似度单元具体用于：根据第二公式 $\mathrm{sim}(u,u^{\&prime;})=\frac{\underset{l\&Element;L}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)\left(\right|D_{u^{\&prime;},l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}{\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_u}\left|\right)}^2}\sqrt{\underset{l\&Element;L}{\mathrm{\&Sigma;}}{\left(\right|D_{u^{\&prime;},l}|-|\stackrel{\&OverBar;}{D_{u^{\&prime;}}}\left|\right)}^2}},$ 计算sim(u，u′)；

其中，sim(u，u′)为所述相似度单元计算的所述用户相似度，L为所述获取单元获取的所述位置信息集合，L包含至少一个位置的位置信息，所述获取单元获取的所述签到元数据集合为D＝{<u_i，l_i，t_i>}(i＝1，...，|D|)，所述获取单元获取的所述初始时间样本为D_u，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l}，所述获取单元获取的所述第一时间样本为D_u′，l＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′^l_i＝l}，所述获取单元获取的所述第二时间样本为D_u＝{t_i|<u_i，l_i，t_i<∈D^u_i＝u}，所述获取单元获取的所述第三时间样本为D_u′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u′}，<u_i，l_i，t_i>为所述签到元数据，u_i为任意用户的用户信息，u为所述预定用户的用户信息，u′为和u不同的其他用户的用户信息，l_i为任意位置的位置信息，l为所述预定位置的位置信息，t_i为任意时间的时间信息，|D|表示D中的签到频率，|D_u，l|为D中D_u，l的签到频率，|D_u′，l|为D中D_u′，l的签到频率，为D中D_u的平均签到频率，为D中D_u′的平均签到频率。

13.根据权利要求11或12所述的装置，其特征在于，所述先验单元具体包括：

第一先验子单元，用于根据第三公式计算r_u，l，其中，r_u，l是用户信息为u的预定用户对位置信息为l的预定位置签到的偏好程度；

第二先验子单元，用于根据所述第一先验子单元计算的r_u，l和第四公式计算P(l|u，D)，其中，P(l|u，D)是用户信息为u的预定用户对位置信息为l的预定位置签到的先验概率。

14.根据权利要求13所述的装置，其特征在于，所述签到信息还包含用户信息集合；

所述获取单元还用于根据所述获取单元获取的所述签到信息获取所述预定用户对所述其他位置签到的第四时间样本；

所述相似度单元具体用于：根据第五公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left|D_{u,l}\right|\left|D_{u,l^{\&prime;}}\right|}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{u,l}\right|}^2}\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left|D_{u,l^{\&prime;}}\right|}^2}},$ 计算sim(l，l′)；

其中，sim(l，l′)为所述相似度单元计算的所述位置相似度，U为所述获取单元获取的所述用户信息集合，U包含至少一个用户的用户信息，所述获取单元获取的所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l′}，l′为和l不同的其他位置的位置信息，|D_u，l′|为D中D_u，l′的签到频率。

15.根据权利要求13所述的装置，其特征在于，所述签到信息还包含用户信息集合；

所述获取单元还用于根据所述获取单元获取的所述签到信息获取所述预定用户对所述其他位置签到的第四时间样本、任意用户对所述预定位置签到的第五时间样本和所述任意用户对所述其他位置签到的第六时间样本；

所述相似度单元具体用于：根据第六公式 $\mathrm{sim}(l,l^{\&prime;})=\frac{\underset{u\&Element;U}{\mathrm{\&Sigma;}}\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}{\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l}|-|\stackrel{\&OverBar;}{D_l}\left|\right)}^2}\sqrt{\underset{u\&Element;U}{\mathrm{\&Sigma;}}{\left(\right|D_{u,l^{\&prime;}}|-|\stackrel{\&OverBar;}{D_{l^{\&prime;}}}\left|\right)}^2}},$ 计算sim(l，l′)；

其中，sim(l，l′)为所述相似度单元计算的所述位置相似度，U为所述获取单元获取的所述用户信息集合，U包含至少一个用户的用户信息，所述获取单元获取的所述第四时间样本为D_u，l′＝{t_i|<u_i，l_i，t_i>∈D^u_i＝u^l_i＝l′}，所述获取单元获取的所述第五时间样本为D_l＝{t_i|<u_i，l_i，t_i>∈D^l_i＝l}，所述获取单元获取的所述第六时间样本为D_l′＝{t_i|<u_i，l_i，t_i>∈D^l_i＝l′}，l′为和l不同的其他位置的位置信息，|D_u，l′|为D中D_u，l′的签到频率，为D中D_l的平均签到频率，为D中D_l′的平均签到频率。

16.根据权利要求14或15所述的装置，其特征在于，所述建模单元具体包括：

集合子单元，用于根据第七公式 $S_{u,l}=\underset{u^{\&prime;}\&Element;U}{\&cup;}\left\{t_i\right|t_i\&Element;D_{u^{\&prime;},l}\}+\underset{l^{\&prime;}\&Element;L}{\&cup;}\{t_j|t_j\&Element;D_{u,l^{\&prime;}}\},$ 计算S_u，l，其中S_u，l为用户信息为u的预定用户对位置信息为l的预定位置访问的时间样本集合；

权重子单元，用于将所述相似度单元计算的所述用户相似度作为所述获取单元获取的所述第一时间样本的权重W_u，l(t_i)，即：W_u，l(t_i)＝sim(u，u′)；

所述权重子单元，还用于将所述相似度单元计算的所述位置相似度作为所述获取单元获取的所述第四时间样本的权重W_u，l(t_j)，即：W_u，l(t_j)＝sim(l，l′)；

概率密度子单元，用于根据第八公式计算f(t|u，l，D)，其中，f(t|u，l，D)为用户信息为u的预定用户对位置信息为l的预定位置签到的连续时间概率密度，K(·)为核函数， $\&ForAll;x,K\left(x\right)\&GreaterEqual;0$ 且 ${\&Integral;}_{-\&infin;}^{+\&infin;}K\left(x\right)\mathrm{dx}=1,$ K(·)包括 $K\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}}{e}^{-\frac{x^2}{2}},$ t-t_i表示时间差， $t-t_i=\left\{\begin{array}{cc}|t-t_i|,& |t-t_i|\&le;12:00\\ 24:00-|t-t_i|,& |t-t_i|>12:00\end{array}\right.,$ h表示带宽的为平滑参数，第八公式中W_u，l(t_i)指代t_i∈S_u，l的时间样本的权重。

17.根据权利要求16所述的装置，其特征在于，所述融合单元，具体用于：

根据第九公式 $\begin{array}{c}P\left(l\right|u,T,D)=\frac{P(T,l|u,D)}{P\left(T\right|u,D)}=\frac{P\left(l\right|u,D)P\left(T\right|u,l,D)}{P\left(T\right|u,D)}\\ \&Proportional;P\left(l\right|u,D)P\left(T\right|u,l,D),\&ForAll;l\&Element;L\\ \&Proportional;P\left(l\right|u,D){\&Integral;}_{t\&Element;T}f\left(t\right|u,l,D)\mathrm{dt},\&ForAll;l\&Element;L.\end{array}$ 计算P(l|u，T，D)，其中，P(l|u，T，D)是用户信息为u的预定用户在预设时间段T内对位置信息为l的预定位置访问的访问概率，l为L中的任意一个位置信息。

18.根据权利要求17所述的装置，其特征在于，所述推荐单元，具体用于：

根据所述融合单元计算的所述访问概率的数值，由大到小选取预定个数的预定位置作为访问位置，将所述访问位置在预设时间段T内推荐给用户信息为u的预定用户。