CN107657015A - 一种兴趣点推荐方法、装置、电子设备及存储介质 - Google Patents
一种兴趣点推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN107657015A CN107657015A CN201710881261.2A CN201710881261A CN107657015A CN 107657015 A CN107657015 A CN 107657015A CN 201710881261 A CN201710881261 A CN 201710881261A CN 107657015 A CN107657015 A CN 107657015A
- Authority
- CN
- China
- Prior art keywords
- registering
- interest
- point
- recommended
- social
- 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.)
- Granted
Links
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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本发明实施例提供了一种兴趣点推荐方法、装置、电子设备及存储介质，所述方法包括：获取位置社交网络中目标用户的签到数据和社交信息；根据各所述签到位置，计算待推荐兴趣点在所述位置社交网络中的空间分布，其中，所述空间分布包括所述待推荐兴趣点在各签到位置之间的第一预测概率；根据各所述签到位置和所述社交信息，计算所述待推荐兴趣点在所述位置社交网络中的时间分布，其中，所述时间分布包括所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率；根据所述第一预测概率和所述第二预测概率，向所述目标用户推荐兴趣点。应用本发明实施例，能够提高位置社交网络中兴趣点推荐的准确性，从而提升用户体验。
Description
技术领域
本发明涉及数据分析处理领域，特别是涉及一种兴趣点推荐方法、装置、电子设备及存储介质。
背景技术
随着智能手机、平板电脑等移动终端的普及，以及定位技术的提高，促使了基于位置的社交网络平台的不断涌现，例如Foursquare、Gowalla、大众点评网等。在基于位置的社交网络平台中，用户面对如此众多的位置通常无法做出合理的选择，兴趣点推荐则可以为用户推荐用户可能感兴趣的、未访问过的位置，可以在信息过载的情况下极大的缩小用户查找兴趣点的时间成本。
现有的兴趣点推荐方法是利用兴趣点之间的距离，在不假设空间先验分布的前提下直接进行核密度估计，根据核密度估计来对空间分布进行建模，得到用户的地理信息的一个空间分布，并根据该空间分布的结果来向该用户推荐兴趣点。
但是，在现有的兴趣点推荐方法中，需要足够多的用户签到信息，才能根据用户签到信息为用户推荐令其满意的位置。而对于具有很少的签到信息的用户来说，通过现有的兴趣点推荐方法，会影响用户的地理信息的空间分布的结果，使得得到的推荐结果可能不是用户所感兴趣的，从而导致推荐结果不准确，影响用户体验。
发明内容
本发明实施例的目的在于提供一种兴趣点推荐方法、装置、电子设备及存储介质，以提高位置社交网络中兴趣点推荐的准确性，从而提升用户体验。具体技术方案如下：
本发明实施例公开了一种兴趣点推荐方法，所述方法包括：
获取位置社交网络中目标用户的签到数据和社交信息，其中，所述签到数据包括至少两个签到时间对应的签到位置，所述社交信息为所述目标用户与所述位置社交网络中除所述目标用户之外的其他用户之间的交互信息；
根据各所述签到位置，计算待推荐兴趣点在所述位置社交网络中的空间分布，其中，所述空间分布包括所述待推荐兴趣点在各签到位置之间的第一预测概率；
根据各所述签到位置和所述社交信息，计算所述待推荐兴趣点在所述位置社交网络中的时间分布，其中，所述时间分布包括所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率；
根据所述第一预测概率和所述第二预测概率，向所述目标用户推荐兴趣点。
可选的，所述根据各所述签到位置，计算待推荐兴趣点在所述位置社交网络中的空间分布，其中，所述空间分布包括所述待推荐兴趣点在各签到位置之间的第一预测概率，包括：
获取各所述签到位置的经度坐标和纬度坐标，并根据所述经度坐标和所述纬度坐标，生成各所述签到位置的空间签到列表；
对所述空间签到列表中的每两个签到位置进行层次聚类，得到所述目标用户的至少一个签到区间；
对各签到区间进行核密度估计，并将核密度估计的结果的平均值作为所述待推荐兴趣点在各所述签到位置之间的第一预测概率。
可选的，所述对所述空间签到列表中的每两个签到位置进行层次聚类，得到所述目标用户的至少一个签到区间，包括：
计算所述空间签到列表中每两个签到位置之间的距离；
将所述距离最近的两个签到位置合并为一个聚类，将所述聚类加入所述空间签到列表中，并替换所述空间签到列表中的已合并的签到位置；
再依次计算所述空间签到列表中的每两个签到位置的距离，直到所述空间签到列表中除所述聚类之外的所有签到位置都与所述空间签到列表中的其中一个签到位置合并为一个聚类，将最终的聚类结果确定为所述目标用户的签到区间。
可选的，所述根据各所述签到位置和所述社交信息，计算所述待推荐兴趣点在所述位置社交网络中的时间分布，其中，所述时间分布包括所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率，包括：
根据所述社交信息、各所述签到位置构造转移矩阵，所述转移矩阵包括用户交互矩阵、用户位置交互矩阵及位置交互矩阵；
根据所述用户交互矩阵、所述用户位置交互矩阵及所述位置交互矩阵，构造异构随机游走模型；
根据所述异构随机游走模型，计算所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率。
可选的，所述根据所述社交信息、各所述签到位置构造转移矩阵，所述转移矩阵包括用户交互矩阵、用户位置交互矩阵及位置交互矩阵，包括：
根据所述目标用户及所述目标用户在所述社交信息中的所有用户构造用户交互矩阵；
根据所述目标用户及所述目标用户在所述社交网络中的各签到位置构造用户位置交互矩阵；
根据所述社交信息中的所有用户的各签到位置构造位置交互矩阵。
可选的，所述根据所述异构随机游走模型，计算所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率，包括：
根据所述异构随机游走模型，计算所述位置社交网络中的位置稳态概率；
将所述位置稳态概率作为所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率。
可选的，所述根据所述第一预测概率和所述第二预测概率，向所述目标用户推荐兴趣点，包括：
计算所述第一预测概率和所述第二预测概率的线性加权值，得到各所述待推荐兴趣点的推荐概率；
根据所述推荐概率向所述目标用户推荐兴趣点。
本发明实施例还公开了一种兴趣点推荐装置，所述装置包括：
获取模块，用于获取位置社交网络中目标用户的签到数据和社交信息，其中，所述签到数据包括至少两个签到时间对应的签到位置，所述社交信息为所述目标用户与所述位置社交网络中除所述目标用户之外的其他用户之间的交互信息；
第一计算模块，用于根据各所述签到位置，计算待推荐兴趣点在所述位置社交网络中的空间分布，其中，所述空间分布包括所述待推荐兴趣点在各签到位置之间的第一预测概率；
第二计算模块，用于根据各所述签到位置和所述社交信息，计算所述待推荐兴趣点在所述位置社交网络中的时间分布，其中，所述时间分布包括所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率；
推荐模块，用于根据所述第一预测概率和所述第二预测概率，向所述目标用户推荐兴趣点。
可选的，所述第一计算模块，包括：
获取子模块，用于获取各所述签到位置的经度坐标和纬度坐标，并根据所述经度坐标和所述纬度坐标，生成各所述签到位置的空间签到列表；
聚类子模块，用于对所述空间签到列表中的每两个签到位置进行层次聚类，得到所述目标用户的至少一个签到区间；
第一计算子模块，用于对各签到区间进行核密度估计，并将核密度估计的结果的平均值作为所述待推荐兴趣点在各所述签到位置之间的第一预测概率。
可选的，所述聚类子模块，包括：
第一计算单元，用于计算所述空间签到列表中每两个签到位置之间的距离；
合并单元，用于将所述距离最近的两个签到位置合并为一个聚类，将所述聚类加入所述空间签到列表中，并替换所述空间签到列表中的已合并的签到位置；
第二计算单元，用于再依次计算所述空间签到列表中的每两个签到位置的距离，直到所述空间签到列表中除所述聚类之外的所有签到位置都与所述空间签到列表中的其中一个签到位置合并为一个聚类，将最终的聚类结果确定为所述目标用户的签到区间。
可选的，所述第二计算模块，包括：
第一构造子模块，用于根据所述社交信息、各所述签到位置构造转移矩阵，所述转移矩阵包括用户交互矩阵、用户位置交互矩阵及位置交互矩阵；
第二构造子模块，用于根据所述用户交互矩阵、所述用户位置交互矩阵及所述位置交互矩阵，构造异构随机游走模型；
第二计算子模块，用于根据所述异构随机游走模型，计算所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率。
可选的，所述第一构造子模块，包括：
第一构造单元，用于根据所述目标用户及所述目标用户在所述社交信息中的所有用户构造用户交互矩阵；
第二构造单元，用于根据所述目标用户及所述目标用户在所述社交网络中的各签到位置构造用户位置交互矩阵；
第三构造单元，用于根据所述社交信息中的所有用户的各签到位置构造位置交互矩阵。
可选的，所述第二计算子模块，包括：
第三计算单元，用于根据所述异构随机游走模型，计算所述位置社交网络中的位置稳态概率；
确定单元，用于将所述位置稳态概率作为所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率。
可选的，所述推荐模块，包括：
第三计算子模块，用于计算所述第一预测概率和所述第二预测概率的线性加权值，得到各所述待推荐兴趣点的推荐概率；
推荐子模块，用于根据所述推荐概率向所述目标用户推荐兴趣点。
本发明实施例还公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述一种兴趣点推荐方法步骤。
在本发明实施的又一方面，还公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的一种兴趣点推荐方法。
本发明实施例提供的一种兴趣点推荐方法、装置、电子设备及存储介质，通过计算待推荐兴趣点在位置社交网络中的空间分布和时间分布，根据空间分布的预测概率和时间分布的预测概率共同确定位置社交网络中向用户推荐的兴趣点，使得推荐结果既能满足个性化推荐，又能满足签到信息较少的情况，提高了位置社交网络中兴趣点推荐的准确性，从而提升了用户体验。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
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为本发明实施例提供的一种兴趣点推荐方法的一种流程示意图；
图2为本发明实施例提供的一种兴趣点推荐方法的另一种流程示意图；
图3(a)为本发明实施例提供的一种数据集中不同算法的准确率对比图；
图3(b)为本发明实施例提供的一种数据集中不同算法的召回率对比图；
图4(a)为本发明实施例提供的另一种数据集中不同算法的准确率对比图；
图4(b)为本发明实施例提供的另一种数据集中不同算法的召回率对比图；
图5为本发明实施例提供的一种兴趣点推荐装置的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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做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。
目前，随着基于位置的社交网络平台的不断涌现，在位置社交网络中兴趣点推荐的个性化也变得越来越重要。但是，个性化推荐要求用户的签到足够丰富，对于具有签到次数较少的用户来说，现有的个性化推荐的结果往往不够准确，因此，本发明公开了一种兴趣点推荐方法，首先建立用户的个性化空间偏好分布，对用户签到进行空间上的层次聚类获得用户的活动区域，对每个聚类结果进行核密度估计，各聚类结果的核密度估计的平均值作为用户的空间个性化分布。然后建立用户的时间序列偏好分布，基于社交网络、用户签到和位置转移关系构建出用户和位置之间的三种转移矩阵，包括用户重启向量和位置重启向量的随机游走模型为每个用户迭代出该用户在各兴趣点上的长期访问概率。最终兴趣点的推荐概率是空间分布和时间分布的线性加权值。具体过程如下：
参见图1，图1为本发明实施例提供的一种兴趣点推荐方法的一种流程示意图，包括如下步骤：
S101，获取位置社交网络中目标用户的签到数据和社交信息，其中，所述签到数据包括至少两个签到时间对应的签到位置，所述社交信息为所述目标用户与所述位置社交网络中除所述目标用户之外的其他用户之间的交互信息。
具体的，目标用户可以在位置社交网络中进行浏览、签到、添加好友等操作，目标用户的签到数据和社交信息都记录在该位置社交网络中。其中，签到数据包括用户在位置社交网络的某一个位置的签到，即签到位置，同时在每个签到位置对应有一个签到时间，这里，所获取的签到数据中的签到位置是根据时间序列(即签到时间)得到的签到位置。社交信息为用户在位置社交网络中与其他用户之间的交互信息。例如，用户在该位置社交网络添加的好友，可以是现实中的好友，也可以是通过该位置社交网络认识的好友。这里，目标用户为需要推荐兴趣点的用户。
S102，根据各所述签到位置，计算待推荐兴趣点在所述位置社交网络中的空间分布，其中，所述空间分布包括所述待推荐兴趣点在各签到位置之间的第一预测概率。
具体的，根据用户的各签到位置之间的距离，先对所有签到进行空间上的聚类，然后计算每个聚类影响待推荐兴趣点的签到概率。也就是说，在每个聚类内部，分布在用户已签到的位置之间的兴趣点的预测概率较大，而在其他较远位置的兴趣点的预测概率较小。这种通过聚类确定出用户签到的兴趣区域，使不同稠密度的签到区域内的兴趣点都有较高的推荐概率，比现有技术中直接计算待推荐兴趣点与历史签到位置之间的距离获得签到概率更加准确。
S103，根据各所述签到位置和所述社交信息，计算所述待推荐兴趣点在所述位置社交网络中的时间分布，其中，所述时间分布包括所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率。
具体的，通过计算待推荐兴趣点在所述位置社交网络中的空间分布，针对用户签到次数比较多的情况，其推荐结果的个性化要求可以得到满足。进一步加入时间分布，即通过计算待推荐兴趣点在位置社交网络中的时间分布，得到用户所有社交信息的签到位置的所有待推荐兴趣点的预测概率，也可以进一步提高推荐结果的准确率，尤其对于签到次数较少的用户，改进效果更加明显。
例如，可以通过用户的各签到位置和社交信息，将用户所有社交信息的签到位置作为待推荐兴趣点，并计算每个待推荐兴趣点的预测概率。这里，本发明同时考虑了待推荐兴趣点在位置社交网络中的空间分布和时间分布，使得推荐结果既能满足个性化推荐，又能满足签到信息较少的情况，提高了位置社交网络中兴趣点推荐的准确性，从而提升了用户体验。
S104，根据所述第一预测概率和所述第二预测概率，向所述目标用户推荐兴趣点。
具体的，通过第一预测概率可以得到各签到位置之间的区域中所有待推荐兴趣点的预测概率，通过第二预测概率可以得到目标用户所有社交信息的签到位置，计算出的所有待推荐兴趣点的预测概率。综合计算第一预测概率和第二预测概率，计算出第一预测概率和第二预测概率线性加权和较大的兴趣点，最终向目标用户推荐该兴趣点，提高了位置社交网络中兴趣点推荐的准确性，提升了用户体验。
由此可见，本发明实施例提供的一种兴趣点推荐方法，通过计算待推荐兴趣点在位置社交网络中的空间分布和时间分布，根据空间分布的预测概率和时间分布的预测概率共同确定位置社交网络中向用户推荐的兴趣点，使得推荐结果既能满足个性化推荐，又能满足签到信息较少的情况，提高了位置社交网络中兴趣点推荐的准确性，从而提升了用户体验。
在本发明一个可选的实施例中，根据各签到位置，计算待推荐兴趣点在位置社交网络中的空间分布，具体可以为：
第一步，获取各签到位置的经度坐标和纬度坐标，并根据经度坐标和纬度坐标，生成各签到位置的空间签到列表。
具体的，在位置社交网络中，假设有M个用户，这些用户构成的用户集合为U＝{u1，u2，…，ui，…，uM}，其中，i表示用户编号，有N个兴趣点，这些兴趣点构成的集合为：L＝{l1，l2，…，lj，…，lN}，其中，j表示兴趣点的位置，这里，所有用户的签到位置都属于兴趣点。对每个用户来说，在位置社交网络的签到数据包括签到时间和签到位置，用户在兴趣点lj的签到位置对应的空间经纬度坐标vj＝＜latj,logj＞T，其中latj表示兴趣点lj的纬度坐标，logj表示兴趣点lj的经度坐标。
用户每次签到的位置都有对应的经纬度坐标，根据签到时间对用户的签到位置的经纬度坐标进行排序，这些经纬度坐标构成了用户的空间签到分布，即签到位置的空间签到列表。具体来说，用户ui的空间签到列表为Gi，是一个2×ni的矩阵：
其中，lati表示用户ui的签到位置的纬度坐标，logi表示用户ui的签到位置的经度坐标，ni是ui的签到次数。
第二步，对空间签到列表中的每两个签到位置进行层次聚类，得到目标用户的至少一个签到区间。
具体的，层次聚类是聚类算法的一种，通过计算不同类别数据点间的相似度来创建一棵有层次的嵌套聚类树。在聚类树中，不同类别的原始数据点是树的最低层，树的顶层是一个聚类的根节点。这里，可以通过计算空间签到列表中的每两个签到位置之间的距离，对每两个签到位置进行层次聚类，从而得到用户的签到区间，即通过层次聚类计算空间签到列表中的每两个签到位置之间的链接关系，通过链接关系确定这两个签到位置之间的所有待推荐兴趣点的推荐概率，从而提高兴趣点的推荐结果。另外，由于签到位置至少为两个，所以得到的用户的签到区间至少为一个。
第三步，对各签到区间进行核密度估计，并将核密度估计的结果的平均值作为待推荐兴趣点在各签到位置之间的第一预测概率。
具体的，可以根据公式：
其中，
对各签到区间进行核密度估计，其中，i表示用户编号，k表示聚类编号，l′表示待推荐兴趣点，v表示待推荐兴趣点的经纬度坐标向量，v‘表示用户历史签到位置的经纬度坐标向量，表示用户ui的第k个聚类，Kh(v，v’)表示用户历史签到位置的经纬度坐标向量与待推荐兴趣点的经纬度坐标向量的高斯核函数，h表示带宽，Σh是协方差矩阵。
对于每个签到区间，待推荐兴趣点的个数都不同，通过计算每个签到区间各待推荐兴趣点的核密度估计，并将核密度估计的结果的平均值作为待推荐兴趣点在各签到位置之间的第一预测概率，使得该区间的各待推荐兴趣点的推荐概率更加准确。
具体的，根据公式：
计算待推荐兴趣点在各签到位置之间的第一预测概率，其中，i表示用户编号，k表示聚类编号，Ti表示ui的聚类数目，Gi表示ui的空间签到列表。
在本发明实施例中，对空间签到列表中的每两个签到位置进行层次聚类，得到目标用户的至少一个签到区间，具体可以为：
第一步，计算空间签到列表中每两个签到位置之间的距离。
具体的，可以根据公式：
计算空间签到列表中每两个签到位置之间的距离，其中，i表示空间签到列表中的一个签到位置，j表示空间签到列表中的另一个签到位置，r表示地球的半径，lati表示签到位置i的纬度坐标，latj表示签到位置j的纬度坐标，logi表示签到位置i的经度坐标，logj表示签到位置j的经度坐标。这里，采用Haversine公式来实现，该公式能够根据经纬度坐标计算地球上两点间的距离。通过每两个签到位置的经度坐标和纬度坐标计算这两个签到位置之间的距离，比现有技术中直接计算两个签到位置所在两点的之间的距离的推荐结果更加准确。
第二步，将距离最近的两个签到位置合并为一个聚类，将聚类加入空间签到列表中，并替换空间签到列表中的已合并的签到位置。
具体的，通过计算空间签到列表中每两个签到位置之间的距离，得到每两个签到位置之间的距离，将距离最近的两个签到位置合并为一个聚类，表明这两个签到位置之间有链接。假设用户有n次签到，其签到集为{1，2，3，4，5，6，…，n}，把距离最近的两次签到位置1和6合并为一个聚类n+1，将该聚类n+1加入原来的签到集中，并替换1和6的签到位置，这样，替换后的签到集为{2，3，4，5，7，…，n，n+1}，即替换后的签到集变为n-1次签到。
第三步，再依次计算空间签到列表中的每两个签到位置的距离，直到空间签到列表中除聚类之外的所有签到位置都与空间签到列表中的其中一个签到位置合并为一个聚类，将最终的聚类结果确定为目标用户的签到区间。
具体的，重复第二步中的过程再依次计算空间签到列表中的每两个签到位置的距离，直到空间签到列表中除聚类之外的所有签到位置都与空间签到列表中的其中一个签到位置合并为一个聚类，即所有的签到位置之间都有链接。需要说明的是，由于通过第二步得到的空间签到列表中包含新加入的聚类，所以在第三步的计算过程中，合并的聚类可能是由签到位置和签到位置合并的，也可能是由签到位置和聚类合并的。
另外，由于通过计算空间签到列表中每两个签到位置之间的距离所得到的聚类，其中的某些聚类之间的距离很近，使得聚类之间很难区分。因此可以设置一个阈值，例如为1km，作为区分不同聚类的最低距离，如果两个聚类之间距离大于，称这两个聚类可分。最终划分结果为所有聚类都两两可分，但类内两两不可分。这里，用户ui的聚类结果可以表示为其中，Ti表示ui的聚类数目，1≤k≤Ti，Gi表示ui的空间签到列表，表示用户ui的第k个聚类。
在本发明一个可选的实施例中，根据各签到位置和社交信息，计算待推荐兴趣点在位置社交网络中的时间分布，具体可以为：
第一步，根据社交信息、各签到位置构造转移矩阵，转移矩阵包括用户交互矩阵、用户位置交互矩阵及位置交互矩阵。
具体的，在位置社交网络中，用户与用户之间的交互是社交网络，位置与位置之间的交互是位置转移影响力，这两种关系属于同构关系。用户与位置之间的交互表现为用户在各位置的签到情况，这属于异构关系。本发明基于这三种关系构造转移矩阵，构造过程包括：
(1)根据目标用户及目标用户在社交信息中的所有用户构造用户交互矩阵。
在基于位置的社交网络中，目标用户与其他用户建立了连接，他们之间就存在好友关系，这种用户关系通常分为两种：其一，两个用户是现实中的好友，通过使用同一款位置社交软件，相互建立了联系，彼此可以分享个人动态和偏好信息；其二，两个用户现实中没有会面，而是通过在位置社交软件中通过共同的兴趣偏好建立了连接。最终，该目标用户全部的好友关系构成了M×M的用户社交网络图，即用户交互矩阵，可以表示为：
其中，A表示用户交互矩阵，M表示矩阵的阶，每个元素aij表示用户ui和用户uj之间通过好友关系建立的连接强度，该值越大，说明偏好信息通过位置社交网络在这两个用户之间传递的信息量越大。这里，连接强度用Jaccard相似度衡量：
其中，i和j都表示用户编号，F(ui)表示用户ui的好友集合，F(uj)表示用户uj的好友集合，而非好友之间的连接强度为零。
(2)根据目标用户及目标用户在社交网络中的各签到位置构造用户位置交互矩阵。
用户位置交互矩阵行向量是以当前用户签到频率表示的归一化N维位置向量，用矩阵B来表示。在矩阵B中，每一行向量表示一个用户在所有位置上的签到频率，每一列向量表示一个兴趣点被用户的访问次数，具体可以表示为：
其中，B表示用户位置交互矩阵，每个元素bij表示用户ui在兴趣点lj的签到频率，i表示用户编号，j表示兴趣点的位置。
(3)根据社交信息中的所有用户的各签到位置构造位置交互矩阵。
具体的，位置之间的交互考虑位置被访问的先后顺序，根据签到位置对应的签到时间的顺序，位置交互矩阵表示为:
其中，矩阵中wij表示从位置li转移到lj的概率，对于每个用户的任意两次签到si和sj，其签到时间ti<tj，定义位置li到位置lj的转移权重w的更新规则为：
其中，wij表示从位置li转移到lj的概率，wji表示从位置lj转移到li的概率，α是位置转移系数，表示某次签到位置转移到之前签到位置的概率，且α∈[0,1]，|ti-tj|表示两次签到的时间间隔。
第二步，根据用户交互矩阵、用户位置交互矩阵及位置交互矩阵，构造异构随机游走模型。
具体的，异构随机游走模型融合了兴趣点依赖关系和用户社交网络，使其偏好信息通过用户和位置之间三种不同的转移关系不断传递。
通过上述构造的用户交互矩阵、用户位置交互矩阵及位置交互矩阵，构造的异构随机游走模型通过矩阵表示为：
其中，A表示用户交互矩阵，B表示用户位置交互矩阵，BT表示用户位置交互矩阵的转置，C表示位置交互矩阵。
第三步，根据异构随机游走模型，计算待推荐兴趣点在所有社交信息的签到位置的第二预测概率，包括：
首先，根据异构随机游走模型，计算位置社交网络中的位置稳态概率。
具体的，使用列向量ui和vi分别表示ui的用户稳态概率和ui的位置稳态概率。异构随机游走模型中用户结点和位置结点的稳态概率通过以下迭代公式更新：
其中，表示用户交互矩阵A按行归一化，表示用户位置交互矩阵B按行归一化，表示位置交互矩阵C按行归一化，表示矩阵BT按行归一化；xi，yi和β∈[0,1]分别是用户ui的用户重启向量，位置重启向量和重启概率，迫使ui随机游走的过程中以小概率回到初始状态，xi是用户的one-hot编码的列向量，yi是以归一化签到频率表示的N维位置列向量；a和b表示同构结点和异构结点对用户偏好的相对贡献度，且a+b＝1。
每一次迭代之后重新对ui和vi进行标准化，得到
其中，ui表示ui的用户稳态概率，vi表示ui的位置稳态概率，i表示用户编号，j表示兴趣点的位置，迭代过程停止于最大迭代次数或者用户稳态概率和位置稳态概率的变化趋于零。
其次，将位置稳态概率作为待推荐兴趣点在所有社交信息的签到位置的第二预测概率，即将位置稳态概率v'i即作为用户ui随机游走模型的推荐结果pi(l|L,U)。
在本发明一个可选的实施例中，根据第一预测概率和第二预测概率，向所述目标用户推荐兴趣点，具体可以为：
第一步，计算第一预测概率和第二预测概率的线性加权值，得到各待推荐兴趣点的推荐概率。
具体的，本发明结合空间分布和时间分布得到的混合模型把挖掘不同上下文得到的子模型看作相对独立的要素，并且通过线性加权的方式给予各上下文以不同的权重，采用加法规则融合时空偏好结果，即最终得到各待推荐兴趣点的推荐概率。其中，混合模型的最终输出概率为：
其中，λ+η＝1用来均衡时空要素对用户偏好的贡献度；pi(l|Gi)表示ui的个性化空间分布的第一预测概率，Gi是ui的所有签到位置在空间的经纬度坐标；pi(l|L,U)表示ui依赖于其他用户和签到位置的时间序列偏好，即第二预测概率。
第二步，根据推荐概率向目标用户推荐兴趣点。
具体的，通过综合计算第一预测概率和第二预测概率的线性加权值，线性加权值越大，则待推荐兴趣点概率较大，最终向目标用户推荐较大概率的待推荐兴趣点，提高了位置社交网络中兴趣点推荐的准确性，从而提升了用户体验。
本发明实施例还提供的一种兴趣点推荐方法的另一种流程示意图，如图2所示，具体过程如下：
步骤201，获取用户签到，包括用户签到位置对应的签到经纬度坐标(即空间上下文)、用户重启向量和位置重启向量，其中经纬度坐标用于计算待推荐兴趣点的空间分布，用户重启向量和位置重启向量用于在所构造的异构随机游走模型中计算待推荐兴趣点的时间分布。
步骤202，对用户签到位置的经纬度坐标进行层次聚类，得到不同的子类，分别对每个子类进行核密度估计，最后计算所有核密度估计的平均值。
步骤203，获取用户签到序列(即时间上下文)及用户的社交网络(即社交信息)。
步骤204，根据用户签到序列及社交网络构造转移矩阵，转移矩阵包括：用户交互矩阵、位置交互矩阵和用户位置交互矩阵，并根据转移矩阵及用户重启向量和位置重启向量构造异构随机游走模型。
步骤205，根据核密度估计的平均值，计算待推荐兴趣点在位置社交网络中的地理空间偏好(即第一预测概率)pi(l|Gi)，根据异构随机游走模型计算待推荐兴趣点在所有社交信息的签到位置的序列转移偏好(即第二预测概率)pi(l|L,U)，通过计算第一预测概率和第二预测概率的线性加权值，即得到兴趣点预测概率
由此可见，本发明提供的兴趣点推荐方法，充分挖掘了位置社交网络的地理空间信息，时间序列信息，社交网络和签到频率上下文，尤其是融合了地理位置的空间影响力和时间影响力。通过两个子模型来融合上下文信息，推荐的个性化服务性能得到了提升，冷启动问题也得到了改善。
通过本发明实施例提供的兴趣点推荐方法，其推荐效果可以通过以下仿真进一步说明，具体如下：
为了比较算法在标准推荐和冷启动(签到次数较少的情况)推荐场景下的不同性能，实验在两个数据集Brightkite和Foursquare上分别进行。其中，BrighKite和Foursquare都是基于位置的社交网络。假设Brightkite数据集平均签到数为71.71，用作标准化兴趣点推荐。Foursquare数据集平均签到数为5.21，用作用户签到次数较少情况的兴趣点推荐。每个数据集按照用户的签到时间依8:2分为训练集和测试集，训练集用来学习用户模型，测试集用来评价模型性能指标。数据集统计结果如表1所示。
表1
| 数据集 | Brightkite | Foursquare |
| 用户数 | 5760 | 1218 |
| 位置数 | 7603 | 1899 |
| 签到总数 | 453410 | 14036 |
| 训练集签到数 | 413047 | 10902 |
| 测试集签到数 | 40363 | 3134 |
| 平均签到数 | 71.71 | 5.21 |
| 稀疏度 | 1.79e-3 | 4.35e-3 |
| 重复签到率 | 61.14％ | 19.78％ |
本实验中参数位置转移系数α，用户重启概率β，同构结点对用户偏好的相对贡献度a，异构结点对用户偏好的相对贡献度b分别设置为0.5，0.1，0.5，0.5，Brightkite中λ，η分别设置为0.5，0.5，Foursquare中λ，η分别设置为0.4，0.6，其中，λ+η＝1用来均衡时空要素对用户偏好的贡献度。
本实验采用准确率和召回率来评估不同算法的推荐排序性能。具体的，根据公式：
计算不同算法的准确率和召回率，其中，U表示位置社交网络的所有用户，表示为用户ui推荐前k个兴趣点，Ri表示测试集中用户ui去过的位置(即签到位置)集合，i表示用户编号。
实验结果分别如图3(a)、图3(b)、图4(a)和图4(b)所示。
图3(a)为不同算法在数据集Brighkite中的准确率对比，图3(a)中的横轴表示推荐数目/个，纵轴表示准确率，图3(a)中的算法包括GTU(混合地理信息和时空上下文，即本发明实施例提供的兴趣点推荐方法)、PMF(Probablistic Matrix Factorization，基于概率的矩阵分解法)、USG(user preference、social influence and geographicalinfluence in unified framework，融合用户社交地理要素的混合框架)、ASMF(AugmentedSquare error based Matrix Factorization，基于增强平方误差的矩阵分解)、iGSLR(influence of geographical and social on location recommendation，个性化地理社交位置推荐模型)。由图3(a)可以看出，在推荐数目的个数相同的情况下，通过本发明的兴趣点推荐方法的准确率最高。图3(b)为不同算法在数据集Brighkite中的召回率对比，图3(b)中的横轴表示推荐数目/个，纵轴表示召回率，图3(b)中的算法包括GTU、PMF、USG、ASMF、IGSLR。由图3(b)可以看出，在推荐数目的个数相同的情况下，通过本发明的兴趣点推荐方法的召回率最高。
图4(a)为不同算法在数据集Foursquare中的准确率对比，图4(a)中的横轴表示推荐数目/个，纵轴表示准确率，图4(a)中的算法包括GTU、PMF、USG、ASMF、IGSLR。由图4(a)可以看出，在推荐数目的个数相同的情况下，通过本发明的兴趣点推荐方法的准确率最高。
图4(b)为不同算法在数据集Foursquare中的召回率对比，图4(b)中的横轴表示推荐数目/个，纵轴表示召回率，图4(b)中的算法包括GTU、PMF、USG、ASMF、IGSLR。由图4(b)可以看出，在推荐数目的个数相同的情况下，通过本发明的兴趣点推荐方法的召回率最高。
可见，通过本发明提供的兴趣点推荐方法，同时解决了个性化问题和冷启动问题，该兴趣点推荐方法的推荐结果对长期用户和新用户都是个性化的。与传统推荐方法相比，能够仅用很少的签到信息为用户推荐满意的兴趣点。
参见图5，图5为本发明实施例提供的一种兴趣点推荐装置的结构示意图,，包括如下模块：
获取模块501，用于获取位置社交网络中目标用户的签到数据和社交信息，其中，所述签到数据包括至少两个签到时间对应的签到位置，所述社交信息为所述目标用户与所述位置社交网络中除所述目标用户之外的其他用户之间的交互信息；
第一计算模块502，用于根据各所述签到位置，计算待推荐兴趣点在所述位置社交网络中的空间分布，其中，所述空间分布包括所述待推荐兴趣点在各签到位置之间的第一预测概率；
第二计算模块503，用于根据各所述签到位置和所述社交信息，计算所述待推荐兴趣点在所述位置社交网络中的时间分布，其中，所述时间分布包括所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率；
推荐模块504，用于根据所述第一预测概率和所述第二预测概率，向所述目标用户推荐兴趣点。
由此可见，通过本发明实施例提供的一种兴趣点推荐装置，分别通过第一计算模块和第二计算模块计算待推荐兴趣点在位置社交网络中的空间分布和时间分布，推荐模块根据空间分布的预测概率和时间分布的预测概率共同确定位置社交网络中向用户推荐的兴趣点，使得推荐结果既能满足个性化推荐，又能满足签到信息较少的情况，提高了位置社交网络中兴趣点推荐的准确性，从而提升了用户体验。
进一步的，第一计算模块502，包括：
获取子模块，用于获取各签到位置的经度坐标和纬度坐标，并根据经度坐标和纬度坐标，生成各签到位置的空间签到列表；
聚类子模块，用于对空间签到列表中的每两个签到位置进行层次聚类，得到目标用户的至少一个签到区间；
第一计算子模块，用于对各签到区间进行核密度估计，并将核密度估计的结果的平均值作为待推荐兴趣点在各签到位置之间的第一预测概率。
进一步的，聚类子模块，包括：
第一计算单元，用于计算空间签到列表中每两个签到位置之间的距离；
合并单元，用于将距离最近的两个签到位置合并为一个聚类，将聚类加入空间签到列表中，并替换空间签到列表中的已合并的签到位置；
第二计算单元，用于再依次计算空间签到列表中的每两个签到位置的距离，直到空间签到列表中除聚类之外的所有签到位置都与空间签到列表中的其中一个签到位置合并为一个聚类，将最终的聚类结果确定为目标用户的签到区间。
进一步的，第二计算模块503，包括：
第一构造子模块，用于根据社交信息、各签到位置构造转移矩阵，转移矩阵包括用户交互矩阵、用户位置交互矩阵及位置交互矩阵；
第二构造子模块，用于根据用户交互矩阵、用户位置交互矩阵及位置交互矩阵，构造异构随机游走模型；
第二计算子模块，用于根据异构随机游走模型，计算待推荐兴趣点在所有社交信息的签到位置的第二预测概率。
进一步的，第一构造子模块，包括：
第一构造单元，用于根据目标用户及目标用户在社交信息中的所有用户构造用户交互矩阵；
第二构造单元，用于根据目标用户及目标用户在社交网络中的各签到位置构造用户位置交互矩阵；
第三构造单元，用于根据社交信息中的所有用户的各签到位置构造位置交互矩阵。
进一步的，第二计算子模块，包括：
第三计算单元，用于根据异构随机游走模型，计算位置社交网络中的位置稳态概率；
确定单元，用于将位置稳态概率作为待推荐兴趣点在所有社交信息的签到位置的第二预测概率。
进一步的，推荐模块504，包括：
第三计算子模块，用于计算第一预测概率和第二预测概率的线性加权值，得到各待推荐兴趣点的推荐概率；
推荐子模块，用于根据推荐概率向目标用户推荐兴趣点。
本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现如下步骤：
获取位置社交网络中目标用户的签到数据和社交信息，其中，签到数据包括至少至少两个签到时间对应的签到位置，社交信息为目标用户与位置社交网络中除目标用户之外的其他用户之间的交互信息；
根据各签到位置，计算待推荐兴趣点在位置社交网络中的空间分布，其中，空间分布包括待推荐兴趣点在各签到位置之间的第一预测概率；
根据各签到位置和社交信息，计算待推荐兴趣点在位置社交网络中的时间分布，其中，时间分布包括待推荐兴趣点在所有社交信息的签到位置的第二预测概率；
根据第一预测概率和第二预测概率，向目标用户推荐兴趣点。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
由此可见，通过本发明实施例提供的一种电子设备，通过计算待推荐兴趣点在位置社交网络中的空间分布和时间分布，根据空间分布的预测概率和时间分布的预测概率共同确定位置社交网络中向用户推荐的兴趣点，使得推荐结果既能满足个性化推荐，又能满足签到信息较少的情况，提高了位置社交网络中兴趣点推荐的准确性，从而提升了用户体验。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的一种兴趣点推荐方法。其中，所述的一种兴趣点推荐方法包括：
获取位置社交网络中目标用户的签到数据和社交信息，其中，签到数据包括至少至少两个签到时间对应的签到位置，社交信息为目标用户与位置社交网络中除目标用户之外的其他用户之间的交互信息；
根据各签到位置，计算待推荐兴趣点在位置社交网络中的空间分布，其中，空间分布包括待推荐兴趣点在各签到位置之间的第一预测概率；
根据各签到位置和社交信息，计算待推荐兴趣点在位置社交网络中的时间分布，其中，时间分布包括待推荐兴趣点在所有社交信息的签到位置的第二预测概率；
根据第一预测概率和第二预测概率，向目标用户推荐兴趣点。
由此可见，通过本发明实施例提供的一种计算机可读存储介质，通过计算待推荐兴趣点在位置社交网络中的空间分布和时间分布，根据空间分布的预测概率和时间分布的预测概率共同确定位置社交网络中向用户推荐的兴趣点，使得推荐结果既能满足个性化推荐，又能满足签到信息较少的情况，提高了位置社交网络中兴趣点推荐的准确性，从而提升了用户体验。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。
Claims (10)
1.一种兴趣点推荐方法，其特征在于，所述方法包括：
获取位置社交网络中目标用户的签到数据和社交信息，其中，所述签到数据包括至少两个签到时间对应的签到位置，所述社交信息为所述目标用户与所述位置社交网络中除所述目标用户之外的其他用户之间的交互信息；
根据各所述签到位置，计算待推荐兴趣点在所述位置社交网络中的空间分布，其中，所述空间分布包括所述待推荐兴趣点在各签到位置之间的第一预测概率；
根据各所述签到位置和所述社交信息，计算所述待推荐兴趣点在所述位置社交网络中的时间分布，其中，所述时间分布包括所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率；
根据所述第一预测概率和所述第二预测概率，向所述目标用户推荐兴趣点。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述签到位置，计算待推荐兴趣点在所述位置社交网络中的空间分布，其中，所述空间分布包括所述待推荐兴趣点在各签到位置之间的第一预测概率，包括：
获取各所述签到位置的经度坐标和纬度坐标，并根据所述经度坐标和所述纬度坐标，生成各所述签到位置的空间签到列表；
对所述空间签到列表中的每两个签到位置进行层次聚类，得到所述目标用户的至少一个签到区间；
对各签到区间进行核密度估计，并将核密度估计的结果的平均值作为所述待推荐兴趣点在各所述签到位置之间的第一预测概率。
3.根据权利要求2所述的方法，其特征在于，所述对所述空间签到列表中的每两个签到位置进行层次聚类，得到所述目标用户的至少一个签到区间，包括：
计算所述空间签到列表中每两个签到位置之间的距离；
将所述距离最近的两个签到位置合并为一个聚类，将所述聚类加入所述空间签到列表中，并替换所述空间签到列表中的已合并的签到位置；
再依次计算所述空间签到列表中的每两个签到位置的距离，直到所述空间签到列表中除所述聚类之外的所有签到位置都与所述空间签到列表中的其中一个签到位置合并为一个聚类，将最终的聚类结果确定为所述目标用户的签到区间。
4.根据权利要求1所述的方法，其特征在于，所述根据各所述签到位置和所述社交信息，计算所述待推荐兴趣点在所述位置社交网络中的时间分布，其中，所述时间分布包括所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率，包括：
根据所述社交信息、各所述签到位置构造转移矩阵，所述转移矩阵包括用户交互矩阵、用户位置交互矩阵及位置交互矩阵；
根据所述用户交互矩阵、所述用户位置交互矩阵及所述位置交互矩阵，构造异构随机游走模型；
根据所述异构随机游走模型，计算所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率。
5.根据权利要求4所述的方法，其特征在于，所述根据所述社交信息、各所述签到位置构造转移矩阵，所述转移矩阵包括用户交互矩阵、用户位置交互矩阵及位置交互矩阵，包括：
根据所述目标用户及所述目标用户在所述社交信息中的所有用户构造用户交互矩阵；
根据所述目标用户及所述目标用户在所述社交网络中的各签到位置构造用户位置交互矩阵；
根据所述社交信息中的所有用户的各签到位置构造位置交互矩阵。
6.根据权利要求4所述的方法，其特征在于，所述根据所述异构随机游走模型，计算所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率，包括：
根据所述异构随机游走模型，计算所述位置社交网络中的位置稳态概率；
将所述位置稳态概率作为所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率。
7.根据权利要求1所述的方法，其特征在于，所述根据所述第一预测概率和所述第二预测概率，向所述目标用户推荐兴趣点，包括：
计算所述第一预测概率和所述第二预测概率的线性加权值，得到各所述待推荐兴趣点的推荐概率；
根据所述推荐概率向所述目标用户推荐兴趣点。
8.一种兴趣点推荐装置，其特征在于，所述装置包括：
获取模块，用于获取位置社交网络中目标用户的签到数据和社交信息，其中，所述签到数据包括至少两个签到时间对应的签到位置，所述社交信息为所述目标用户与所述位置社交网络中除所述目标用户之外的其他用户之间的交互信息；
第一计算模块，用于根据各所述签到位置，计算待推荐兴趣点在所述位置社交网络中的空间分布，其中，所述空间分布包括所述待推荐兴趣点在各签到位置之间的第一预测概率；
第二计算模块，用于根据各所述签到位置和所述社交信息，计算所述待推荐兴趣点在所述位置社交网络中的时间分布，其中，所述时间分布包括所述待推荐兴趣点在所有社交信息的签到位置的第二预测概率；
推荐模块，用于根据所述第一预测概率和所述第二预测概率，向所述目标用户推荐兴趣点。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710881261.2A CN107657015B (zh) | 2017-09-26 | 2017-09-26 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710881261.2A CN107657015B (zh) | 2017-09-26 | 2017-09-26 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107657015A true CN107657015A (zh) | 2018-02-02 |
| CN107657015B CN107657015B (zh) | 2021-03-19 |
Family
ID=61131116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710881261.2A Expired - Fee Related CN107657015B (zh) | 2017-09-26 | 2017-09-26 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107657015B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491425A (zh) * | 2018-02-07 | 2018-09-04 | 中山大学 | 一种对长尾兴趣点进行扩展的模型构建方法 |
| CN108875007A (zh) * | 2018-06-15 | 2018-11-23 | 腾讯科技（深圳）有限公司 | 兴趣点的确定方法和装置、存储介质、电子装置 |
| CN109492166A (zh) * | 2018-08-06 | 2019-03-19 | 北京理工大学 | 基于签到时间间隔模式的连续兴趣点推荐方法 |
| CN109726336A (zh) * | 2018-12-21 | 2019-05-07 | 长安大学 | 一种结合出行兴趣与社交偏好的poi推荐方法 |
| CN109902883A (zh) * | 2019-03-25 | 2019-06-18 | 重庆邮电大学 | 一种基于个性化层次核密度估计的签到位置预测方法 |
| CN110298687A (zh) * | 2019-05-23 | 2019-10-01 | 香港理工大学深圳研究院 | 一种区域吸引力评估方法及设备 |
| CN110781415A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 一种兴趣点推荐方法、装置、设备及介质 |
| CN110866156A (zh) * | 2019-11-26 | 2020-03-06 | 北京明略软件系统有限公司 | 基于社交数据的功能园区识别方法、装置、设备及介质 |
| CN110955820A (zh) * | 2018-09-22 | 2020-04-03 | 北京微播视界科技有限公司 | 一种媒体信息兴趣点推荐方法、装置、服务器及存储介质 |
| CN111209475A (zh) * | 2019-12-27 | 2020-05-29 | 武汉大学 | 一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置 |
| CN111259268A (zh) * | 2018-11-30 | 2020-06-09 | 知谷（上海）网络科技有限公司 | Poi推荐模型的构建方法及系统 |
| CN112801749A (zh) * | 2021-02-04 | 2021-05-14 | 重庆邮电大学 | 融合用户连续签到行为序列上下文特征的兴趣点推荐方法 |
| CN112800346A (zh) * | 2021-01-15 | 2021-05-14 | 郑州大学 | 一种融入空间关系的poi推荐方法及推荐系统 |
| CN113505306A (zh) * | 2021-06-21 | 2021-10-15 | 广东交通职业技术学院 | 基于异质图神经网络的兴趣点推荐方法、系统及介质 |
| CN115098792A (zh) * | 2022-08-26 | 2022-09-23 | 天津恒达文博科技股份有限公司 | 展品推荐方法、装置、计算机可读存储介质及电子设备 |
| CN116166878A (zh) * | 2022-01-21 | 2023-05-26 | 南京工业职业技术大学 | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2747020A1 (en) * | 2012-12-21 | 2014-06-25 | Fundacio Barcelona Digital Centre Tecnologic | Method and apparatus for providing recommendations |
| CN105791085A (zh) * | 2016-01-26 | 2016-07-20 | 西安电子科技大学 | 在位置社交网络中基于位置与时间的好友推荐方法 |
| CN106776928A (zh) * | 2016-12-01 | 2017-05-31 | 重庆大学 | 基于内存计算框架、融合社交环境及时空数据的位置推荐方法 |
-
2017
- 2017-09-26 CN CN201710881261.2A patent/CN107657015B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2747020A1 (en) * | 2012-12-21 | 2014-06-25 | Fundacio Barcelona Digital Centre Tecnologic | Method and apparatus for providing recommendations |
| CN105791085A (zh) * | 2016-01-26 | 2016-07-20 | 西安电子科技大学 | 在位置社交网络中基于位置与时间的好友推荐方法 |
| CN106776928A (zh) * | 2016-12-01 | 2017-05-31 | 重庆大学 | 基于内存计算框架、融合社交环境及时空数据的位置推荐方法 |
Non-Patent Citations (7)
| Title |
|---|
| HAKAN BAGCI ET AL.: "Context-Aware Friend Recommendation for Location Based Social Networks using Random Walk", 《PROCEEDINGS OF THE 25TH INTERNATIONAL CONFERENCE COMPANION ON》 * |
| MAO YE ET AL.: "Exploiting Geographical Influence for Collaborative Point-of-Interest Recommendation", 《PROCEEDINGS OF THE 34TH INTERNATIONAL RETRIEVAL》 * |
| QUAN YUAN ET AL.: "Time-aware Point-of-interest Recommendation", 《PROCEEDINGS OF THE 36TH INTERNATIONAL ACM SIGIR CONFERENCE ON RESEARCH AND DEVELOPMENT IN INFORMATION RETRIEVAL》 * |
| 任星怡等: "基于用户签到行为的兴趣点推荐", 《计算机学报》 * |
| 余永红: "融合多源信息的推荐算法研究", 《中国博士学位论文全文数据库信息科技辑（月刊）》 * |
| 宋杨: "基于用户签到数据的行为分析及预测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 * |
| 蒋翠清等: "基于时间与空间属性的地点推荐方法", 《第十届（2015）中国管理学年会论文集》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491425A (zh) * | 2018-02-07 | 2018-09-04 | 中山大学 | 一种对长尾兴趣点进行扩展的模型构建方法 |
| CN108491425B (zh) * | 2018-02-07 | 2020-10-27 | 中山大学 | 一种对长尾兴趣点进行扩展的模型构建方法 |
| CN108875007A (zh) * | 2018-06-15 | 2018-11-23 | 腾讯科技（深圳）有限公司 | 兴趣点的确定方法和装置、存储介质、电子装置 |
| CN109492166A (zh) * | 2018-08-06 | 2019-03-19 | 北京理工大学 | 基于签到时间间隔模式的连续兴趣点推荐方法 |
| CN109492166B (zh) * | 2018-08-06 | 2022-03-29 | 北京理工大学 | 基于签到时间间隔模式的连续兴趣点推荐方法 |
| CN110955820A (zh) * | 2018-09-22 | 2020-04-03 | 北京微播视界科技有限公司 | 一种媒体信息兴趣点推荐方法、装置、服务器及存储介质 |
| CN111259268A (zh) * | 2018-11-30 | 2020-06-09 | 知谷（上海）网络科技有限公司 | Poi推荐模型的构建方法及系统 |
| CN109726336A (zh) * | 2018-12-21 | 2019-05-07 | 长安大学 | 一种结合出行兴趣与社交偏好的poi推荐方法 |
| CN109726336B (zh) * | 2018-12-21 | 2022-11-01 | 长安大学 | 一种结合出行兴趣与社交偏好的poi推荐方法 |
| CN109902883A (zh) * | 2019-03-25 | 2019-06-18 | 重庆邮电大学 | 一种基于个性化层次核密度估计的签到位置预测方法 |
| CN110298687B (zh) * | 2019-05-23 | 2021-04-16 | 香港理工大学深圳研究院 | 一种区域吸引力评估方法及设备 |
| CN110298687A (zh) * | 2019-05-23 | 2019-10-01 | 香港理工大学深圳研究院 | 一种区域吸引力评估方法及设备 |
| CN110781415A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 一种兴趣点推荐方法、装置、设备及介质 |
| CN110866156B (zh) * | 2019-11-26 | 2022-05-17 | 北京明略软件系统有限公司 | 基于社交数据的功能园区识别方法、装置、设备及介质 |
| CN110866156A (zh) * | 2019-11-26 | 2020-03-06 | 北京明略软件系统有限公司 | 基于社交数据的功能园区识别方法、装置、设备及介质 |
| CN111209475A (zh) * | 2019-12-27 | 2020-05-29 | 武汉大学 | 一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置 |
| CN112800346A (zh) * | 2021-01-15 | 2021-05-14 | 郑州大学 | 一种融入空间关系的poi推荐方法及推荐系统 |
| CN112800346B (zh) * | 2021-01-15 | 2022-10-14 | 郑州大学 | 一种融入空间关系的poi推荐方法及推荐系统 |
| CN112801749A (zh) * | 2021-02-04 | 2021-05-14 | 重庆邮电大学 | 融合用户连续签到行为序列上下文特征的兴趣点推荐方法 |
| CN113505306A (zh) * | 2021-06-21 | 2021-10-15 | 广东交通职业技术学院 | 基于异质图神经网络的兴趣点推荐方法、系统及介质 |
| CN113505306B (zh) * | 2021-06-21 | 2022-04-22 | 广东交通职业技术学院 | 基于异质图神经网络的兴趣点推荐方法、系统及介质 |
| CN116166878A (zh) * | 2022-01-21 | 2023-05-26 | 南京工业职业技术大学 | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 |
| CN115098792A (zh) * | 2022-08-26 | 2022-09-23 | 天津恒达文博科技股份有限公司 | 展品推荐方法、装置、计算机可读存储介质及电子设备 |
| CN115098792B (zh) * | 2022-08-26 | 2022-11-08 | 天津恒达文博科技股份有限公司 | 展品推荐方法、装置、计算机可读存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107657015B (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107657015A (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
| US11238065B1 (en) | Systems and methods for generating and implementing knowledge graphs for knowledge representation and analysis | |
| Halvorsen et al. | Opportunities for improved distribution modelling practice via a strict maximum likelihood interpretation of MaxEnt | |
| Zhou et al. | C-logit stochastic user equilibrium model: formulations and solution algorithm | |
| Li et al. | A systematic sensitivity analysis of constrained cellular automata model for urban growth simulation based on different transition rules | |
| Zhang et al. | The Traj2Vec model to quantify residents’ spatial trajectories and estimate the proportions of urban land-use types | |
| Ying et al. | A temporal-aware POI recommendation system using context-aware tensor decomposition and weighted HITS | |
| US11663282B2 (en) | Taxonomy-based system for discovering and annotating geofences from geo-referenced data | |
| Salter-Townshend et al. | Role analysis in networks using mixtures of exponential random graph models | |
| CN108399189A (zh) | 基于社团发现的好友推荐系统及其方法 | |
| Chen et al. | Identifying home locations in human mobility data: an open-source R package for comparison and reproducibility | |
| CN112131261B (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
| Chen et al. | Minimum distance estimation for the generalized pareto distribution | |
| Chandra et al. | Small area estimation of proportions in business surveys | |
| Chen et al. | The global minimum variance unbiased estimator of the parameter for a truncated parameter family under the optimal ranked set sampling | |
| Usui et al. | A comparison of neighbourhood relations based on ordinary Delaunay diagrams and area Delaunay diagrams: an application to define the neighbourhood relations of buildings | |
| CN114153996B (zh) | 多图注意力协同的地学知识图谱更新方法和装置 | |
| Choi et al. | Regularized boxplot via convex clustering | |
| Chatterjee | Impact of multivariate normality assumption on multivariate process capability indices | |
| Wu et al. | Salient object detection via reliable boundary seeds and saliency refinement | |
| Liu et al. | Geographically weighted regression model-assisted estimation in survey sampling | |
| Gan | TAFFY: incorporating tag information into a diffusion process for personalized recommendations | |
| Workman et al. | Spatial analysis for interval-valued data | |
| Wei | Statistical inference in partially linear varying-coefficient models with missing responses at random | |
| Ding et al. | Multi-resolution prediction model based on community relevance for missing links prediction |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210319 Termination date: 20210926 |