CN107784095A - 一种基于移动学习的学习资源自动推荐方法 - Google Patents

Abstract

本发明属于社交网络中兴趣推荐研究体系中学习资源推荐研究范畴，涉及一种基于移动学习的学习资源自动推荐方法，建立模型解决移动用户学习平台上的用户学习兴趣发现问题，把用户学习兴趣这一问题看作是基于时间和位置维度上的用户学习资源的轨迹特征发现问题，把具有同一资源兴趣的用户看作是一组资源用户群，从用户学习轨迹和资源用户群学习特点角度预测用户可能学习的下一个资源，继而实现用户的学习兴趣发现。

Description

一种基于移动学习的学习资源自动推荐方法

技术领域

本发明属于兴趣推荐的研究范畴，涉及协同过滤推荐、基于内容的推荐、基于上下文感知的推荐等技术领域，特别提出了一种基于移动学习的学习资源自动推荐方法。

背景技术

百度百科：个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

智库百科：个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。

基于上下文感知的推荐：上下文可以是用户所有的关键词、用户的位置、时间、设备等信息。Wang等人在电子商务中进行商品推荐时，根据用户购买商品的时间、位置等信息进行个性化推荐。Bakhshi等人向用户推荐餐馆时，不仅要考虑餐馆的风格，还要考虑餐馆离用户的距离、餐馆的停车位、餐馆的人均消费水平等信息；宋晓宇等人在为用户外出旅游进行推荐时，考虑到用户只需要行程时间为两三天的短期旅行，提出了一个基于签到数据的短时间体验式路线搜索方法。

基于位置社交网络(LBSN)的用户兴趣推荐：余永红等人根据社交网络中用户的签到行为特点，利用泊松分布模型替代高斯分布模型建模用户在兴趣点上签到行为，然后采用贝叶斯个性化排序方法拟合用户在兴趣点对上的偏序关系，进行正则化因子约束泊松矩阵分解。Gao等人通过分析用户的签到数据，发现用户的出行具有规律性。例如用户的每天出行具有早出晚归的上班族规律，用户的每周有工作日出行和周末出行规律等。Ye等人根据用户当前的活动，能预测用户的下一个位置。Liu等人根据用户所在位置对其推荐周边可能感兴趣的兴趣点。Noulas等人根据用户位置之间的距离、时间的间隔、位置类型的差异，为用户进行位置推荐[8]。

移动推荐：Gabrilovinch等人通过分析新闻文档之间的动态性和新闻文档自身动态性为用户进行移动新闻推荐。Bao等人利用离线和在线相结合方式进行位置推荐。Yu等人根据移动用户共享的位置、路径等信息，建立了异构网络关系图，根据移动用户的活动频率和用户之间的关联关系，进行地理位置近邻好友推荐。

基于矩阵因子分解的兴趣推荐：Cheng等人根据概率矩阵分解模型，结合社交正则化因子和地域影响力为用户进行兴趣点推荐，以此来改善兴趣点推荐算法的性能。高榕等人在矩阵分解模型基础上，融合评论信息、社交网络信息和地理信息提供兴趣点推荐服务。最近，Lian等人把用户的签到信息看作隐士反馈，在含有权重的矩阵分解模型基础上增加了地域影响力约束分析，建立兴趣推荐模型，以此方法对项目中缺失项赋予较低权重，对已有项目赋予较高权重，从而拟合用户的签到数据。

发明内容

针对移动学习平台向不同用户推荐不同学习资源效果不佳、目前相关技术研究不够深入等问题，本发明的技术方案是一种基于移动学习的学习资源自动推荐方法，包括以下步骤：

步骤1，建立用户-资源-时间-位置四元组

Z＝(U,K,T,L)

其中，U代表用户集合，K代表学习资源集合，T代表时间集合，L代表位置集合；

步骤2，用户行为特征分析

步骤2.1，基本属性

(1)用户属性

假设用户集合U＝{u₁,u₂,...,u_i,...}。其中，u₁、u₂、u_i表示不同用户。任意用户u_i由其属性构成，即u_i＝{u_i.a₁,u_i.a₂,u_i.a₃,...}。

假设所有用户U访问资源的起始时间集合T＝{t₁,t₂,...,t_j,...}。其中，t₁、t₂、t_j表示不同时间。

(2)资源属性

假设学习资源K＝{k₁,k₂,...}。其中，k₁、k₂表示不同学习资源。任意资源k_p由其属性构成，即k_p＝{k_p.b₁,k_p.b₂,k_p.b₃,...}。当用户u_i访问学习资源k_p时，可记为u_i.k_p。

(3)时间属性

假设时间集合T＝{t₁,t₂,...,t_m,...}，用户u_i在访问资源k_p时起始时间记为结束时间记为那么用户u_i在访问资源k_p时持续时间记为这里，时才有效，根据实际经验ε取值为2min，即用户访问资源超过两分钟时才有效。

用户u_i访问资源k_p和资源k_p+1的时间间隔记为

(4)位置属性

假设所有位置集合L＝{l₁,l₂,...,l_n,...}，用户u_i在学习资源k_p时的位置为l_n，即u_i.k_p.l_n。

步骤2.2行为特征分析

(1)访问资源序列

用户u_i访问资源K的序列

(2)用户访问资源的频度

(3)用户访问资源比例

指用户u_i在所有资源K中访问资源所占比例：

其中，函数分母表示所有用户访问所有资源的总次数。

用户u_i在t_j时间访问资源k_p的概率：

用户u_i在t_j时间l_q位置访问资源k_p的概率：

(4)选择资源周期

用户u_i在选择访问资源时，一般经过比较和选择才能最终确定资源，即pr＝(u,sq,k_s)。其中，u∈U，k_s表示用户最终选择的资源。所有周期集合为Pr＝{pr₁,pr₂,...}。

(5)资源关联强度

用户u_i从当前资源k_p跳转到下一个资源的k_p+1的概率：

(6)资源用户群

按照学习资源的属性分类，将喜欢同一类型资源的用户称为资源用户群，即其中φ_i＝{u_x,u_y,...}，即任意一个资源用户群是由若干个用户组成。且表示资源用户群的总数。

步骤3，学习兴趣推荐

假设表示用户-资源用户群分布，γ_φ,t表示资源用户群-时间分布，η_φ,t,l表示资源用户群-时间-位置分布。

资源用户群φ、时间t、位置l的联合概率分布表示为：

假定表示在资源用户群φ条件下，位置l、时间点t和资源用户群φ共同出现的次数，可得位置l在资源用户群-时间点-位置分布条件下的概率：

其中，表示位置l是在资源用户群为a的条件下生成的比例。

同样，可得生成位置l的概率分布：

且有

类似的，可推理p(t|φ,γ_φ,t)和分别为：

其中，表示资源用户群φ与t′共同出现的次数；表示用户u属于资源用户群φ'的次数。

得到所有变量的联合分布概率后，对于用户u的一条轨迹记录给定除φ'_i外的其他所有变量状态后，可得其吉布斯采样公式为：

其中，表示用户u属于资源用户群k时的轨迹记录数目(除第i个轨迹记录之外)，表示资源用户群为k的时间点数目(除时间点t_j之外)，表示资源用户群为k、时间点为t_j、位置l_m共同出现的次数(除第i个轨迹记录之外)。

对于用户u的某一条轨迹记录得到对应的用户-资源用户群分布根据步骤2中定义的用户访问资源的频度、用户访问资源比例、选择资源周期、资源关联强度作为识别用户角色的参数，选择作为对应的用户资源群

与现有技术相比，本发明具有以下优点和积极效果：1)本发明自动分析用户的行为轨迹和兴趣特征，更集中更高效地处理网页中的时态问题。2)本发明对资源用户群进行自动发现，节约人力。3)本发明中的方法可广泛应用于学习资源推荐、餐馆推荐、位置推荐等方面，在一定程度上提高兴趣推荐质量。

附图说明

图1为本发明实施例的基本属性图；

图2为本发明实施例的用户学习资源轨迹图。

具体实施方式

具体实施时，本发明所提供技术方案可由本领域技术人员采用计算机软件技术实现自动运行流程。以下结合附图和实施例详细说明本发明技术方案。

如图1所示，移动学习平台的数据主要包括用户、资源、时间、位置这四个要素，并且这四个要素之间会随着时间、位置、用户不断变化着。同时，用户的兴趣也因个人的家庭背景、教育程度、职业、所处地理位置、心情、朋友、同事等因素影响，其对不同的学习资源偏好也千差万别。为了将这些隐形的属性挖掘出来，并分析其对兴趣偏好的影响程度，因此有必要建立用户属性、资源属性、时间属性和位置属性。即建立用户-资源-时间-位置四元组Z＝(U,K,T,L)。

其中，U代表用户集合，K代表学习资源集合，T代表时间集合，L代表位置集合；

定义1用户属性

假设用户集合U＝{u₁,u₂,...,u_i,...}。其中，u₁、u₂、u_i表示不同用户。任意用户u_i由其属性构成，即u_i＝{u_i.a₁,u_i.a₂,u_i.a₃,...}。

假设所有用户U访问资源的起始时间集合T＝{t₁,t₂,...,t_j,...}。其中，t₁、t₂、t_j表示不同时间。

定义2资源属性

假设学习资源K＝{k₁,k₂,...}。其中，k₁、k₂表示不同学习资源。任意资源k_p由其属性构成，即k_p＝{k_p.b₁,k_p.b₂,k_p.b₃,...}。当用户u_i访问学习资源k_p时，可记为u_i.k_p。

定义3时间属性

假设时间集合T＝{t₁,t₂,...,t_m,...}，用户u_i在访问资源k_p时起始时间记为结束时间记为那么用户u_i在访问资源k_p时持续时间记为这里，时才有效，根据实际经验ε取值为2min，即用户访问资源超过两分钟时才有效。

用户u_i访问资源k_p和资源k_p+1的时间间隔记为

定义4位置属性

假设所有位置集合L＝{l₁,l₂,...,l_n,...}，用户u_i在学习资源k_p时的位置为l_n，即u_i.k_p.l_n。

在上述基础上，需要对数据进行下一步详细分析。如果把每一个用户按照时间顺序，将每个时间点上访问的资源和位置用不同颜色标注出来，就形成了图2所示。之所以用不同颜色标注，是为了发现具有同一资源偏好的若干个用户定义为一个资源用户群。其中涉及的有许多数据特征筛选，包括访问资源序列、用户访问资源的频度、用户访问资源比例、选择资源周期、资源关联强度：

定义5访问资源序列

用户u_i访问资源K的序列

定义6用户访问资源的频度

定义7用户访问资源比例

指用户u_i在所有资源K中访问资源所占比例：

其中，函数分母表示所有用户访问所有资源的总次数。

用户u_i在t_j时间访问资源k_p的概率：

用户u_i在t_j时间l_q位置访问资源k_p的概率：

定义8选择资源周期

用户u_i在选择访问资源时，一般经过比较和选择才能最终确定资源，即pr＝(u,sq,k_s)。其中，u∈U，k_s表示用户最终选择的资源。所有周期集合为Pr＝{pr₁,pr₂,...}。

定义9资源关联强度

用户u_i从当前资源k_p跳转到下一个资源的k_p+1的概率：

定义10资源用户群

按照学习资源的属性分类，将喜欢同一类型资源的用户称为资源用户群，即其中φ_i＝{u_x,u_y,...}，即任意一个资源用户群是由若干个用户组成。且表示资源用户群的总数。

寻找出资源用户群的目的在于在历史数据中，对一类资源用户群的兴趣建立模型，用以推测该类用户的下一个可能感兴趣的资源。

假设表示用户-资源用户群分布，γ_φ,t表示资源用户群-时间分布，η_φ,t,l表示资源用户群-时间-位置分布。

资源用户群φ、时间t、位置l的联合概率分布表示为：

假定表示在资源用户群φ条件下，位置l、时间点t和资源用户群φ共同出现的次数，可得位置l在资源用户群-时间点-位置分布条件下的概率：

其中，表示位置l是在资源用户群为a的条件下生成的比例。

同样，可得生成位置l的概率分布：

且有

类似的，可推理p(t|φ,γ_φ,t)和分别为：

其中，表示资源用户群φ与t′共同出现的次数；表示用户u属于资源用户群φ'的次数。

得到所有变量的联合分布概率后，对于用户u的一条轨迹记录给定除φ'_i外的其他所有变量状态后，可得其吉布斯采样公式为：

其中，表示用户u属于资源用户群k时的轨迹记录数目(除第i个轨迹记录之外)，表示资源用户群为k的时间点数目(除时间点t_j之外)，表示资源用户群为k、时间点为t_j、位置l_m共同出现的次数(除第i个轨迹记录之外)。

对于用户u的某一条轨迹记录得到对应的用户-资源用户群分布根据步骤2中定义的用户访问资源的频度、用户访问资源比例、选择资源周期、资源关联强度作为识别用户角色的参数，选择作为对应的用户资源群

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种基于移动学习的学习资源自动推荐方法，其特征在于，包括以下步骤：

步骤1，建立用户-资源-时间-位置四元组Z＝(U,K,T,L)

其中，U代表用户集合，K代表学习资源集合，T代表时间集合，L代表位置集合；建立四元组基于以下定义：

A.1用户属性

定义用户集合U＝{u₁,u₂,...,u_i,...}；其中，u₁、u₂、u_i表示不同用户；任意用户u_i由其属性构成，即u_i＝{u_i.a₁,u_i.a₂,u_i.a₃,...}；

定义所有用户U访问资源的起始时间集合T＝{t₁,t₂,...,t_j,...}；其中，t₁、t₂、t_j表示不同时间；

A.2资源属性

定义学习资源K＝{k₁,k₂,...}；其中，k₁、k₂表示不同学习资源；任意资源k_p由其属性构成，即k_p＝{k_p.b₁,k_p.b₂,k_p.b₃,...}；当用户u_i访问学习资源k_p时，可记为u_i.k_p；

A.3时间属性

定义时间集合T＝{t₁,t₂,...,t_m,...}，用户u_i在访问资源k_p时起始时间记为结束时间记为那么用户u_i在访问资源k_p时持续时间记为这里，时才有效，根据实际经验ε取值为2min，即用户访问资源超过两分钟时才有效；

用户u_i访问资源k_p和资源k_p+1的时间间隔记为

A.4位置属性

定义所有位置集合L＝{l₁,l₂,...,l_n,...}，用户u_i在学习资源k_p时的位置为l_n，即u_i.k_p.l_n；

步骤2，进行用户行为特征分析，基于以下定义：

B.1访问资源序列

用户u_i访问资源K的序列

B.2用户访问资源的频度

<mrow> <msub> <mi>f</mi> <mrow> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mo>&amp;Sigma;</mo> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>p</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>K</mi> <mo>|</mo> </mrow> </munderover> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

B.3用户访问资源比例

指用户u_i在所有资源K中访问资源所占比例：

<mrow> <mi>P</mi> <mrow> <mo>(</mo> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mrow> <mo>(</mo> <mi>U</mi> <mo>,</mo> <mi>K</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>p</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>K</mi> <mo>|</mo> </mrow> </munderover> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>U</mi> <mo>|</mo> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>p</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>K</mi> <mo>|</mo> </mrow> </munderover> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

其中，函数分母表示所有用户访问所有资源的总次数；

用户u_i在t_j时间访问资源k_p的概率：

<mrow> <mi>P</mi> <mrow> <mo>(</mo> <mo>(</mo> <mrow> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> </mrow> <mo>)</mo> <mo>|</mo> <msub> <mi>t</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mi>t</mi> <mo>=</mo> <msub> <mi>t</mi> <mi>j</mi> </msub> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>p</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>K</mi> <mo>|</mo> </mrow> </munderover> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

用户u_i在t_j时间l_q位置访问资源k_p的概率：

<mrow> <mi>P</mi> <mrow> <mo>(</mo> <mo>(</mo> <mrow> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> </mrow> <mo>)</mo> <mo>|</mo> <mo>(</mo> <mrow> <msub> <mi>t</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>l</mi> <mi>q</mi> </msub> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mi>t</mi> <mo>=</mo> <msub> <mi>t</mi> <mi>j</mi> </msub> <mo>,</mo> <mi>l</mi> <mo>=</mo> <msub> <mi>l</mi> <mi>q</mi> </msub> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>p</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>K</mi> <mo>|</mo> </mrow> </munderover> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

B.4选择资源周期

用户u_i在选择访问资源时，一般经过比较和选择才能最终确定资源，即pr＝(u,sq,k_s)；其中，u∈U，k_s表示用户最终选择的资源；所有周期集合为Pr＝{pr₁,pr₂,...}；

B.5资源关联强度

用户u_i从当前资源k_p跳转到下一个资源的k_p+1的概率：

<mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mrow> <mi>p</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>|</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mrow> <mi>p</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>p</mi> <mo>=</mo> <mn>2</mn> </mrow> <mrow> <mo>|</mo> <mi>K</mi> <mo>|</mo> </mrow> </munderover> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mrow> <mi>p</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>k</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

B.6资源用户群

按照学习资源的属性分类，将喜欢同一类型资源的用户称为资源用户群，即其中φ_i＝{u_x,u_y,...}，即任意一个资源用户群是由若干个用户组成；且表示资源用户群的总数；

步骤3，基于步骤1建立的四元组和步骤2进行的用户行为特征分析进行学习兴趣推荐。

2.根据权利要求1所述的一种基于移动学习的学习资源自动推荐方法，其特征在于，所述的步骤3包括：

定义表示用户-资源用户群分布，γ_φ,t表示资源用户群-时间分布，η_φ,t,l表示资源用户群-时间-位置分布；

资源用户群φ、时间t、位置l的联合概率分布表示为：

假定表示在资源用户群φ条件下，位置l、时间点t和资源用户群φ共同出现的次数，可得位置l在资源用户群-时间点-位置分布条件下的概率：

其中，表示位置l是在资源用户群为a的条件下生成的比例；

同样，可得生成位置l的概率分布：

且有

<mrow> <msub> <mi>&amp;Delta;&amp;gamma;</mi> <mrow> <mi>&amp;phi;</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>L</mi> <mo>|</mo> </mrow> </munderover> <mi>&amp;Gamma;</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;gamma;</mi> <mi>l</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mi>&amp;Gamma;</mi> <mrow> <mo>(</mo> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>L</mi> <mo>|</mo> </mrow> </munderover> <msub> <mi>&amp;gamma;</mi> <mi>l</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

类似的，可推理p(t|φ,γ_φ,t)和分别为：

<mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>|</mo> <mi>&amp;phi;</mi> <mo>,</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>&amp;phi;</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Pi;</mo> <mrow> <mi>a</mi> <mo>&amp;Element;</mo> <mi>A</mi> </mrow> </munder> <mfrac> <mrow> <mi>&amp;Delta;</mi> <mrow> <mo>(</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <msup> <mi>t</mi> <mo>&amp;prime;</mo> </msup> <mo>&amp;Element;</mo> <mi>T</mi> </mrow> </munder> <msubsup> <mi>&amp;mu;</mi> <msup> <mi>t</mi> <mo>&amp;prime;</mo> </msup> <mi>&amp;phi;</mi> </msubsup> <mo>+</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>&amp;phi;</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mi>&amp;Delta;</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>&amp;phi;</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

其中，表示资源用户群φ与t′共同出现的次数；表示用户u属于资源用户群φ'的次数；

得到所有变量的联合分布概率后，对于用户u的一条轨迹记录给定除φ′_i外的其他所有变量状态后，可得其吉布斯采样公式为：

其中，表示用户u属于资源用户群k时的轨迹记录数目(除第i个轨迹记录之外)，表示资源用户群为k的时间点数目(除时间点t_j之外)，表示资源用户群为k、时间点为t_j、位置l_m共同出现的次数(除第i个轨迹记录之外)；

对于用户u的某一条轨迹记录得到对应的用户-资源用户群分布根据步骤2中定义的用户访问资源的频度、用户访问资源比例、选择资源周期、资源关联强度作为识别用户角色的参数，选择作为对应的用户资源群