CN105653736A - 基于地理位置的兴趣点团推荐方法 - Google Patents

Abstract

本发明属于基于地理位置的服务推荐领域，其特征在于可以按照用户需求通过一次请求返回多个类型点，形成组合推荐。依次含有以下步骤：第一步：先用一条扫描线从右至左进行扫描，在扫描过程中通过找到每个点的可视点并连线，从而构成整个网络的可视网。第二步：利用递归的思想，从最简单的单点结构构造2-异构点团，这样依次可以得到(N-1)-异构点团。为了减少不必要的匹配，提出L层临近点的概念，即在进行匹配的时候只考虑与当前点临近的一些点团。在这一步得到G_N-1，其包含(N-1)-异构点团。第三步：有了前面的铺垫，在这一步中形成备选的N-异构点团，通过比较排序，始终只保留前K个最优的组合，得到最终的集合B，包含最优的K个组合，返回给用户。

Description

基于地理位置的兴趣点团推荐方法

技术领域

基于地理位置的兴趣点推荐服务领域。

背景技术

基于位置的服务(LBSs)在我们的生活中正变为越来越重要的一部分，所有现存的LBS提供商都支持临近兴趣点的查找。在这种典型的LBS中，用户提交当前位置和感兴趣的兴趣点给服务器，服务器返回给用户一些临近的满足用户要求的兴趣点，供用户参考选择。但是在实际生活中人们通常不只访问一个兴趣点，而是连续的去多个不同的地方，比如一个人在吃完晚饭后会想去看电影，在这种情形下，用户希望得到一个点对(餐馆和电影院的组合)，要求这两个点分别都有着较高的评价，同时在地理位置上是临近的，方便从一个地方转移到另一个地方。

为了满足这样的用户应用需求，我们提出一种名为“多合一”的LBS查询方法，它对原有的LBS服务进行扩展，支持异构的兴趣点(PointofInterest，POI)请求。在“N-in-One”中，一个用户允许查询N类位置相关的同时类型各异的兴趣点，而且仅仅通过一次请求。服务器进行运算后，返回给用户一个点团集合。提供“N-in-One”服务具有挑战，“N-in-One”服务不等同于N次单一类型的服务，因为要考虑N个点的位置相关性和由此带来的时间和空间复杂度问题。为了克服这些挑战，我们利用计算几何学的技术提出一种新的方法，从而较好地实现了上述目的。而如何快速准确地计算出最优的K个N-异构点团是本发明所研究的重点。

发明内容

本发明的目的在于提供了一种快速准确查询当前位置附近最优的一些异构点团的方法，从而实现组合查询的目的。

本发明的特征在于，它依次含有以下步骤：

步骤(1.)：根据兴趣点的分布，构建可视网。一个可视网定义为N＝(E，Ω)，其中Ω表示区域内所有兴趣点构成的集合，E表示可视线的集合，其中可视线是每个兴趣点和其可视点的连线。对于任意一个兴趣点Pi其可视点为Pi朝向扫描线移动方向的反方向能直接看到，即不被任何其他兴趣点或可视线阻隔的点。例如在图1中，P5的可视点是P6和P7，而由于P8、P9、P10被线段挡住所以不是P5的可视点。可视网的构建可分为下面几个过程：

步骤(1.1.)：声明并定义各个变量。首先定义兴趣点，即某一区域内指定类别的地点，如饭店、电影院、ATM机、咖啡厅等，每个兴趣点有其横纵坐标和综合评分(0-5)属性，设区域内共有n个兴趣点{P₁，P₂…，P_n-1，P_n}；V表示已扫描过的点集合；Conv(V)表示V的凸包，而C^P(V)则表示Conv(V)∩V；C^E(V)表示Conv(V)上的线段，表示可视线的集合。

步骤(1.2.)：扫描线l从右向左扫描，扫描最右面的三个点，初始化各变量。把这三个点保存在V中，即V←{P_n，P_n-1，P_n-2}，其他变量C^P(V)＝{P_n，P_n-1，P_n-2}，E←E∪C^E(V)。

步骤(1.3.)：完成初始化后，对于i＝n-2，n-3，…，1，0，重复以下步骤：

步骤(1.3.1.)：当扫描线扫描到兴趣点P_i时，找到其可视点集合 $A_i\←\left\{P_k\∈C^P\left(V\right)|\stackrel{\‾}{P_i{P}_k}\∩C^E\left(V\right)=P_k\right\}.$

步骤(1.3.2.)：根据上一步得到的可视点A_i，与P_i相连，更新可视线段集合E，即 $E\←E\∪\left\{\stackrel{\‾}{P_i{P}_k}\right|P_k\∈A_i\}.$

步骤(1.3.3.)：将P_i加入V中，即V←V∪{P_i}。

步骤(1.3.4.)：更新C^P(V)和C^I(V)

步骤(2.)：在构建可视网后，再次使用扫描线从右向左扫描。当扫描到兴趣点P_i时，要回溯其L层临近点来构成新的点团，在步骤2.2给出了L层临近点的定义。在这里采用一种递归的思想，该方法的最终目的是寻找最优的一些点团，其中每个点团包含N个不同类型的兴趣点，称之为N-异构点团。为了寻找N-异构点团，可以从(N-1)-异构点团来组合得到，从而可以把问题归结到1-异构点团的寻找，通过这样一种降低问题复杂度的方法来解决问题，具体步骤如下：

步骤(2.1.)：初始化，从最基本的1-异构点团入手，通过扫描得到G₁，其含有所有1-异构点团。

步骤(2.2.)：给出递归的一般过程，从G_i-1得到G_j。定义L_i，P_i的L-层临近点是那些在P_i前已经被扫描过的，同时是从P_i出发最多可以通过L条可视线可以到达的点。例如在图1的第三幅图中，P₁的2-层临近点是P₂～P₈(标记为红色的点)，而P₉，P₁₀不是其2-层临近点。为了从G_j-1得到G_j，点团集合S_i，j-1需要得到，其每个元素包含j-1个异构的兴趣点，且都是来自P_i的L-层临近点(L是一个参数，由用户需求进行调节)。然后检查S_i，j-1中的每个(j-1)-异构点团是否包含和P_i相同类型的点，如果不存在，P_i和该点团组合构成一个j-异构点团并加入到G_j，这样一直扫描到最后一个点，重复该过程，从而得到G_i。

步骤(2.3.)：通过步骤2.1和步骤2.2构造的递归方法，可以得到G_N-1，即(N-1)-异构点团集合，作为第3个步骤的输入。

步骤(3.)：经过前面的过程，得到了可视网E，G_N-1和P_i的L-层临近点L_i，这些变量将作为这一步的输入，来得到最终的算法结果即最优的K个N-异构点团。既然要选最优的，必然要有一个标准对不同的点团进行比较评价。

对于一个点团，其包含了N个异构的点，考虑到每个点的位置和综合评分，以及这些点的拓扑结构，制定出下面的准则给一个点团评分

$R(\Π)=\underset{j=1}{\overset{V}{\mathrm{\Σ}}}{\mathrm{\α}}_j{e}_j-\mathrm{\β}D(\Π)-\mathrm{\γ}d(\Π,c)$

∏表示一个N-异构点团，R(∏)表示这个点团的评分。一个点团的评分由三部分构成，α，β，γ分别代表着三部分的权重。第一部分反映的是每个兴趣点的评分的影响，例如e_j是p_j的评分，根据不同的类型不同的兴趣点可以有各自的评分体系。比如对于一个餐馆类型的兴趣点，可以根据其餐馆的环境、价格、菜品味道等进行评分。第二部分反映的是点团中个点的离散程度，决定∏中两个兴趣点之间的转移距离。一个点团越集中，则兴趣点之间的转移时间消耗越少。第三部分反映了点团和当前用户位置的距离，点团越近，用户越能更快的到达目的地。

在步骤3中仍然采用扫描线的方法，扫描线从右至左进行扫描，对于从第n-N+1的每一个点p_i，采取以下的几个步骤：

步骤(3.1.)：任意C_m∈G_N-1，如果则S_i，N-1←S_i，N-1∪C_m，得到S_i，N-1。

步骤(3.2.)：任意C_m∈S_i，N-1，如果P_i与C_m中所有兴趣点的类型都不相同，则P_i和C_m可以组合构成一个N-异构点团，将这个新得到的{P_i，C_m}加入B中，B存储当前入选最优的前K个组合。如果此时B中不够K个，则直接插入后按照点团评分升序排序，如果已经达到K个点团，则跟B中评分最低点团s比较，如果高于s，则删去s将当前得到的点团插入后再升序排序。这样一直扫描到最左面的点p₁，从而得到最终的集合B，其中保存了最优的K个异构点团组合。

按照上述实施方法，我们得到了返回结果在不同的参数选择下的变化，从而可以找到最佳的参数选择。为了说明该方法的有效性，我们采取传统的的方法进行比较，在现有的LBS中，要进行多类型兴趣点的查询，只能分别查询，即一个类型接着一个类型的查询。以此来和我们提出的方法进行比较。图3说明了在其他参数一定的情况下，参数α_i对点团评分R(∏)的影响，可以看到α_i从1增加3，即兴趣点的评分权重的提供，使得整个点团的总体评分增加，而且我们方法的优势也在增加，并趋于稳定。类似，图4显示了参数β对点团评分的影响，β从5增加到15，回顾之前，β代表点团的离散程度的权重，β越大，表示用户更在意点团的离散程度，即越希望得到更集中的点团。根据点团的评价公式，β越大，R(∏)越小，这在图4也清晰的反应出来。图5展示了参数γ对于点团评分的影响，γ从5增加到15，点团的平均评分有明显的下降趋势，这和点团评分标准是一致的，符合我们的预期。因为γ为点团与用户当前位置距离的权重，γ越大，即表示用户希望找到距离当前位置更近的点团组合。

附图说明

图1.本发明的可视网构建示意图；

图2.本发明的控制流程图；

图3.最优点团平均评分随α_i的变化；

图4.最优点团平均评分随β的变化；

图5.最优点团平均评分随γ的变化。

具体实施方式

这种新型的组合查询方法，是对于传统LBS的扩展，主要针对于日常生活中，对于用户附近不同类型兴趣点的查找，如餐馆和咖啡厅等，能够给人们的日常生活带来极大的便利。该方法针对人们的日常习惯，考虑了实际选择中出现的多种情况，以及影响人们选择的多种因素，进行形式化，公式化，如兴趣点的评分、点团的大小以及点团与用户之间距离等。不同的用户对于这些影响因素有不同的偏好，从而可以对用户进行个性化定制。

在具体的实施过程中，用户向服务器提交当前位置和所要查询的兴趣点的类型<P₁，P₂，…，P_N>，以及对于不同影响因素的偏好值(系统可以设置默认值)，即上面提到参数的α_i，β，γ。服务器收到这些参数进行上面的步骤，得到点团集合，返回给用户选择。而进行组合选择，不是等同于查询多次，本发明的关键是克服不同兴趣点之间位置相关性带来的困难，从而进行快速准确地进行组合查找。

在本发明的描述中，点团的好坏由R(∏)的大小决定，通过进行匹配，找到最优的K个反馈给用户，通过点团评分的计算公式，可以看出，每个点的评分越高，点团评分越高；点团直径越大，评分越低；点团距离用户越远，评分越低。

图2该发明方法的流程图，是对上面步骤的形象化表示。本发明对当前当前单一类型的LBS查询进行改良，能够使用户进行组合查询，提高了服务质量。

Claims (1)

1.一种新型基于地理位置的多重兴趣点搜索方法，其特征在于，该方法依次含有以下步骤：

步骤(1.)：根据兴趣点的分布，构建可视网。一个可视网N＝(E，Ω)这样进行表示，其中Ω表示区域内所有兴趣点构成的集合，E表示可视线的集合，其中可视线是每个兴趣点和其可视点的连线。对于任意一个兴趣点P_i其可视点为P_i朝向扫描线移动方向的反方向能直接看到，即不被任何其他兴趣点或可视线阻隔的点；

可视网的构建可分为下面几个过程：

步骤(1.1.)：声明并定义各个变量。首先定义兴趣点，即某一区域内指定类别的地点，如饭店、电影院、ATM机、咖啡厅等，每个兴趣点有其横纵坐标和综合评分(0-5)属性，设区域内共有n个兴趣点{P₁，P₂…，P_n-1，P_n}；V表示已扫描过的点集合；Conv(V)表示V的凸包，而C^P(V)则表示Conv(V)∩V；C^E(V)表示Conv(V)上的线段，表示可视线的集合；

步骤(1.2.)：扫描线l从右向左扫描，扫描最右面的三个点，初始化各变量。把这三个点保存在V中，即C^P(V)←{P_n，P_n-1，P_n-2}，其他变量C^P(V)＝{P_n，P_n-1，P_n-2}，E←E∪C^E(V)；

步骤(1.3.)：完成初始化后，对于i＝n-2，n-3，…，1，0，重复以下步骤：

步骤(1.3.1.)：当扫描线扫描到兴趣点P_i时，找到其可视点集合 $A_i\&LeftArrow;\{P_k\&Element;C^P\left(V\right)|\stackrel{\&OverBar;}{P_i{P}_k}\&cap;C^E\left(V\right)=P_k\};$

步骤(1.3.2.)：根据上一步得到的可视点，与P_i相连可更新可是线段集合E，即 $E\&LeftArrow;E\&cup;\left\{\stackrel{\&OverBar;}{P_i{P}_k}\right|P_k\&Element;A_i\};$

步骤(1.3.3.)：将P_i加入V中，即V←V∪{P_i}；

步骤(1.3.4.)：更新C^P(V)和C^P(V)；

步骤(2.)：在构建可视网后，再次使用扫描线从右向左扫描。当扫描到兴趣点P_i时，要回溯其L层临近点来构成新的点团，在步骤2.2给出了L层临近点的定义。在这里采用一种递归的思想，该方法的最终目的是寻找最优的一些点团，其中每个点团包含N个不同类型的兴趣点，称之为N-异构点团。为了寻找N-异构点团，可以从(N-1)一异构点团来组合得到，从而可以把问题归结到1一异构点团的寻找，通过这样一种降低问题复杂度的方法来解决问题，具体步骤如下：

步骤(2.1.)：初始化，从最基本的1-异构点团入手，通过扫描得到G₁，其含有所有1-异构点团；

步骤(2.2.)：给出递归的一般过程，从G_j-1得到G_j。定义L_i，P_j的L-层临近点是那些在P_j前已经被扫描过的，同时是从P_i出发最多可以通过L条可视线可以到达的点。例如在图1的第三幅图中，P₁的2-层临近点是P₂～P₈(标记为红色的点)，而P₉，P₁₀不是其2-层临近点。为了从G_j-1得到G_j，点团集合S_i，j-1需要得到，其每个元素包含j-1个异构的兴趣点，目都是来自P_i的L-层临近点(L是一个参数，由用户需求进行调节)。然后检查S_i，j-1中的每个(j-1)-异构点团是否包含和P_i相同类型的点，如果不存在，P_i和该点团组合构成一个j-异构点团并加入到G_j，这样一直扫描到最后一个点，重复该过程，从而得到G_j；

步骤(2.3.)：通过步骤2.1和步骤2.2构造的递归方法，可以得到G_N-1，即(N-1)-异构点团集合，作为第3个步骤的输入；

步骤(3.)：经过前面的过程，得到了可视网E，G_N-1和P_i的L-层临近点L_i，这些变量将作为这一步的输入，来得到最终的算法结果即最优的K个N-异构点团。既然要选最优的，必然要有一个标准对不同的点团进行比较评价；

对于一个点团，其包含了N个异构的点，考虑到每个点的位置和综合评分，以及这些点的拓扑结构，制定出下面的准则给一个点团评分

$R(\&Pi;)=\underset{j=1}{\overset{N}{\&Sigma;}}{\mathrm{\&alpha;}}_j{e}_j-\mathrm{\&beta;}D(\&Pi;)-\mathrm{\&gamma;}d(\&Pi;,c)$

∏表示一个N-异构点团，R(∏)表示这个点团的评分。一个点团的评分由33部分构成，α，β，γ分别代表着3部分的权重。第一部分反映的是每个兴趣点的评分的影响，例如e_j是p_j的评分，根据不同的类型不同的兴趣点可以有各自的评分体系。比如对于一个餐馆类型的兴趣点，可以根据其餐馆的环境、价格、菜品味道等进行评分。第二部分反映的是点团中个点的离散程度，决定∏中两个兴趣点之间的转移距离。一个点团越集中，则兴趣点之间的转移时间消耗越少。第三部分反映了点团和当前用户位置的距离，点团越近，用户越能更快的到达目的地；

在步骤3中仍然采用扫描线的方法，扫描线从右至左进行扫描，对于从第n-N+1的每一个点pi，采取以下的几个步骤：

步骤(3.1.)：任意C_m∈G_N-1，如果则S_i，Na-1←S_i，N-1∪C_m，得到S_i，N-1；

步骤(3.2.)：任意C_m∈S_i，N-1，如果P_i与C_m中所有兴趣点的类型都不相同，则P_i和C_m可以组合构成一个N-异构点团，将这个新得到的{P_i，C_m}加入B中，B存储当前入选最优的前K个组合。如果此时B中不够K个，则直接插入后按照点团评分升序排序，如果已经达到K个点团，则跟B中评分最低点团s比较，如果高于s，则删去s将当前得到的点团插入后再升序排序。这样一直扫描到最左面的点p₁，从而得到最终的集合B，其中保存了最优的K个异构点团组合。