CN105550950A - 一种基于位置服务的旅游推荐方法 - Google Patents

Abstract

本发明提出了一种基于位置服务的旅游推荐方法，包括步骤1，获取实体轨迹-事件信息，以三维张量对实体信息进行用户-位置-活动关联建模；步骤2，记录用户轨迹-事件信息，步骤3，通过用户类比进行相似度匹配，主动推送较高相似度用户轨迹-事件信息，其中，用户轨迹-事件信息(来自于手机、运动手环、运动手表的位置信息)整合后，匹配相关用户轨迹-事件信息，并实施推送。本发明提出的方法，为集成海量用户数据并用协同过滤算法在不同位置找出相似的用户和活动，用张量对用户-位置-活动之间的相互关系建模并提出一个正则化张量/矩阵分解算法，该算法可以有效缓解单个用户移动位置数据的稀疏性问题，挖掘用户的移动模式。

Description

一种基于位置服务的旅游推荐方法

技术领域

本发明涉及云计算和大数据的应用，尤其涉及个体人员信息的位置建模及对现有低维信息融入新建模加权应用的方法，特别是指基于位置服务的旅游推荐方法。

背景技术

首先，在现有在大数据环境下，基于移动终端的位置记录软件及装置已不计胜数，然而，在众多软件记录的一般为个体位移迹象，形成个体及群体的线状网络；常见的具备地理位置信息追踪功能的设备产品包括有手机、运动手环、运动手表等等，这些现有的、具有广泛市场和海量用户的设备已经累积了大量的地理位置数据。

其次，现有的数据推送或客户数据获取多为基于发起终端首先访问留下的地址进行意向性推送，而不能达到类似性需求和习惯性需求及类比性需求的推送。

发明内容

本发明提出一种基于位置服务的旅游推荐方法，为集成海量用户数据并用协同过滤算法在不同位置找出相似的用户和活动，用张量对用户-位置-活动之间的相互关系建模并提出一个正则化张量/矩阵分解算法，该算法可以有效挖掘用户的移动模式。

为了实现上述技术方案，本发明提供一种基于位置服务的旅游推荐方法，包括如下步骤，步骤1，获取实体轨迹-事件信息，以三维张量对实体信息进行用户-位置-活动关联建模；步骤2，记录用户轨迹-事件信息；步骤3，通过用户类比进行相似度匹配，主动推送较高相似度用户轨迹-事件信息，其中，用户轨迹-事件信息(手机、运动手环、运动手表的位置信息)整合后，匹配用户轨迹-事件信息的推送。

步骤3中，相似度匹配包括位置特征匹配和活动匹配，其中，位置特征匹配和活动匹配进行加权定义，优选高指数、高相似度推送。

加权定义以正则化张量和矩阵分解方法评定。

步骤1中，建模包括建模张量Z，其中，构建张量Z∈R^m×n×r，m表示用户数目，n表示位置数目，r表示活动数目；其中，任意张量有实体Z_ijk，表示用户i在位置j进行活动K的频率。

位置信息整合包括有稀疏张量，稀疏张量通过协同过滤填补稀疏张量。

稀疏张量的协同过滤填补包括将张量分解为矩阵集填补。

步骤1中，获取实体轨迹-事件信息，其中，获取的实体轨迹-事件信息过滤用户轨迹中家庭和工作地数据。

用户搜索位置信息时，通过用户历史轨迹和张量Z推送用户活动列表。

与现有技术相比，本发明提供的一种指基于位置服务的旅游推荐方法，该方法以现有位置数据为基础，进行数据建模。在数据建模过程中进行对现有数据进行加工，进行加权处理，对新数据进行建模填充，能够达到快速的应用和实现地理位置及事件信息的推荐，具有重要意义。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明创造提供的张量分解成低维表的二维表的示意图；

图2为参数λ_i对位置推荐的影响示意图；

图3为参数λ_i对活动推荐的影响示意图。

具体实施方式

下面将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作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。

本发明提供的包括如下步骤，步骤1，获取实体轨迹-事件信息，以三维张量对实体信息进行用户-位置-活动关联建模；步骤2，记录用户轨迹-事件信息；步骤3，通过用户类比进行相似度匹配，主动推送较高相似度用户轨迹-事件信息，其中，用户轨迹-事件信息(手机、运动手环、运动手表的位置信息)整合后，匹配用户轨迹-事件信息的推送。步骤3中，相似度匹配包括位置特征匹配和活动匹配，其中，位置特征匹配和活动匹配进行加权定义，优选高指数、高相似度推送。

本发明从GPS数据中可以提取三个实体：用户、位置、活动，表示某用户在某地做了某事。以一个三维张量对用户-位置-活动建模，每一个实体表示一个维度。具体而言，构建张量Z∈R^m×n×r,其中m表示用户数目，n表示位置数目，r表示活动数目。张量Z中的一个实体z_ijk表示用户i在位置j进行活动k的频率。因为用户只有很少的位置和活动标注，从GPS数据中构建的张量非常稀疏。因此，我们可以利用协同过滤思想填补稀疏的张量，完成推荐。

加权定义以正则化张量和矩阵分解方法评定。

步骤1中，建模包括建模张量Z，其中，构建张量Z∈R^m×n×r，m表示用户数目，n表示位置数目，r表示活动数目；其中，任意张量有实体Z_ijk，表示用户i在位置j进行活动k的频率。

位置信息整合包括有稀疏张量，稀疏张量通过协同过滤填补稀疏张量。协同过滤推荐系统采用统计计算方式搜索目标用户的相近似用户，并根据相近似的用户权重来预测目标用户的最接近用户-事件-信息对指定项目产生靠前排位的结构，相近似用户的旅游作为推荐结果反馈给用户。

具体地，首先用张量Z对用户-位置-活动建模。因为张量是稀疏的，主要工作就是填补缺失值，以完成位置/活动推荐。为了在张量上应用协同过滤，该方法对张量实体做了进一步探究。具体而言，构建了用户关系矩阵B∈R^m×m表示了一个社交网络中用户之间的相似度。用这个相似度来寻找相似的用户。另外还有一个位置特征矩阵C∈R^n×p，每一个特征表示某位置的有趣程度。对于活动，用矩阵D∈R^r×r表示活动之间的关系，表示活动之间的关联程度。这个矩阵可以用基于搜索引擎的相似性算法通过网络信息获取。除了对用户-位置-活动建模，还从GPS数据中提取了另一个矩阵E∈R^m×n表示用户-位置之间的关系。这对一种情景是有帮助的:知道一个用户去过哪里却不知道他在那些地方干什么。上面的所有四个矩阵都是事先构建的，然后输入进该模型。通过在实验中调整模型中的相应参数，学习这些矩阵的具体影响。

如图1所示，为了填补张量Z中的缺失值，根据基于模型的方法把张量Z分解成如上表所示的几种低维表，即每一个张量值(用户、位置、活动)基于不完整的张量(因为张量是稀疏的)。在分解过程中，我们强制性地把低维表示分享给附加信息矩阵，以此利用它们的信息。获取到这样的低维表示后，我们就可以通过填补缺失值重新构建张量。在我们的模型中，提出了一种针对旅游推荐的张量分解框架，可以把张量和附加信息矩阵集成在一起进行正则分解，具体而言，我们的目标函数如下：

其中变量X＝[x₁，x₂，...x_k]∈R^m×k，Y＝[y₁，y₂，...y_k]∈R^n×k，Z＝[z₁，z₂，...z_k]∈R^r×k.其中。表示外积。另外一个变量U∈R^p×k。表示矩阵B的拉普拉斯矩阵，其定义为L_B＝Q-B，其中Q是对角线矩阵，其对角线元素为Q_ii＝∑_jB_jj，tr(·)表示矩阵的迹。L_D是D的拉普拉斯矩阵。||·||表示Euclid范数。λ₁-λ₅是模型参数，当λ₁＝λ₂＝λ₃＝λ₄＝0的时候，模型就退化成了标准PARAFAC张量分解，这说明本发明创造的模型在利用目标项的附加信息方面更加灵活。

在(1)中，第一项分解用户-位置-活动张量A为三个低维表示的外积(X代表用户，Y代表位置，Z代表活动)。第二项针对用户提出正则化项，如果两个用户像附加信息所揭示的那样具有相似性，则迫使两个用户的低维表示尽可能接近。第三项则借用了矩阵协同因式分解的思想，将位置低维表示Y与张量分解共享。第四项和第二项一样是一个正则化项，迫使两个活动的低维表示尽可能接近。第五项和第三项一样，分享用户低维表示X和位置低维表示Y给张量分解。最后一项是一个正则化项，防范过拟合。

一般而言，不存在关于方程(1)的现成解法，所以我们采用梯度下降算法来求解。对目标函数求导可得：

▽_XL＝-A⁽¹⁾(Z*Y)+X[(Z^TZ)⊙(Y^TY)]+λ₁L_BX+(XY^T-E)Y+λ₅X

▽_γL＝-A⁽²⁾(Z*Y)+Y[Z^TZ⊙(X^TX)+λ₂(YU^T-C)U+λ₄(XY^T-E)^TX+λ₅Y

▽_ZL＝-A⁽³⁾(Y*X)+Z[Y^TY⊙(X^TX)]+λ₃L_DZ+λ₅Z

▽υL＝-λ₅(YU^T-C)^TY+λ₅U

(2)

其中，Aⁱ分别表示不同张量，A⁽¹⁾∈R^m×nr，A⁽²⁾∈R^m×nr，A⁽³⁾∈R^m×nr,具体而言，一个张量数据项在每一个模式的展开都有一个相应的位置(i_n,j)：对模式-1，j＝i₂+(i₃-1)n；对模式-2，j＝i₁+(i₃-1)m；对模式-3，j＝i₁+(i₂-1)m。(2)式中，“*”表示Khatri-Rao积：两个矩阵V＝[ν₁,ν₂……ν_j]∈R^i×j和W＝[ω₁,ω₂……ω_j]∈R^T×j的Khatri-Rao积定义为V*W＝[v₁□w₁，v₂□w₂，...，v_j□w_j]∈R^iT×j其中“□”表示Kronecker积。“⊙”表示Hadamard积。

稀疏张量的协同过滤填补包括将张量分解为矩阵集填补。协同过滤看做一个缺失值预测问题，以张量的形式对三个维度的数据关系进行建模，并且超越标准张量分解,进一步探究了正则分解的矩阵输入。

算法及其复杂性

输入：一个不完整的张量A(位置-活动-用户)和四个附加信息矩阵B,C,D,E,输出：补齐后的张量A，记为

begin

1：t＝1；

2:whilet<T且L_t>L_t+1do

3:通过公式(2)计算各个梯度

4： $X_{t+1}=X_t-\mathrm{\&gamma;}{\&dtri;}_X,Y_{t+1}=Y_t-\mathrm{\&gamma;}{\&dtri;}_Y,Z_{t+1}=Z_t-\mathrm{\&gamma;}{\&dtri;}_Z,U_{t+1}=U_t-\mathrm{\&gamma;}{\&dtri;}_U;$

5：ifL_t<L_t+1thenbreak；endif

6:t＝t+1；endwhile

7:retuen $\hat{A}=\&lsqb;X_t,Y_t,Z_t\&rsqb;.$

end

获得了不完整的张量和附加信息矩阵后，我们的目标就是补齐张量并获得推荐输出。如算法图1所示，我们用一个迭代算法来解决这个问题。在每次迭代过程中，我们根据(2)式计算目标方程L的梯度，然后获得更新后的目标方程，直至获取其最小值。在本算法中，T是迭代最大次数，γ是迭代步长。实验中，我们设置T＝1000，γ＝0.0001。最后，迭代终止后，我们用低维表示X,Y,Z重新构建张量(用户-位置-活动)。之后向用户做出推荐，对用户u(1≤u≤m)，可以得到其位置-活动矩阵G∈R^n×r，获取用户位置l作为输入，我们就将S的第l行做递减排序，并将最顶端的几个活动推荐给用户u。相似地，输入活动a，我们就将G的第a列做降序排列，并把队列中最顶端的地点推荐给用户u。其中推荐个数可根据需求进行变化。以上数据根据实际使用需要可进行适当地，按目的性进行数量上的调整。

在本算法每一次迭代过程中，获取相应梯度▽_X，时间复杂度是O(mnr+m²)，其中m,n,r是输入数据的维度；相似地，对▽γ其时间复杂度是O(mnr)；对▽z，其时间复杂度是O(mnr)；对▽ν，其时间复杂度是O(n)。因此，获取所有梯度的时间复杂度是O(mnr+m²)。解此目标函数的时间复杂度是O(mnr+m²+r²)。因为最大迭代次数是常数，本算法总的时间负责度是O(mnr+m²+r²)，这表明我们的算法是高效的。

对以上优化建模进行实测实验如下：

实验数据集包含2407名用户在广东省江门市的GPS轨迹数据，总里程数达到了197680千米。

为了确保推荐是有意义的，把工作地点和家庭的GPS数据进行过滤和删除，剩余数据中包含五种不同的活动：饮食、购物、娱乐、运动、游览。另外，利用聚类算法从GPS轨迹点中聚类出了153个有意义的位置以供推荐。因此，试验中共有用户2407个，m＝2407；位置153个，n＝153；活动5个，r＝5；另外位置特征P＝14。跟GPS数据相关的用户评论被人工附着在153个位置所适宜进行的活动介绍中。这些介绍被用来构建张量(用户-位置-活动)：如果一个用户在某地做了某活动，张量中相应的数据项被标记为1；反之，则为0。建立起这个张量后，只有1.17％的数据项非零。

本方法的工作流程如下：用户可以输入一个位置(比如东湖公园)用以推荐活动，之后本方法根据该用户的GPS历史轨迹和其他用户的经验，向该用户提供一个推荐活动列表(比如游览>运动>…)。相似地，当用户输入“游览”查询推荐位置时，本方法会输出一个景点推荐列表(比如熙春塔>飞马广场>大钟楼>…)。

本发明创造在相同数据集上跟本领域其它主流方法作对比,具体而言，对基于用户的协同过滤方法,我们将协同过滤思想应用于对应于每一个活动的每一个用户-位置矩阵。在每一个矩阵，根据Herlocker方法并应用皮尔森相关系数作为用户相似性权重。找出跟目标用户最相似的N个用户，然后计算它们的加权均值，用以预测缺失的数据项。同样地，对基于位置/活动的协同过滤,将协同过滤思想应用与对应于每一个用户的每一个位置-活动矩阵。在实验中，我们设置N＝4，因为我们发现预测结果对N的依赖并不明显。

在联合协同过滤方法中，对张量中的每一个缺失值，提取出一个最相似用户集合(包括N_u个用户)，最相似位置集合(包括Nι个位置)和最相似活动集合(包括N_a个用户),然后利用其他用户对相关位置和活动的评分，用加权的方式计算该项的值。特别地，我们设计了预测方程：

其中S_u，i是从用户-用户矩阵B中学习到的用户u和用户i的相似性；是从位置-特征矩阵C和用户-位置矩阵E中，通过均等地联合两者各自的余弦相似度，学习到的位置j和位置l的相似性；S_a，k是从活动-活动矩阵D中学习到的活动k和活动a的相似性；S_u，l，a是A_i，j，k和A_u，l，a之间的相似性，其中u,l,a分别是用户i、位置j、活动k的邻居集合R_i、R_j、R_k。实验中，我们设N_u＝N_l＝N_a＝4。

如上表所示，对相关方案的实验结果进行对比。实验结果显示，随机取50％的张量数据作为训练集，取另外50％的张量数据作为测试集。对所有的相关方法，运行5次以获取结果的平均值和标准差。在模型中设置模型参数，设置模型参数λ₁＝λ₂＝λ₃＝λ₄＝0.1数据维度k＝4。对参数的影响表面在，采用两种评价指标评价方法性能：其一是RMSE(均方根误差)，越小越好；其一是nDCG(归一化折损累积增益)，用以衡量该方法预测的位置/活动推荐列表的排序结果。对某用户给定活动后的位置推荐而言，我们首先根据要求把测试集中的位置排序。然后，我们将这个排序和测试集中的最优排序作比较，产生nDCG值。最后，我们将所有用户和活动的nDCG值取平均值，得到了表1中的地点推荐、归一化折损累积增益，即nDCG_loc；同样地，得出活动推荐结果nDCG_act，nDCG_loc表示活动推荐、归一化折损累积增益。其中，nDCG值越大越好。在上表注意到活动推荐的nDCG值比位置推荐的nDCG值高，这是因为排序队列中活动的数量远远少于位置的数量。

如图2和图3所示，在数据优化过程中，λ₁-λ_s的影响。在方程(1)表示的目标函数中，每一个λ_i(i＝1,…4)控制着一种不同的附加信息对模型的影响。取λ_i的值从0到10，并将每一种取值对应的位置推荐的nDCG值在图2中表示，每一取值对应的活动推荐的nDCG值在图3中表示。这两图都可以看出应用附加信息(λ_i的取值大于0)的推荐效果要好于没应用附加信息(λ_i的取值为0)。此外，可以看出我们的模型这些参数并不敏感。这是因为附加信息是有限的，而且也说明的模型具有很强鲁棒性。随着λ₂的值增加，位置推荐nDCG值下降得很快。因为位置-特征矩阵具有很大数据噪声，λ₂越大，噪声的影响越大。而这个位置-特征矩阵跟活动推荐没有直接关联，所以我们没有观察到活动推荐准确率的下降。

综上所述，本发明创造提供的优化方案以用户为中心，通过挖掘GPS轨迹数据，向用户做出精准的位置、活动推荐。在推荐系统领域，位置、活动推荐是息息相关的，恰好可以看作是位置-活动评分矩阵中的协同过滤问题。我们通过张量正则化和矩阵分解，构造了一个以用户为中心的位置/活动协同过滤方法。该方法可以针对特定领域，便捷地挖掘附加信息，以此强化该方法的推荐准确率。在真实GPS数据集上的实验表明，该方法相较传统的基于内存的协同过滤方法(比如，比如，基于用户协同过滤方法、基于位置协同过滤方法、基于活动协同过滤方法)，在位置推荐准确率上提升了19％，在活动推荐准确率上提升了22％。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于位置服务的旅游推荐方法，包括如下步骤，

步骤1，获取实体轨迹-事件信息，以三维张量对实体信息进行用户-位置-活动关联建模；其特征在于：

步骤2，记录用户轨迹-事件信息，用户的具备GPS定位功能的设备抓取用户轨迹，用户在轨迹的某个地点上传活动信息，并对该活动予以评价；

步骤3，通过用户类比进行相似度匹配，主动推送较高相似度用户轨迹-事件信息给其他用户参考，

其中，相似度匹配包括用户轨迹-事件信息，来自于手机、运动手环、运动手表的位置信息整合后，匹配用户轨迹-事件信息的推送。

2.根据权利要求1所述的基于位置服务的旅游推荐方法，其特征在于：

步骤3中，相似度匹配包括位置特征匹配和活动匹配，

其中，位置特征匹配和活动匹配进行加权定义，优选高指数、高相似度推送。

3.根据权利要求2所述的基于位置服务的旅游推荐方法，其特征在于：

加权定义以正则化张量和矩阵分解方法评定。

4.根据权利要求1所述的基于位置服务的旅游推荐方法，其特征在于：

步骤1中，建模包括建模张量Z，

其中，构建张量Z∈R^m×n×r，m表示用户数目，n表示位置数目，r表示活动数目；

其中，任意张量有实体Z_ijk，表示用户i在位置j进行活动k的频率。

5.根据权利要求1所述的基于位置服务的旅游推荐方法，其特征在于：

位置信息整合包括有稀疏张量的整合，稀疏张量通过协同过滤填补完成稀疏张量的整合。

6.根据权利要求5所述的基于位置服务的旅游推荐方法，其特征在于：

稀疏张量的协同过滤填补包括将张量分解为矩阵集填补。

7.根据权利要求1所述的基于位置服务的旅游推荐方法，其特征在于：

步骤1中，获取用户轨迹-事件信息，

其中，获取的实体轨迹-事件信息过滤用户轨迹中家庭和工作地数据。

8.根据权利要求1-7之一所述的基于位置服务的旅游推荐方法，其特征在于：

用户搜索位置信息时，通过用户历史轨迹和张量Z推送用户活动列表。