CN106934696A - 一种基于用户地理位置信息的产品推荐方法及系统 - Google Patents
一种基于用户地理位置信息的产品推荐方法及系统 Download PDFInfo
- Publication number
- CN106934696A CN106934696A CN201710153366.6A CN201710153366A CN106934696A CN 106934696 A CN106934696 A CN 106934696A CN 201710153366 A CN201710153366 A CN 201710153366A CN 106934696 A CN106934696 A CN 106934696A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- products show
- confirmed
- address
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于互联网技术领域,提供了基于用户地理位置信息的产品推荐方法,包括:获取使用产品的用户的地理位置信息,利用聚类算法计算得到用户的若干待确认常驻地址区域,从若干待确认常驻地址区域中确认最优区域,以最优区域的中心作为用户的常驻地址,计算常驻地址和产品使用地址的距离得到目标距离,计算物质扩散和热传导耦合算法的混合矩阵,得到的混合算法矩阵计算加入时间因素的初始产品推荐分数,根据初始产品推荐分数计算加入目标距离的产品推荐分数,得到目标产品推荐分数,根据目标产品推荐分数进行产品推荐。本发明提供的产品推荐方法加入了用户的地理位置因素,并且使用聚类算法处理地理位置信息,提高了地理位置信息预测的准确性。
Description
技术领域
本发明属于互联网技术领域,尤其涉及一种基于用户地理位置信息的产品推荐方法及系统。
背景技术
随着互联网技术的发展,人们对产品推荐的需求越来越广泛,要求也越来越高。
现有的产品推荐方法主要包括基于内容、基于协同、基于规则、基于效用、基于知识、推荐组合等,上述推荐方法只能够简单地根据用户个人喜好、评分、时间等因素来进行产品推荐,无法根据用户的其他关联信息进行精准的产品推荐。
发明内容
本发明所要解决的技术问题在于提供一种基于用户地理位置信息的产品推荐方法及系统,旨在解决现有技术中无法根据用户的其他关联信息进行精准的产品推荐的问题。
本发明是这样实现的,一种基于用户地理位置信息的产品推荐方法,包括:
获取使用产品的用户的地理位置信息;
根据所述地理位置信息,利用聚类算法计算得到用户的若干待确认常驻地址区域;
按照预置确认算法从若干所述待确认常驻地址区域中确认最优区域,以所述最优区域的中心作为所述用户的常驻地址;
计算所述用户的常驻地址和产品使用地址的距离,得到目标距离;
计算物质扩散和热传导耦合算法的混合矩阵,并根据计算得到的混合算法矩阵计算加入时间因素的初始产品推荐分数;
根据所述初始产品推荐分数计算加入所述目标距离的产品推荐分数,得到目标产品推荐分数,并根据所述目标产品推荐分数进行产品推荐。
进一步地,以所述地理位置信息为数据集,则所述根据所述地理位置信息,利用聚类算法计算得到用户的若干待确认常驻地址区域包括:
扫描所述数据集,找到任意一个核心点产品;
寻找从所述核心点产品出发的所有密度相连的数据点;
遍历所述核心点产品的预置邻域内的所有核心点产品,寻找与所有所述数据点密度相连的核心点产品,直至确定没有可以扩充的数据点,得到基于所述核心点产品的簇;
重新扫描所述数据集,寻找没有被聚类的核心点产品,并执行所述寻找从所述核心点产品出发的所有密度相连的数据点的步骤,直至确定所述数据集中不存在新的核心点产品,得到若干簇;
以所述数据集中不包含于任何簇中的数据点为异常点,以得到的所有的簇作为用户的若干待确认常驻地址区域。。
进一步地,所述按照预置确认算法从若干所述待确认常驻地址区域中确认最优区域包括:
获取用户在所述待确认常驻地址区域点评的次数值,并判断所述点评的次数值是否满足预置次数值;
若不满足,则确定所述待确认常驻地址区域非最优区域;
若满足,获取用户在所述待确认常驻地址区域点评的时间间隔,并确定满足预置时间间隔的点评次数;
比较所有所述待确认常驻地址区域满足预置时间间隔的点评次数,以满足预置时间间隔的点评次数最多的待确认常驻地址区域为所述最优区域。
进一步地,所述计算物质扩散和热传导耦合算法的混合矩阵,并根据计算得到的混合算法矩阵计算加入时间因素的初始产品推荐分数包括:
在物质扩散和热传导耦合算法的基础上,为每对用户和产品分配初始分数;
计算物质扩散和热传导耦合算法的混合矩阵,得到混合算法矩阵,以表示所述混合算法矩阵,其中,U表示用户的数量,kj表示用户j点评的产品数量,t表示时间,kβ表示点评产品β的用户数量,ajα=0表示用户j未点评产品α,ajα=1表示用户j已点评产品α;
利用所述混合算法矩阵,求出所述每对用户和产品的初始分数,其中以表示所述初始分数,其中α表示第α产品,i表示第i个用户,则:
将时间因素加入所述初始分数,得到初始产品推荐分数,以表示所述初始产品推荐分数,则
进一步地,所述根据所述初始产品推荐分数计算加入所述目标距离的产品推荐分数包括:
将所述目标距离加入所述初始产品推荐分数的计算中,并添加预置参数进行调节用于调节,得到产品推荐分数;
以表示所述产品推荐分数,以θ表示所述预置参数,以diα表示所述目标距离,则其中diα=Distance(user position,item position),user position表示所述用户的常驻地址,item position表示所述产品使用地址。
本发明还提供了一种基于用户地理位置信息的产品推荐系统,包括:
地理获取单元,用于获取使用产品的用户的地理位置信息;
地址获取单元,用于根据所述地理位置信息,利用聚类算法计算得到用户的若干待确认常驻地址区域;
地址确认单元,用于按照预置确认算法从若干所述待确认常驻地址区域中确认最优区域,以所述最优区域的中心作为所述用户的常驻地址;
距离计算单元,用于计算所述用户的常驻地址和产品使用地址的距离,得到目标距离;
矩阵计算单元,用于计算物质扩散和热传导耦合算法的混合矩阵,并根据计算得到的混合算法矩阵计算加入时间因素的初始产品推荐分数;
产品推荐单元,用于根据所述初始产品推荐分数计算加入所述目标距离的产品推荐分数,得到目标产品推荐分数,并根据所述目标产品推荐分数进行产品推荐。
进一步地,以所述地理位置信息为数据集,则所述地址获取单元具体用于:
扫描所述数据集,找到任意一个核心点产品;
寻找从所述核心点产品出发的所有密度相连的数据点;
遍历所述核心点产品的预置邻域内的所有核心点产品,寻找与所有所述数据点密度相连的核心点产品,直至确定没有可以扩充的数据点,得到基于所述核心点产品的簇;
重新扫描所述数据集,寻找没有被聚类的核心点产品,并执行所述寻找从所述核心点产品出发的所有密度相连的数据点的步骤,直至确定所述数据集中不存在新的核心点产品,得到若干簇;
以所述数据集中不包含于任何簇中的数据点为异常点,以得到的所有的簇作为用户的若干待确认常驻地址区域。
进一步地,所述地址确认单元具体用于:
获取用户在所述待确认常驻地址区域点评的次数值,并判断所述点评的次数值是否满足预置次数值;
若不满足,则确定所述待确认常驻地址区域非最优区域;
若满足,获取用户在所述待确认常驻地址区域点评的时间间隔,并确定满足预置时间间隔的点评次数;
比较所有所述待确认常驻地址区域满足预置时间间隔的点评次数,以满足预置时间间隔的点评次数最多的待确认常驻地址区域为所述最优区域。
进一步地,所述矩阵计算单元具体用于:
在物质扩散和热传导耦合算法的基础上,为每对用户和产品分配初始分数;
计算物质扩散和热传导耦合算法的混合矩阵,得到混合算法矩阵,以表示所述混合算法矩阵,其中,U表示用户的数量,kj表示用户j点评的产品数量,t表示时间,kβ表示点评产品β的用户数量,ajα=0表示用户j未点评产品α,ajα=1表示用户j已点评产品α;
利用所述混合算法矩阵,求出所述每对用户和产品的初始分数,其中以表示所述初始分数,其中α表示第α产品,i表示第i个用户,则:
将时间因素加入所述初始分数,得到初始产品推荐分数,以表示所述初始产品推荐分数,则
进一步地,所述产品推荐单元具体用于:
将所述目标距离加入所述初始产品推荐分数的计算中,并添加预置参数进行调节用于调节,得到产品推荐分数;
以表示所述产品推荐分数,以θ表示所述预置参数,以diα表示所述目标距离,则其中diα=Distance(user position,item position),user position表示所述用户的常驻地址,item position表示所述产品使用地址。
本发明与现有技术相比,有益效果在于:本发明通过用户使用产品的地理位置信息计算得到待确认常驻地址区域,并确定用户的常驻地址,在确定用户的常驻地址后,根据用户的常驻地址和产品使用地址计算得到目标距离,最后在物质扩散和热传导耦合计算的混合算法矩阵中先后加入时间因素和目标距离,最终得到产品推荐分数,并根据该产品推荐分数进行产品推荐。相较于现有的推荐方法,本发明提供的产品推荐方法加入了用户的地理位置因素,并且使用聚类算法处理地理位置信息,根据用户的地理位置因素确定用户的常驻地址,并以常驻地址进行产品推荐,能够根据用户的常驻地址进行精准推荐,进一步提高了地理位置信息预测的准确性。
附图说明
图1是本发明实施例提供的一种基于用户地理位置信息的产品推荐方法的流程图;
图2是本发明实施例提供的加入地理位置信息后的产品推荐方法的精确度示意图;
图3是本发明实施例提供的一种基于用户地理位置信息的产品推荐系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1示出了本发明实施例提供的一种基于用户地理位置信息的产品推荐方法,包括:
S101,获取使用产品的用户的地理位置信息。
在本步骤中,产品推荐系统根据在预置数据库中获取使用产品的用户的地理位置信息,使用产品的用户的地理位置信息包括用户名称、商品名称、点评时间、经度信息和纬度信息。在实际应用中,产品推荐系统可以从现有的各产品推荐网站获取用户使用产品的各类信息,如某产品推荐网站包括各地参观、购物中心、酒店、旅游等领域的商户,用户可以在该产品推荐网站给商户的打分、提交评论、交流购物体验等。用户每为商品点评一次,该产品推荐网站将记录相应的用户名称、商品名称、点评时间、评价星际、经度信息和纬度信息等。在本实施例中,只需要产品推荐系统只需要获取使用产品的用户的地理位置信息。
S102,根据所述地理位置信息,利用聚类算法计算得到用户的若干待确认常驻地址区域。
在本步骤中,以获取的用户使用产品的地理位置信息为数据集,使用聚类算法计算并得到用户的若干待确认常驻地址区域。根据聚类算法(Density-Based SpatialClustering of Applications with Noise,DBSCAN),需要扫描整个数据集,找到任意一个核心点产品,对该核心点产品进行扩充。在本实施例中,将查找核心点产品的条件设定为:距离该核心点产品20km以内的产品不少于3个,即ε邻域ε=20km,核心对象Pmin=3。对核心点产品扩充的方法为:寻找该核心点产品出发的所有密度相连的数据点,遍历该核心点产品的邻域内的所有核心点产品,在扩充时只需要遍历邻域内的所有核心点产品,因为边界点是无法扩充的,在遍历所有邻域内的核心点产品后,寻找与这些数据点密度相连的核心点产品,直到没有可以扩充的数据点为止。在完成对本次核心点产品的扩充后,重新扫描不包括之前寻找到的簇中的任何数据点的数据集,寻到没有被聚类的核心点产品,并重复寻找从所述核心点产品出发的所有密度相连的数据点的步骤,对该核心点产品进行扩充直到数据中没有新的核心点产品为止,数据集中没有包括任何簇中的数据点就构成异常点。数据集扫描完成后,对于每位用户,会有若干簇(由符合条件的核心点构成的簇),这些簇就是该用户的可能常驻区域,由此,经过聚类算法,将对每为用户找出若干待确认常驻地址区域。
S103,按照预置确认算法从若干所述待确认常驻地址区域中确认最优区域,以所述最优区域的中心作为所述用户的常驻地址。
在本步骤中,产品推荐系统获取用户在所述待确认常驻地址区域点评的次数值,并判断所述点评的次数值是否满足预置次数值,若不满足,则确定所述待确认常驻地址区域非最优区域,若满足,获取用户在所述待确认常驻地址区域点评的时间间隔,并确定满足预置时间间隔的点评次数,最后,比较所有所述待确认常驻地址区域满足预置时间间隔的点评次数,以满足预置时间间隔的点评次数最多的待确认常驻地址区域为所述最优区域。
具体地,在若干待确认常驻地址区域中选择出最优区域,需要按照设定的条件将满足条件的待确认常驻地址区域调出,再逐一进行计算,并进行比较,并最终确定最优区域。在本实施例中,设定的条件为最优区域需要满足用户点评区域中的产品不低于10次,产品与产品之间点评的时间距离不小于30天。当出现多满足设定的条件的待确认常驻地址区域时,将比较满足预置时间间隔的点评次数。例如经过计算后,存在两个待确认常驻地址区域,用户点评区域中的产品均不低于10次,其中待确认常驻地址区域Q1有5个产品,点评时间分别为1、10、65、90、120,待确认常驻地址区域Q2有5个产品,点评时间分别为21、51、81、111、145。对于Q1,满足产品与产品之间的点评时间距离小于30天的条件的点评次数为3次,对于Q2,满足条件的次数为4次,因此可以确定Q2比Q1更优,所以以此确定待确认常驻地址区域Q2为最优区域,并将待确认常驻地址区域Q2的中心作为用户的常驻地址(userposition)。
S104,计算所述用户的常驻地址和产品使用地址的距离,得到目标距离。
在本步骤中,以diα表示目标距离,user position表示所述用户的常驻地址,itemposition表示所述产品使用地址,则:
diα=Distance(user position,item position)。
S105,计算物质扩散和热传导耦合算法的混合矩阵,并根据计算得到的混合算法矩阵计算加入时间因素的初始产品推荐分数。
在本步骤中,首先在物质扩散和热传导耦合算法的基础上,为每对用户和产品分配初始分数;
其次,计算物质扩散和热传导耦合算法(即Heatspreading和probabilisticspreading算法)的混合矩阵,得到混合算法矩阵,以表示所述混合算法矩阵,其中,U表示用户的数量,kj表示用户j点评的产品数量,t表示时间,kβ表示点评产品β的用户数量,ajα=0表示用户j未点评产品α,ajα=1表示用户j已点评产品α;
接着,利用所述混合算法矩阵,求出每对用户i和产品α的初试分数,其中以表示所述初始分数,其中α表示第α产品,i表示第i个用户,则:
最后,将时间因素加入所述初始分数,得到初始产品推荐分数,以表示所述初始产品推荐分数,则进一步地,时间因素具体表示为:在一定时间窗口τ内,产品α的最近增长热度Δk'α(t,τ)(即在时间τ内,点评产品α的用户数量)。更具体地,在时间窗口τ内,产品α的最近增长热度为Δkα(t,τ)=kα(t)-kα(t-τ),但是,因为时间窗口值太小,可能导致多个产品拥有相同的最近增长热度,因此,将计算产品最近增长热度的公式修改为:Δk'α(t,τ)=Δkα(t)-εkα(t-τ),此时,将ε设置得足够小,如ε=10-9,可以保证每个产品的最近增长热度不同。
S106,根据所述初始产品推荐分数计算加入所述目标距离的产品推荐分数,得到目标产品推荐分数,并根据所述目标产品推荐分数进行产品推荐。
在本步骤中,将目标距离diα将如初始产品推荐分数中,并添加一个预置参数θ用于调节结果,最终得到产品推荐分数则:具体地,在产品推荐分数的公式中,e是自然对数的底数。使用e的原因是:diα的值可能很大或者很小,如果直接将参数θ使用pow的形式添加在diα后,会导致结果分布范围太广。因此,使用将diα θ作为e的指数,可以有效控制结果的分布范围。
在实际应用中,基于时间因素的产品推荐方法是在原有的Heatspreading和probabilistic spreading的混合算法计算出来的初步推荐分数上,利用线性预测方法,融合入最近时间段产品的增长变化。
由于通过混合算法得出来的初步推荐列表需要根据较长时间段中的产品信息来进行排名,会忽略了最近时间段中新增的产品信息。因此,需要考虑最近时间段的产品度增长Δk'α(t,τ)=kα(t)-kα(t-τ)。采用线性预测的方法,将得到修正后的最终推荐分数
传统的基于时间因素的产品推荐方法并没有考虑到地理位置,而现在的基于地理位置的推荐方发只能基于用户当前所在位置来进行推荐,不能够根据用户签到过的历史地理地理位置信息来判断用户的常驻地址,实现基于用户常驻地理位置的产品推荐。通过本发明实施例提供的产品推荐方法在现有方法的基础上添加用户地理位置的信息,实现用户常驻地理位置的产品推荐。
本发明实施例使用recall来评价算法的准确性,recall被定义为预测正确的产品占所有产品的比例,recall值越高,算法精确度越高。图2展示的是加入地理地理位置信息后,算法的recall值随θ的变化而变化。在未使用地理位置时,算法的recall值为0.1119;使用地理位置时,当调节参数θ=-0.09时,算法的recall值提高为0.1246。相较于现有的推荐方法,本发明实施例提供的产品推荐方法更为精确。
本发明还提供如图3所示的实施例,一种基于用户地理位置信息的产品推荐系统,包括:
地理获取单元301,用于获取使用产品的用户的地理位置信息;
地址获取单元302,用于根据所述地理位置信息,利用聚类算法计算得到用户的若干待确认常驻地址区域;
地址确认单元303,用于按照预置确认算法从若干所述待确认常驻地址区域中确认最优区域,以所述最优区域的中心作为所述用户的常驻地址;
距离计算单元304,用于计算所述用户的常驻地址和产品使用地址的距离,得到目标距离;
矩阵计算单元305,用于计算物质扩散和热传导耦合算法的混合矩阵,并根据计算得到的混合算法矩阵计算加入时间因素的初始产品推荐分数;
产品推荐单元306,用于根据所述初始产品推荐分数计算加入所述目标距离的产品推荐分数,得到目标产品推荐分数,并根据所述目标产品推荐分数进行产品推荐。
进一步地,以所述地理位置信息为数据集,则地址获取单元302具体用于:
扫描所述数据集,找到任意一个核心点产品;
寻找从所述核心点产品出发的所有密度相连的数据点;
遍历所述核心点产品的预置邻域内的所有核心点产品,寻找与所有所述数据点密度相连的核心点产品,直至确定没有可以扩充的数据点,得到基于所述核心点产品的簇;
重新扫描所述数据集,寻找没有被聚类的核心点产品,并执行所述寻找从所述核心点产品出发的所有密度相连的数据点的步骤,直至确定所述数据集中不存在新的核心点产品,得到若干簇;
以所述数据集中不包含于任何簇中的数据点为异常点,以得到的所有的簇作为用户的若干待确认常驻地址区域。
进一步地,地址确认单元303具体用于:
获取用户在所述待确认常驻地址区域点评的次数值,并判断所述点评的次数值是否满足预置次数值;
若不满足,则确定所述待确认常驻地址区域非最优区域;
若满足,获取用户在所述待确认常驻地址区域点评的时间间隔,并确定满足预置时间间隔的点评次数;
比较所有所述待确认常驻地址区域满足预置时间间隔的点评次数,以满足预置时间间隔的点评次数最多的待确认常驻地址区域为所述最优区域。
进一步地,矩阵计算单元305具体用于:
在物质扩散和热传导耦合算法的基础上,为每对用户和产品分配初始分数;
计算物质扩散和热传导耦合算法的混合矩阵,得到混合算法矩阵,以表示所述混合算法矩阵,其中,U表示用户的数量,kj表示用户j点评的产品数量,t表示时间,kβ表示点评产品β的用户数量,ajα=0表示用户j未点评产品α,ajα=1表示用户j已点评产品α;
利用所述混合算法矩阵,求出所述每对用户和产品的初始分数,其中以表示所述初始分数,其中α表示第α产品,i表示第i个用户,则:
将时间因素加入所述初始分数,得到初始产品推荐分数,以表示所述初始产品推荐分数,则
进一步地,产品推荐单元306具体用于:
将所述目标距离加入所述初始产品推荐分数的计算中,并添加预置参数进行调节用于调节,得到产品推荐分数;
以表示所述产品推荐分数,以θ表示所述预置参数,以diα表示所述目标距离,则其中diα=Distance(user position,item position),user position表示所述用户的常驻地址,item position表示所述产品使用地址。
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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于用户地理位置信息的产品推荐方法,其特征在于,包括:
获取使用产品的用户的地理位置信息;
根据所述地理位置信息,利用聚类算法计算得到用户的若干待确认常驻地址区域;
按照预置确认算法从若干所述待确认常驻地址区域中确认最优区域,以所述最优区域的中心作为所述用户的常驻地址;
计算所述用户的常驻地址和产品使用地址的距离,得到目标距离;
计算物质扩散和热传导耦合算法的混合矩阵,并根据计算得到的混合算法矩阵计算加入时间因素的初始产品推荐分数;
根据所述初始产品推荐分数计算加入所述目标距离的产品推荐分数,得到目标产品推荐分数,并根据所述目标产品推荐分数进行产品推荐。
2.如权利要求1所述的产品推荐方法,其特征在于,以所述地理位置信息为数据集,则所述根据所述地理位置信息,利用聚类算法计算得到用户的若干待确认常驻地址区域包括:
扫描所述数据集,找到任意一个核心点产品;
寻找从所述核心点产品出发的所有密度相连的数据点;
遍历所述核心点产品的预置邻域内的所有核心点产品,寻找与所有所述数据点密度相连的核心点产品,直至确定没有可以扩充的数据点,得到基于所述核心点产品的簇;
重新扫描所述数据集,寻找没有被聚类的核心点产品,并执行所述寻找从所述核心点产品出发的所有密度相连的数据点的步骤,直至确定所述数据集中不存在新的核心点产品,得到若干簇;
以所述数据集中不包含于任何簇中的数据点为异常点,以得到的所有的簇作为用户的若干待确认常驻地址区域。
3.如权利要求1所述的产品推荐方法,其特征在于,所述按照预置确认算法从若干所述待确认常驻地址区域中确认最优区域包括:
获取用户在所述待确认常驻地址区域点评的次数值,并判断所述点评的次数值是否满足预置次数值;
若不满足,则确定所述待确认常驻地址区域非最优区域;
若满足,获取用户在所述待确认常驻地址区域点评的时间间隔,并确定满足预置时间间隔的点评次数;
比较所有所述待确认常驻地址区域满足预置时间间隔的点评次数,以满足预置时间间隔的点评次数最多的待确认常驻地址区域为所述最优区域。
4.如权利要求1所述的产品推荐方法,其特征在于,所述计算物质扩散和热传导耦合算法的混合矩阵,并根据计算得到的混合算法矩阵计算加入时间因素的初始产品推荐分数包括:
在物质扩散和热传导耦合算法的基础上,为每对用户和产品分配初始分数;
计算物质扩散和热传导耦合算法的混合矩阵,得到混合算法矩阵,以表示所述混合算法矩阵,其中,U表示用户的数量,kj表示用户j点评的产品数量,t表示时间,kβ表示点评产品β的用户数量,ajα=0表示用户j未点评产品α,ajα=1表示用户j已点评产品α;
利用所述混合算法矩阵,求出所述每对用户和产品的初始分数,其中以表示所述初始分数,其中α表示第α产品,i表示第i个用户,则:
将时间因素加入所述初始分数,得到初始产品推荐分数,以表示所述初始产品推荐分数,则
5.如权利要求4所述的产品推荐方法,其特征在于,所述根据所述初始产品推荐分数计算加入所述目标距离的产品推荐分数包括:
将所述目标距离加入所述初始产品推荐分数的计算中,并添加预置参数进行调节用于调节,得到产品推荐分数;
以表示所述产品推荐分数,以θ表示所述预置参数,以diα表示所述目标距离,则其中diα=Distance(user position,item position),user position表示所述用户的常驻地址,item position表示所述产品使用地址。
6.一种基于用户地理位置信息的产品推荐系统,其特征在于,包括:
地理获取单元,用于获取使用产品的用户的地理位置信息;
地址获取单元,用于根据所述地理位置信息,利用聚类算法计算得到用户的若干待确认常驻地址区域;
地址确认单元,用于按照预置确认算法从若干所述待确认常驻地址区域中确认最优区域,以所述最优区域的中心作为所述用户的常驻地址;
距离计算单元,用于计算所述用户的常驻地址和产品使用地址的距离,得到目标距离;
矩阵计算单元,用于计算物质扩散和热传导耦合算法的混合矩阵,并根据计算得到的混合算法矩阵计算加入时间因素的初始产品推荐分数;
产品推荐单元,用于根据所述初始产品推荐分数计算加入所述目标距离的产品推荐分数,得到目标产品推荐分数,并根据所述目标产品推荐分数进行产品推荐。
7.如权利要求6所述的产品推荐系统,其特征在于,以所述地理位置信息为数据集,则所述地址获取单元具体用于:
扫描所述数据集,找到任意一个核心点产品;
寻找从所述核心点产品出发的所有密度相连的数据点;
遍历所述核心点产品的预置邻域内的所有核心点产品,寻找与所有所述数据点密度相连的核心点产品,直至确定没有可以扩充的数据点,得到基于所述核心点产品的簇;
重新扫描所述数据集,寻找没有被聚类的核心点产品,并执行所述寻找从所述核心点产品出发的所有密度相连的数据点的步骤,直至确定所述数据集中不存在新的核心点产品,得到若干簇;
以所述数据集中不包含于任何簇中的数据点为异常点,以得到的所有的簇作为用户的若干待确认常驻地址区域。
8.如权利要求6所述的产品推荐系统,其特征在于,所述地址确认单元具体用于:
获取用户在所述待确认常驻地址区域点评的次数值,并判断所述点评的次数值是否满足预置次数值;
若不满足,则确定所述待确认常驻地址区域非最优区域;
若满足,获取用户在所述待确认常驻地址区域点评的时间间隔,并确定满足预置时间间隔的点评次数;
比较所有所述待确认常驻地址区域满足预置时间间隔的点评次数,以满足预置时间间隔的点评次数最多的待确认常驻地址区域为所述最优区域。
9.如权利要求6所述的产品推荐系统,其特征在于,所述矩阵计算单元具体用于:
在物质扩散和热传导耦合算法的基础上,为每对用户和产品分配初始分数;
计算物质扩散和热传导耦合算法的混合矩阵,得到混合算法矩阵,以表示所述混合算法矩阵,其中,U表示用户的数量,kj表示用户j点评的产品数量,t表示时间,kβ表示点评产品β的用户数量,ajα=0表示用户j未点评产品α,ajα=1表示用户j已点评产品α;
利用所述混合算法矩阵,求出所述每对用户和产品的初始分数,其中以表示所述初始分数,其中α表示第α产品,i表示第i个用户,则:
将时间因素加入所述初始分数,得到初始产品推荐分数,以表示所述初始产品推荐分数,则
10.如权利要求9所述的产品推荐系统,其特征在于,所述产品推荐单元具体用于:
将所述目标距离加入所述初始产品推荐分数的计算中,并添加预置参数进行调节用于调节,得到产品推荐分数;
以表示所述产品推荐分数,以θ表示所述预置参数,以diα表示所述目标距离,则其中diα=Distance(user position,item position),user position表示所述用户的常驻地址,item position表示所述产品使用地址。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710153366.6A CN106934696A (zh) | 2017-03-15 | 2017-03-15 | 一种基于用户地理位置信息的产品推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710153366.6A CN106934696A (zh) | 2017-03-15 | 2017-03-15 | 一种基于用户地理位置信息的产品推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106934696A true CN106934696A (zh) | 2017-07-07 |
Family
ID=59433327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710153366.6A Pending CN106934696A (zh) | 2017-03-15 | 2017-03-15 | 一种基于用户地理位置信息的产品推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934696A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109525637A (zh) * | 2018-10-15 | 2019-03-26 | 北京创鑫旅程网络技术有限公司 | 确定常驻地的方法及装置 |
CN109672715A (zh) * | 2018-09-13 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 用户常驻地判断方法、装置、设备及计算机可读存储介质 |
CN109857927A (zh) * | 2018-12-24 | 2019-06-07 | 深圳市珍爱捷云信息技术有限公司 | 用户推荐方法、装置、计算机设备及计算机可读存储介质 |
CN109919357A (zh) * | 2019-01-30 | 2019-06-21 | 阿里巴巴集团控股有限公司 | 一种数据确定方法、装置、设备及介质 |
CN110059795A (zh) * | 2018-01-18 | 2019-07-26 | 中国科学院声学研究所 | 一种融合地理位置与时间特征的移动用户节点组网方法 |
CN110148032A (zh) * | 2019-04-15 | 2019-08-20 | 平安普惠企业管理有限公司 | 基于地理位置的产品推荐方法、装置、存储介质和服务器 |
CN111815361A (zh) * | 2020-07-10 | 2020-10-23 | 北京思特奇信息技术股份有限公司 | 区域边界计算方法、装置、电子设备及存储介质 |
WO2020258905A1 (zh) * | 2019-06-26 | 2020-12-30 | 京东数字科技控股有限公司 | 一种信息推送方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281652A (zh) * | 2014-09-16 | 2015-01-14 | 深圳大学 | 度量空间中逐个支撑点数据划分方法 |
CN105740347A (zh) * | 2016-01-25 | 2016-07-06 | 四川长虹电器股份有限公司 | 基于gps的用户信息采集与行为分析方法 |
CN106021379A (zh) * | 2016-05-12 | 2016-10-12 | 深圳大学 | 一种基于用户偏好的个性化推荐方法及其系统 |
-
2017
- 2017-03-15 CN CN201710153366.6A patent/CN106934696A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281652A (zh) * | 2014-09-16 | 2015-01-14 | 深圳大学 | 度量空间中逐个支撑点数据划分方法 |
CN105740347A (zh) * | 2016-01-25 | 2016-07-06 | 四川长虹电器股份有限公司 | 基于gps的用户信息采集与行为分析方法 |
CN106021379A (zh) * | 2016-05-12 | 2016-10-12 | 深圳大学 | 一种基于用户偏好的个性化推荐方法及其系统 |
Non-Patent Citations (2)
Title |
---|
周俊临 等: "一种基于时间特性的二部图推荐算法", 《广西师范大学学报:自然科学版》 * |
陆艺 等: "面向隐式反馈的推荐系统研究现状与趋势", 《计算机科学》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059795A (zh) * | 2018-01-18 | 2019-07-26 | 中国科学院声学研究所 | 一种融合地理位置与时间特征的移动用户节点组网方法 |
CN109672715A (zh) * | 2018-09-13 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 用户常驻地判断方法、装置、设备及计算机可读存储介质 |
CN109525637A (zh) * | 2018-10-15 | 2019-03-26 | 北京创鑫旅程网络技术有限公司 | 确定常驻地的方法及装置 |
CN109525637B (zh) * | 2018-10-15 | 2020-04-10 | 北京创鑫旅程网络技术有限公司 | 确定常驻地的方法及装置 |
CN109857927A (zh) * | 2018-12-24 | 2019-06-07 | 深圳市珍爱捷云信息技术有限公司 | 用户推荐方法、装置、计算机设备及计算机可读存储介质 |
CN109919357A (zh) * | 2019-01-30 | 2019-06-21 | 阿里巴巴集团控股有限公司 | 一种数据确定方法、装置、设备及介质 |
CN109919357B (zh) * | 2019-01-30 | 2021-01-22 | 创新先进技术有限公司 | 一种数据确定方法、装置、设备及介质 |
CN110148032A (zh) * | 2019-04-15 | 2019-08-20 | 平安普惠企业管理有限公司 | 基于地理位置的产品推荐方法、装置、存储介质和服务器 |
WO2020258905A1 (zh) * | 2019-06-26 | 2020-12-30 | 京东数字科技控股有限公司 | 一种信息推送方法和装置 |
CN111815361A (zh) * | 2020-07-10 | 2020-10-23 | 北京思特奇信息技术股份有限公司 | 区域边界计算方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934696A (zh) | 一种基于用户地理位置信息的产品推荐方法及系统 | |
Liu et al. | Learning geographical preferences for point-of-interest recommendation | |
JP5429498B2 (ja) | 電子プロファイルの開発、格納、使用、およびそれらに基づいてアクション行うためのシステム | |
US20180096417A1 (en) | Graphical user interface for object discovery and mapping in open systems | |
CN103955464B (zh) | 一种基于情境融合感知的推荐方法 | |
CN108804551B (zh) | 一种兼顾多样性与个性化的空间兴趣点推荐方法 | |
CN105791085B (zh) | 在位置社交网络中基于位置与时间的好友推荐方法 | |
Margaris et al. | Exploiting Internet of Things information to enhance venues’ recommendation accuracy | |
US20150012365A1 (en) | Concierge-shopping widget-method for user managed profile and selective transmission thereof | |
Yao | Exploiting human mobility patterns for point-of-interest recommendation | |
CN111680228B (zh) | 基于地理位置融合和类别流行度的兴趣点推荐方法 | |
Seyedhoseinzadeh et al. | Leveraging social influence based on users activity centers for point-of-interest recommendation | |
CN109284449A (zh) | 兴趣点的推荐方法和装置 | |
Zhao et al. | A novel recommendation system in location-based social networks using distributed ELM | |
Divyaa et al. | Towards generating scalable personalized recommendations: integrating social trust, social bias, and geo-spatial clustering | |
Liu et al. | Personalised context-aware re-ranking in recommender system | |
CN111104607A (zh) | 基于签到数据的地点推荐方法及装置 | |
Huang et al. | Stpr: A personalized next point-of-interest recommendation model with spatio-temporal effects based on purpose ranking | |
Noorian Avval et al. | A hybrid recommender system using topic modeling and prefixspan algorithm in social media | |
Zhou et al. | Recommendations based on user effective point-of-interest path | |
Li et al. | Relational POI recommendation model combined with geographic information | |
Yu et al. | Exploiting location significance and user authority for point-of-interest recommendation | |
Chen et al. | Extreme learning machine based point-of-interest recommendation in location-based social networks | |
Huang et al. | On interesting place finding in social sensing: An emerging smart city application paradigm | |
CN110633890A (zh) | 一种土地利用效率判断方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170707 |