CN107391637B - 针对具备地理社交信息的群组推荐方法 - Google Patents

针对具备地理社交信息的群组推荐方法 Download PDF

Info

Publication number
CN107391637B
CN107391637B CN201710556401.9A CN201710556401A CN107391637B CN 107391637 B CN107391637 B CN 107391637B CN 201710556401 A CN201710556401 A CN 201710556401A CN 107391637 B CN107391637 B CN 107391637B
Authority
CN
China
Prior art keywords
group
user
interest
topic
point
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.)
Active
Application number
CN201710556401.9A
Other languages
English (en)
Other versions
CN107391637A (zh
Inventor
鲜学丰
周子婷
赵朋朋
崔志明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Modern Enterprise Informatization Application & Support Software Engineering Technology Research & Development Center
Original Assignee
Jiangsu Modern Enterprise Informatization Application & Support Software Engineering Technology Research & Development Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Modern Enterprise Informatization Application & Support Software Engineering Technology Research & Development Center filed Critical Jiangsu Modern Enterprise Informatization Application & Support Software Engineering Technology Research & Development Center
Priority to CN201710556401.9A priority Critical patent/CN107391637B/zh
Publication of CN107391637A publication Critical patent/CN107391637A/zh
Application granted granted Critical
Publication of CN107391637B publication Critical patent/CN107391637B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出了一种针对具备地理社交信息的群组推荐方法，为群组推荐兴趣点。实际上，每个群组成员的抉择是受多个因素影响的，包括个人偏好、群组成员和社交关系。另外，在不同具备各自的群组中，用户的影响力度是不同的。本发明主要分为两步：群组用户建模、群组推荐。在建模过程中考虑个人偏好、群组成员和社交关系三方面因素，推荐时考虑到用户权重。

Description

针对具备地理社交信息的群组推荐方法
技术领域
本发明属于群组推荐兴趣点领域，尤其涉及到一种针对具备地理社交信息的群组推荐方法。
背景技术
随着在线社交网络的快速发展，越来越多的人愿意去参加并分享他们的群体活动。这就促进了群组推荐的发展，其目的就是满足一组用户偏好，而不是单个用户。但是如何聚合群组中不同成员的偏好依然是个挑战。
作为两种主流的社交网络，基于位置的社交网络和基于活动的社交网络在近些年越来越受欢迎。鉴于社交网络的发展，人们俞愿意参与并分享跟他人的活动，比如跟好友爬山。这就需要群组推荐。遗憾的是，个人推荐系统并不是很适用于群组推荐。
群组推荐就是要得到推荐结果，尽可能满足群组成员偏好。当然这并不是一个容易的任务，因为不同用户偏好不同。如何权衡群组中成员的不同偏好成为关键挑战。已有的群组推荐系统可以划分成两种：基于内存和基于模型的方法。其中，基于内存方法可以根据聚合方式更深入划分成：偏好聚合和评分聚合。偏好聚合方法首先根据群组中所有成员构建一个群组的聚合信息，之后再做群组推荐。而评分聚合方法则是首先分别给群组中每个成员做推荐，之后再聚合这些推荐结果给群组做推荐。但是，总的来说，两种聚合方式都忽视了群组成员间的联系。不同于基于内存方法，基于模型方法则是通过建模的方式很好利用到群组成员间的关联。然而这些基于模型方法的假设在现实中并不能很好地成立或者是得到支持。
发明内容
为了做群组推荐，本发明则是基于以下四个考量。(1)每个群组都是跟不同的主题有不同程度上的相关性。比如说，烧烤小组更关心与公园相关的主题，吃货团则更喜欢餐馆这样的主题。(2)人们之间往往靠着一些社交关系维系着，比如好友、关注者。在一定程度上，用户行为往往受其社交关系的影响。此外，好友之间往往有些相似的兴趣偏好。(3)用户的选择往往受其自身偏好、群组的相关主题以及社交关系的影响。用户自身偏好其中一个很重要的元素，与兴趣点的地理距离也是影响很大。(4)每个群体是由多个用户组成，而不同的用户在做群组推荐过程中的影响也不同。而且，其影响力度与主题相关。
本发明构建了群组推荐系统的过程。每个群组都有一个在主题上的多项式分布。群组中的用户权衡自身偏好、群组主题和社交关系，之后做出选择。群组最终的推荐结果则需要聚合所有成员的选择，并考虑每个用户各自的影响权重。本发明的主要的价值有三点：(1)构建目标群组兴趣点选择的生成模型GSGR，同时考虑用户的影响因子以及历史选择；(2)针对每个群组用户构建模型GSGR时，会考虑群组主题、个人偏好和社交关系；(3)在GSGR模型的基础上，为目标群体做出推荐。
本发明的技术方案是：
针对具备地理社交信息的群组推荐方法，其包括以下步骤：
根据目标群组g中的用户u和主题z生成主题偏好分布θg；
基于所述主题偏好分布θg生成每个用户u和主题z之间的相关度
Figure GDA0001385616060000021
基于所述主题偏好分布θg生成每个兴趣点和主题z之间的相关度
Figure GDA0001385616060000022
基于所述主题偏好分布θg生成每个用户u和兴趣点之间的相关度
Figure GDA0001385616060000023
基于所述主题偏好分布θg生成每个用户u的社交圈和兴趣点之间的相关度
Figure GDA0001385616060000024
定义一参数c，根据每个兴趣点和主题z之间的相关度
Figure GDA0001385616060000025
每个用户u和兴趣点之间的相关度
Figure GDA0001385616060000026
每个用户u的社交圈和兴趣点之间的相关度
Figure GDA0001385616060000027
计算，如果c为0，判断兴趣点的选择是基于群组主题；如果c为1，判断兴趣点的选择是基于用户本身偏好；若c为-1，则判断兴趣点的选择是基于用户社交影响，并计算得到采样c的概率：
Figure GDA0001385616060000028
Figure GDA0001385616060000029
Figure GDA00013856160600000210
根据采样结果计算出以下参数：
Figure GDA0001385616060000031
Figure GDA0001385616060000032
Figure GDA0001385616060000033
Figure GDA0001385616060000034
Figure GDA0001385616060000035
则每个兴趣点的得分为
Figure GDA0001385616060000036
根据兴趣点的得分向群组推荐。
优选的是，所述的针对具备地理社交信息的群组推荐方法中，所述目标群组g由一群用户构成
Figure GDA0001385616060000037
其中每个用户都有社交关系su＝{<u1,u>,<u2,u>,...,<um,u>}，其中<um,u>表示um是用户u的关注者。
优选的是，所述的针对具备地理社交信息的群组推荐方法中，针对每个主题zk,k＝1...K，有
Figure GDA0001385616060000038
Figure GDA0001385616060000039
优选的是，所述的针对具备地理社交信息的群组推荐方法中，针对每个用户uv,v＝1,...,|U|，有
Figure GDA00013856160600000310
Figure GDA00013856160600000311
Figure GDA0001385616060000041
优选的是，所述的针对具备地理社交信息的群组推荐方法中，针对每个群组，有
θg～Dirichilet(α)
针对该群组中每个用户-兴趣点对，有
z～Multinomial(θg)
Figure GDA0001385616060000042
Figure GDA0001385616060000043
若c＝0，则
Figure GDA0001385616060000044
若c＝1，则
Figure GDA0001385616060000045
否则
Figure GDA0001385616060000046
优选的是，所述的针对具备地理社交信息的群组推荐方法中，经过两步Gibbs采样，得到c分别为0，1和-1时采样主题的先验概率：
Figure GDA0001385616060000047
Figure GDA0001385616060000048
Figure GDA0001385616060000049
本发明提出了一种针对具备地理社交信息的群组推荐方法，为群组推荐兴趣点。实际上，每个群组成员的抉择是受多个因素影响的，包括个人偏好、群组成员和社交关系。另外，在不同具备各自的群组中，用户的影响力度是不同的。本发明主要分为两步：群组用户建模、群组推荐。在建模过程中考虑个人偏好、群组成员和社交关系三方面因素，推荐时考虑到用户权重。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明提供的针对具备地理社交信息的群组推荐方法的一个实施例的GSGR模型图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
一、地图上兴趣点采样方法定义
1)问题定义
一个群组由一群用户构成
Figure GDA0001385616060000051
其中每个用户都有社交关系su＝{<u1,u>,<u2,u>,...,<um,u>}，其中<um,u>表示um是用户u的关注者。群组推荐的目的就是给定目标群组，推荐这个群组并未访问过却很有可能去的兴趣点。
2)方法概述
这个方法总体上分成两个部分：构建目标群组兴趣点选择生成模型GSGR、基于GSGR为目标群体做出推荐。构建生成模型GSGR过程中，考虑群组主题、个人偏好和社交关系。通过对模型进行训练，得到主题用户分布、主题兴趣点分布、用户兴趣点分布、用户社交兴趣点分布以及用户选择器分布。之后，基于模型得到的分布，计算目标群组访问兴趣点的可能性，推荐可能性最高的兴趣点。
二、利用路网信息对地图上兴趣点采样方法
1)构建生成模型GSGR
GSGR模型的结构可见图1。接下来描述模型的生成过程。
每个群组由一群被某些群体主题吸引的用户组成。我们用多项式分布θg表示群组g的主题偏好。
基于群组的主题分布θg，从中挑选一个主题z并指定一个用户。每个主题都有个多项式分布
Figure GDA0001385616060000052
表示用户与该主题的相关性。
吸引用户加入群组的主题、用户的自身偏好(包含地理位置因素)和社交因素都有可能影响用户做出选择。用多项式分布
Figure GDA0001385616060000053
代表所有兴趣点与该主题z的相关度，
Figure GDA0001385616060000054
表示该用户对所有兴趣点自身的考量，
Figure GDA0001385616060000055
表示该用户的社交圈对该兴趣点的喜爱程度。另外，用一个三元开关c来决定哪种元素影响着用户的抉择。如果值为0，说明是群组主题；若值为1，兴趣点的选择是基于用户本身偏好；若值为-1，则说明是基于用户社交影响。
总的来说，一个群组一次集合的过程如下：
针对每个主题zk,k＝1...K，有
Figure GDA0001385616060000061
Figure GDA0001385616060000062
针对每个用户uv,v＝1,...,|U|，有
Figure GDA0001385616060000063
Figure GDA0001385616060000064
Figure GDA0001385616060000065
针对每个群组，有
θg～Dirichilet(α)
针对该群组中每个用户-兴趣点对，有
z～Multinomial(θg)
Figure GDA0001385616060000066
Figure GDA0001385616060000067
若c＝0，则
Figure GDA0001385616060000068
若c＝1，则
Figure GDA0001385616060000069
否则
Figure GDA00013856160600000610
2)参数估计
经过两步Gibbs采样，得到c分别为0,1和-1时采样主题的先验概率：
Figure GDA00013856160600000611
Figure GDA00013856160600000612
Figure GDA00013856160600000613
类似地，采样c的概率为
Figure GDA00013856160600000614
Figure GDA00013856160600000615
Figure GDA0001385616060000071
在足够次数采样之后，我们可以计算参数值：
Figure GDA0001385616060000072
Figure GDA0001385616060000073
3)群组推荐兴趣点
为了推荐给目标群组，需要先学习群组主题分布θg。通过对该群组成员进行Gibbs采样，得到
Figure GDA0001385616060000074
之后，可以按以下方式定义新兴趣点得分：
Figure GDA0001385616060000075
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (1)

1.针对具备地理社交信息的群组推荐方法，其特征在于，包括以下步骤：
根据目标群组g中的用户u和主题z生成主题偏好分布θg；
基于所述主题偏好分布θg生成每个用户u和主题z之间的相关度
Figure FDA0002667789310000011
基于所述主题偏好分布θg生成每个兴趣点和主题z之间的相关度
Figure FDA0002667789310000012
基于所述主题偏好分布θg生成每个用户u和兴趣点之间的相关度
Figure FDA0002667789310000013
基于所述主题偏好分布θg生成每个用户u的社交圈和兴趣点之间的相关度
Figure FDA0002667789310000014
定义一参数c，根据每个兴趣点和主题z之间的相关度
Figure FDA0002667789310000015
每个用户u和兴趣点之间的相关度
Figure FDA0002667789310000016
每个用户u的社交圈和兴趣点之间的相关度
Figure FDA0002667789310000017
计算，如果c为0，判断兴趣点的选择是基于群组主题；如果c为1，判断兴趣点的选择是基于用户本身偏好；若c为-1，则判断兴趣点的选择是基于用户社交影响，并计算得到采样c的概率：
Figure FDA0002667789310000018
Figure FDA0002667789310000019
Figure FDA00026677893100000110
根据采样结果计算出以下参数：
Figure FDA00026677893100000111
Figure FDA00026677893100000112
Figure FDA0002667789310000021
Figure FDA0002667789310000022
Figure FDA0002667789310000023
则每个兴趣点的得分为
Figure FDA0002667789310000024
根据兴趣点的得分向群组推荐；
所述目标群组g由一群用户构成
Figure FDA0002667789310000025
其中每个用户都有社交关系su＝{〈u1,u〉,<u2,u>,...,<um,u>}，其中<um,u>表示um是用户u的关注者；
针对每个主题zk,k＝1...K，有
Figure FDA00026677893100000213
Figure FDA0002667789310000026
针对每个用户uv,v＝1,...,|U|，有
Figure FDA0002667789310000027
Figure FDA0002667789310000028
Figure FDA0002667789310000029
针对每个群组，有
θg～Dirichilet(α)
针对该群组中每个用户-兴趣点对，有
z～Multinomial(θg)
Figure FDA00026677893100000210
Figure FDA00026677893100000211
若c＝0，则
Figure FDA00026677893100000212
若c＝1，则
Figure FDA0002667789310000031
否则
Figure FDA0002667789310000032
经过两步Gibbs采样，得到c分别为0，1和-1时采样主题的先验概率：
Figure FDA0002667789310000033
Figure FDA0002667789310000034
Figure FDA0002667789310000035
CN201710556401.9A 2017-07-10 2017-07-10 针对具备地理社交信息的群组推荐方法 Active CN107391637B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710556401.9A CN107391637B (zh) 2017-07-10 2017-07-10 针对具备地理社交信息的群组推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710556401.9A CN107391637B (zh) 2017-07-10 2017-07-10 针对具备地理社交信息的群组推荐方法

Publications (2)

Publication Number Publication Date
CN107391637A CN107391637A (zh) 2017-11-24
CN107391637B true CN107391637B (zh) 2021-01-26

Family

ID=60335534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710556401.9A Active CN107391637B (zh) 2017-07-10 2017-07-10 针对具备地理社交信息的群组推荐方法

Country Status (1)

Country Link
CN (1) CN107391637B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376294A (zh) * 2018-08-22 2019-02-22 中国平安人寿保险股份有限公司 用户兴趣点权重确定方法及装置、存储介质和电子设备
CN110209946B (zh) * 2019-06-10 2021-03-09 合肥工业大学 基于社交和社群的产品推荐方法、系统和存储介质
CN111488532B (zh) * 2020-04-03 2022-10-14 南京邮电大学 一种融合社交关系与自私偏好顺序的群组划分方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101968798A (zh) * 2010-09-10 2011-02-09 中国科学技术大学 基于在线软约束lda算法的社区推荐方法
CN101986298A (zh) * 2010-10-28 2011-03-16 浙江大学 用于在线论坛的信息实时推荐方法
US9679258B2 (en) * 2013-10-08 2017-06-13 Google Inc. Methods and apparatus for reinforcement learning
CN103530419B (zh) * 2013-10-29 2016-08-17 武汉大学 一种面向Web 服务描述的本体学习方法
CN103778260A (zh) * 2014-03-03 2014-05-07 哈尔滨工业大学 一种个性化微博信息推荐系统和方法
CN104615616B (zh) * 2014-05-04 2017-03-22 腾讯科技（深圳）有限公司 群组推荐方法和系统
CN104899273B (zh) * 2015-05-27 2017-08-25 东南大学 一种基于话题和相对熵的网页个性化推荐方法
CN106055713B (zh) * 2016-07-01 2019-10-18 华南理工大学 基于用户兴趣和社交主题提取的社交网络用户推荐方法

Also Published As

Publication number Publication date
CN107391637A (zh) 2017-11-24

Similar Documents

Publication Publication Date Title
Pham et al. A general graph-based model for recommendation in event-based social networks
US9785703B1 (en) Systems and methods for online social matchmaking
Xia et al. Reciprocal recommendation system for online dating
JP4906846B2 (ja) ソーシャルネットワークにおける利用者の相性の得点化
US20090061406A1 (en) Constructing a profile using self-descriptive images for use in a social environment
JP6064376B2 (ja) 情報処理装置、コンピュータプログラムおよび端末装置
US8713143B2 (en) Establishing a social network
US11379545B2 (en) Pairing systems and methods for electronic communications
US20110246574A1 (en) Creating Groups of Users in a Social Networking System
CN107391637B (zh) 针对具备地理社交信息的群组推荐方法
CN108874821A (zh) 一种应用推荐方法、装置及服务器
EP2435929A1 (en) Selecting and sharing personal user information associated with a user equipment
CN111428127B (zh) 融合主题匹配与双向偏好的个性化事件推荐方法及系统
CN107657034A (zh) 一种社交信息增强的事件社交网络推荐算法
Zhan et al. A novel trust computing system for social networks
Lu et al. HBGG: A hierarchical Bayesian geographical model for group recommendation
CN107480714A (zh) 基于全视角特征的跨社交网络用户识别方法
KR101356948B1 (ko) Ｓｎｓ에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템
WO2017054081A1 (en) An activity-centric system and method for relationship matching
CN107220328A (zh) 基于社交网络的弱关系和强关系的视频推荐方法
CN109933720A (zh) 一种基于用户兴趣自适应演化的动态推荐方法
WO2013112940A2 (en) Social family networking platform
Zhao et al. A generative model approach for geo-social group recommendation
Elghomary et al. Dynamic peer recommendation system based on trust model for sustainable social tutoring in MOOCs
JP2007018415A (ja) ネットワーク要素検索方法、及びネットワーク要素検索プログラム

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
GR01 Patent grant
GR01 Patent grant