CN106528614A - 一种移动社交网络中用户的地理位置预测方法 - Google Patents

Abstract

一种移动社交网络中用户的地理位置预测方法，若待进行位置预测的目标用户为老用户，采用衰减函数和前缀树结构的混合模式进行位置预测，若目标用户为新用户，只采用衰减函数对其下一个点的位置进行预测。将目标用户建立的衰减函数和前缀树结构混合后进入评分子系统，评分子系统计算出目标用户下一步可能到达的位置点，将得分概率最高的前三个点对目标进行位置预测，并且把该位置预测信息传递给目标用户，目标用户针对预测信息的好坏，发送反馈信息给反馈子系统，根据目标用户的反馈信息重新计算位置预测参数并传递给评分子系统，经反复迭代，直到找到当前适合目标用户的最优位置预测参数，最终预测出一个当前最优的地理位置。

Description

一种移动社交网络中用户的地理位置预测方法

技术领域

本发明涉及一种移动社交网络中用户的地理位置预测方法，是一种混合了距离衰减函数和前缀树结构的地理位置预测算法(Geographical Location Predictionalgorithm based on Joint of Distance decreasing function and prefix-Treestructure,简称为GLP-JDT算法)，属于移动社交网络中地理位置的数据挖掘技术领域。

背景技术

近年来，随着互联网的快速发展，移动设备的广泛使用，大数据时代的到来，社交、移动和位置的融合以及发展，促进了移动社交网络的发展。由于智能移动设备日益普及，信息资源的获取和推送可以发生在任何时间、任何地点、任何人和任何方式。为用户提供无处不在的信息内容已经成为可能，智能移动设备也逐渐成为人们获取信息的主要平台。用户可以方便的获取个人位置信息，使用各种基于位置的服务(LBS)，极大地方便了人与人之间的社交活动，并正深入影响人们的社会生活方式。作为移动社交网络的主体，人的移动性带来的位置轨迹不仅记录了人的行为历史，也记录了人与社会的交互活动信息，这些轨迹蕴含了用户的兴趣和爱好，不同的轨迹则反映了不同的用户个性，使用GPS轨迹对用户进行研究，可以对用户的轨迹进行预测服务。

根据研究数据集中的轨迹，轨迹是否可以划分为单一用户，位置预测的方法可分为针对个人的位置预测和针对大众的一般化预测方法。针对于单独用户的位置预测，训练数据集的时候，只用考虑当前用户的历史轨迹数据，这种方法一般使用基于访问频率的移动位置预测方法，如PrefixSpan、前缀树等算法，通过统计移动轨迹当中各条轨迹出现的频次，找到用户的频繁模式，当输入一条用户的一条移动轨迹时，输出为出现最多次数的轨迹序列。针对大众的一般化位置预测，训练数据集时，则利用全部用户的轨迹数据作为训练数据，找到大众的“群”模式，然后对所有用户进行同一种行为模式的推荐。从大量的数据分析中得知，人类的移动行为存在幂律分布特性，80％以上的移动行为都集中在局部区域内。例如基于距离的衰减函数，可以得知在一个地区内，用户从一个点到另外一个点的概率分布。

发明内容

本发明提供一种移动社交网络中用户的地理位置预测方法，目的在于构造一种适用于移动社交网络中用户的位置测算算法。针对没有历史轨迹数据的用户，采用基于空间距离的衰减函数对其下一个点的位置进行预测；对于已有历史轨迹数据的用户，采用衰减函数和前缀树结构的混合模式进行位置预测，并根据反馈子系统，对用户进行位置预测的优化。

为实现上述目的，本发明采用了如下技术方案：

一种移动社交网络中用户的地理位置预测方法，其特征在于：首先，将所有用户分为两类群体，一类是在位置预测系统中已经存在轨迹模式的用户称为老用户，另一类是不知道轨迹模式的称为新用户；待进行位置预测的用户称为目标用户，若目标用户为老用户，采用衰减函数和前缀树结构的混合模式进行位置预测，即一方面对该老用户的轨迹进行学习，建立该老用户的衰减函数，这个函数代表了一个用户从一个点到另一个点的概率，另一方面根据该老用户记录的轨迹建立前缀树结构；若目标用户为新用户，只采用衰减函数对其下一个点的位置进行预测，即将该新用户所在地区内全部老用户的轨迹模式进行学习，建立该新用户的衰减函数；然后，将目标用户建立的衰减函数和前缀树结构混合后进入评分子系统，评分子系统计算出目标用户下一步可能到达的位置点，并且将得分概率最高的前三个点对目标进行位置预测，并且把该位置预测信息传递给目标用户，目标用户在收到预测信息后，针对预测信息的好坏，发送反馈信息给反馈子系统，反馈子系统根据目标用户的反馈信息重新计算位置预测参数并传递给评分子系统，经反复迭代，不断地完善预测算法，直到找到当前适合目标用户的最优位置预测参数，最终预测出一个当前最优的地理位置。

上述方法包括以下步骤：

1)预测算法：获取目标用户当前的位置信息，对目标用户进行建模，分别建立衰减函数和前缀树结构，如果目标用户是新用户，那么只建立对应的衰减函数；

2)评分子系统：根据1)中建立的目标用户模型，评分子系统会计算出目标用户下一个可能出现的位置的得分，并且对目标用户发送得分最高的前三个位置；

3)反馈子系统：根据2)中预测的位置，目标用户会发送反馈，预测算法使用反馈子系统通过反馈函数迭代地修改目标用户自身的预测参数；

4)上述2)中得分的评定由公式决定，M₁代表衰减函数得出的评分，M₂代表前缀树结构得出的评分，代表权重；对于衰减函数和前缀树结构的混合模式，设置权重为的是针对不同的用户，对其进行权重的调整，找到每个用户的权重值；反馈子系统在得到目标用户的反馈信息后，根据反馈信息，判断正负反馈，重新计算设置权重不断迭代地完善预测算法，当预测算法输出的当前地理位置满足反馈子系统中预设的条件时，反馈子系统运行结束。

本发明的优点及显著效果：

1)本发明在对用户轨迹处理的过程中，采用了前缀树结构来建模用户的轨迹模式，保证了预测算法的稳定性。在对用户的历史轨迹观察中得出，除了周末，用户平时的轨迹大多符合相同的轨迹序列，所以前缀树结构就保证了预测算法中的一部分权重来源于用户的历史轨迹。

2)在反馈子系统中，本发明使用了人机交互的方式，提高了位置预测的准确性。当用户对评分子系统给出的位置点进行评价的时候，反馈子系统会记录该用户的评价，并且及时修改该用户自身的预测参数。在多次交互之后，该用户的预测参数会趋于稳定。甚至，该用户改变了自己的轨迹模式，反馈子系统也会判断出该用户的预测参数范围，并且及时修正。

3)相比传统的预测算法，本发明有良好的通用性，无论是基于用户历史轨迹数据的预测算法，还是基于位置点的距离远近的预测算法，都无法适用于所有场合。对于老用户，系统中有该老用户的历史轨迹，我们可以很方便地对该老用户进行位置预测，但是当一个新用户使用此系统时，在没有该新用户的历史轨迹时，本发明基于“群智慧”和位置点远近的预测算法设置该新用户“冷启动”的预测算法，从而保证良好的通用性

附图说明

图1为位置预测系统的流程图；

图2为用户在北京地区的衰减函数的实例；

图3为前缀树结构的建立图；

图4为GLP-JDT算法流程图；

图5为反馈函数伪代码图。

具体实施方式

如图1，本发明首先将所有用户分为两个群体，老用户是在本系统中已经有轨迹模式的用户，这时候，我们对老用户的轨迹进行学习，建立老用户的衰减函数和前缀树结构来进行位置预测。另一个则是新用户初次体验本系统的位置预测服务，我们会新用户进行预测服务的“冷启动”，将新用户所在地区内的全部老用户的轨迹模式进行学习，建立衰减函数，此模型可以获得用户从一个点到另外一个点的概率分布情况，然后找到概率最高的前三个点对目标用户进行位置预测。目标用户在收到预测信息后，针对预测信息的好坏，发送反馈，反馈子系统得到目标用户的反馈信息后，计算当前目标用户的最优预测参数。整个GLP-JDT算法框架包括以下内容：

1)预测算法：获取目标用户当前的位置信息，对目标用户进行建模，分别建立衰减函数和前缀树结构，如果目标用户是新用户，那么只建立对应的衰减函数；

2)评分子系统：根据1)中建立的目标用户模型，评分子系统会计算出目标用户下一个可能出现的位置的得分，并且对目标用户发送得分最高的前三个位置。

3)反馈子系统：根据2)中预测的位置，针对预测的好坏，目标用户会发送反馈信息，GLP-JDT算法使用反馈子系统通过反馈函数迭代地修改目标用户自身的预测参数。

I.预测算法

1.衰减函数

为了使本系统可以适用于所有用户，所以对于新用户设置了冷启动，目的在于对于没有轨迹模式的用户，我们也可以对他进行位置预测。本专利采用文献(Yuan Q,Cong G,Ma Z,et al.Time-aware point-of-interest recommendation//International ACMSIGIR Conference on Research and Development in Information Retrieval.2013:363-372.)中的方法，衰减函数是一个幂律分布模型，使用它可以依据两个点之间的距离来计算出用户移动的概率。公式(1)中dis是用户从一个点到另一个点的距离，a和k是衰减函数的参数，p(dis)指户执行此动作的概率。图2中为用户在北京地区的衰减函数的实例，从图2中我们可以看出，随着两点之间距离的增大，用户到达的概率也会随之变小。

p(dis)＝a·dis^k (1)

我们为了方便计算a和k两个参数，只要对公式(1)两边取对数，如公式(2)，再根据观测值，使用最小二乘法算出两个参数值。

ln(p(dis))＝ln(a)+k ln(dis) (2)

根据衰减函数，GLP-JDT算法可以对没有轨迹模式的新用户预测他可能去的位置点。公式(3)表示如果已知用户在位置点i时，则用户到达j点的概率。

2.前缀树结构

在建立此结构之前，我们采用文献(Monreale A,Pinelli F,Trasarti R,etal.WhereNext:a location predictor on trajectory pattern mining[//ACM SIGKDDInternational Conference on Knowledge Discovery and Data Mining.ACM,2009:637-646.)中的方法对用户的轨迹进行建模，将用户的轨迹建立为如公式(4)定义：

T＝(S,A)是用户的轨迹序列，这条轨迹是通过聚类得到的簇中心点的轨迹序列，其中包括S＝<s₀,...,s_n>和两个元组A＝<a₀,...,a_n>，s指轨迹点的位置，a代表从一个点到另一个点的步长，在我们的系统中步长为时间。

定义1(τ-包含)：如果给出一个时间阈值τ，轨迹和输入轨迹I＝<(I₀,t₀),...,(I_m,t_m)>，当且仅当存在一条轨迹0≤i₀<...<i_n≤m满足：

(1).

(2).这里

定义为

如下所示，我们设置时间阈值最多传递两个时间单元，在I中从a到b，经历了2-0＝2个时间单元，从b到c经历了12-2＝10个时间单元，这些都在我们设置的阈值内，那么称有了这个定义，我们就可以寻找两个相似轨迹，因为在众多用户轨迹中，存在很多这样的相似轨迹，中间的轨迹点可能不同，却满足上述要求，我们就可以找到用户的行为模式，并且我们将这些相似轨迹出现的次数进行统计，得到每条轨迹的支持度。

I:{a},0→{b,d},2→{f},10→{c},12

前缀树的建立：每个节点由<位置，支持度，子节点,时间间隔>组成，位置代表聚类之后的簇中心，支持度表示这个从父节点出发到此节点的轨迹的出现次数，子节点表示当前节点的后继节点。

定义2(前缀树轨迹P(x,R))：x为要到达的子节点，R为根节点，每个轨迹点包含<父节点，子节点，int_i>，int_i表示从父节点到子节点的时间间隔，在前缀树中，根节点的时间间隔默认为空，即int_ε。前缀树轨迹示例：P(c,R)＝(R,a,int_ε),(a,b,int₁),(b,c,int₂)。

如图3所示为前缀树结构的建立，图中右面部分每一行代表树中每一条路径的各节点、时间间隔、支持度。例如<(),A><(3,10),B>支持度：15这条路径，()代表根节点Root，可表示为路径Root→A→B，支持度表示这条路的频繁模式为15次。从根节点Root到A默认时间间隔为空，从A→B的时间间隔为(3,10)，在父节点和子节点的连线出画出，子节点B的15表示从根节点到B节点的支持度。

II.评分子系统

GLP-JDT算法收到目标用户的当前位置点，使用评分子系统(如公式(5)所示)，计算出可能的下一个位置点，并对每个位置点进行评分，把得分最高的前三个位置点推荐给目标用户。评分子系统由两部分组成，M₁代表衰减函数得出的评分，M₂代表前缀树结构得出的评分。代表权重，对于衰减函数和前缀树结构的混合模式，我们设置权重，为的是针对不同的用户，我们可以对其进行权重的调整，找到每个用户的权重值。

评分子系统的优点在于，如果当一个新用户使用位置预测服务时，在没有他之前的轨迹进行学习的情况下，我们将参数设为1，并用这个地区所有老用户的轨迹进行衰减函数的学习，得出衰减函数，如图2的衰减函数一样。通过公式(3)对用户进行位置预测，然后通过对目标用户的数据的积累，我们就可以使用GLP-JDT算法对用户进行适合他自身的位置预测。

GLP-JDT算法在前期会对用户进行轨迹的采集，或者可以使用其他的轨迹数据集。如果在系统中已有轨迹的用户，初次进行位置预测的时候，参数设为0.5，然后对目标用户进行服务预测，同时，目标用户会对我们预测的服务进行反馈，我们会使用反馈子系统对目标用户迭代地对的参数进行调整，目的是找到适合目标用户的最优预测参数。

III.反馈子系统

反馈子系统是我们向目标用户发送位置点推荐之后，目标用户界面会显示对这一批推荐的喜好，可以是喜欢或不喜欢。如果喜欢，那么反馈子系统获得正反馈，我们就将参数向正反馈方向调整，如果不喜欢，参数向负反馈方向调整，如果持续获得正反馈，那么我们就加速参数的调整。因为在衰减函数和前缀树结构混合模式中，选项喜欢或不喜欢，我们可以认为是目标用户对于推荐更倾向于哪一种模式。如果目标用户的选择一直倾向于同一种模式，我们就加速调整这个模式在评分子系统中所占的比重，让我们快速找到适合目标用户的预测参数。其中，如果目标用户是第一次进行预测，我们默认获得的是正反馈，并且向正反馈方向调整。反馈函数是一种决策函数，当用户对于评分子系统的预测进行反馈的时候，反馈子系统接受到目标用户的反馈信息，并且调整公式(5)中的参数，再对目标用户进行位置预测，迭代地计算目标用户的预测参数。

基于上述预测算法、评分子系统、反馈子系统，可以得到整个GLP-JDT算法的具体实施流程如图4示。流程图中的反馈函数伪代码如图5所示。

图4的GLP-JDT算法流程分为三步，第一步是判断目标用户是否为新用户，如果是新用户，那么位置预测系统会设置针对新用户的“冷启动”，即只建立基于距离的衰减函数。如果是老用户，则建立衰减函数和前缀树结构的混合模式；第二步，通过目标用户建立的模式，使用评分子系统计算出目标用户下一个可能的位置点，并把得分最高的前三个位置点推荐给目标用户，目标用户会针对推荐的位置点给出反馈信息；第三步，反馈函数会根据目标用户的反馈信息，更新目标用户的预测参数，并反馈给第二步，迭代地进行GLP-JDT算法，目的是找到适合目标用户自身的预测参数。

图5的反馈函数是反馈子系统在收到目标用户的反馈信息后，根据上一次的反馈信息判断，如果与上一次的反馈信息相同，那么会将Combo加1，如果Combo判断大于3次，表示一直收到同一个方向的反馈，反馈子系统将反馈的幅度变大，为的是快速的找到适合目标用户的预测参数。如果与上一次反馈信息不同，那么表示向另一个方向移动，改变Sign的符号，并将Combo置为1。

Claims (2)

1.一种移动社交网络中用户的地理位置预测方法，其特征在于：首先，将所有用户分为两类群体，一类是在位置预测系统中已经存在轨迹模式的用户称为老用户，另一类是不知道轨迹模式的称为新用户；待进行位置预测的用户称为目标用户，若目标用户为老用户，采用衰减函数和前缀树结构的混合模式进行位置预测，即一方面对该老用户的轨迹进行学习，建立该老用户的衰减函数，这个函数代表了一个用户从一个点到另一个点的概率，另一方面根据该老用户记录的轨迹建立前缀树结构；若目标用户为新用户，只采用衰减函数对其下一个点的位置进行预测，即将该新用户所在地区内全部老用户的轨迹模式进行学习，建立该新用户的衰减函数；然后，将目标用户建立的衰减函数和前缀树结构混合后进入评分子系统，评分子系统计算出目标用户下一步可能到达的位置点，并且将得分概率最高的前三个点对目标进行位置预测，并且把该位置预测信息传递给目标用户，目标用户在收到预测信息后，针对预测信息的好坏，发送反馈信息给反馈子系统，反馈子系统根据目标用户的反馈信息重新计算位置预测参数并传递给评分子系统，经反复迭代，不断地完善预测算法，直到找到当前适合目标用户的最优位置预测参数，最终预测出一个当前最优的地理位置。

2.根据权利要求1所述的面向移动社交网络的地理位置预测算法，其特征在于：包括以下步骤：

1)预测算法：获取目标用户当前的位置信息，对目标用户进行建模，分别建立衰减函数和前缀树结构，如果目标用户是新用户，那么只建立对应的衰减函数；

2)评分子系统：根据1)中建立的目标用户模型，评分子系统会计算出目标用户下一个可能出现的位置的得分，并且对目标用户发送得分最高的前三个位置；

3)反馈子系统：根据2)中预测的位置，目标用户会发送反馈，预测算法使用反馈子系统通过反馈函数迭代地修改目标用户自身的预测参数；

4)上述2)中得分的评定由公式决定，M₁代表衰减函数得出的评分，M₂代表前缀树结构得出的评分，代表权重；对于衰减函数和前缀树结构的混合模式，设置权重为的是针对不同的用户，对其进行权重的调整，找到每个用户的权重值；反馈子系统在得到目标用户的反馈信息后，根据反馈信息，判断正负反馈，重新计算设置权重不断迭代地完善预测算法，当预测算法输出的当前地理位置满足反馈子系统中预设的条件时，反馈子系统运行结束。