CN109670107B - 一种基于兴趣大数据的陌生人社交活动推荐方法和系统 - Google Patents

一种基于兴趣大数据的陌生人社交活动推荐方法和系统 Download PDF

Info

Publication number
CN109670107B
CN109670107B CN201811492181.9A CN201811492181A CN109670107B CN 109670107 B CN109670107 B CN 109670107B CN 201811492181 A CN201811492181 A CN 201811492181A CN 109670107 B CN109670107 B CN 109670107B
Authority
CN
China
Prior art keywords
activity
social
dimension
value
social activity
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
CN201811492181.9A
Other languages
English (en)
Other versions
CN109670107A (zh
Inventor
陈俊华
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.)
Hangzhou Feichi Network Technology Co ltd
Original Assignee
Hangzhou Feichi Network Technology Co ltd
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 Hangzhou Feichi Network Technology Co ltd filed Critical Hangzhou Feichi Network Technology Co ltd
Priority to CN201811492181.9A priority Critical patent/CN109670107B/zh
Publication of CN109670107A publication Critical patent/CN109670107A/zh
Application granted granted Critical
Publication of CN109670107B publication Critical patent/CN109670107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

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

Abstract

本申请实施例提供的基于兴趣大数据的陌生人社交活动推荐方法，包括：取预设时间段内当前用户参与的历史社交活动的活动信息以及在社交活动的有效时间范围所述当前用户的位置轨迹；根据所述活动信息生成社交活动的活动向量集，所述活动向量集包括多个分别与每次社交活动对应的活动向量；对所述活动向量集进行分析，确定所述活动向量的每个对应的用户行为特征与用户兴趣之间的相关度因数；根据所述相关度因数对所述活动向量集中的活动向量进行调整，生成对应的特征活动向量；根据所述特征活动向量向所述当前用户推荐陌生人社交活动。本申请实施例的基于位置属性的陌生人社交活动推荐方法，有利于陌生人社交的发展。

Description

一种基于兴趣大数据的陌生人社交活动推荐方法和系统
技术领域
本申请涉及陌生人社交技术领域，尤其涉及一种基于兴趣大数据的陌生人社交活动推荐方法和系统。
背景技术
社交是指社会上人与人的交际往来，是人们运用一定的方式（工具）传递信息、交流思想的意识，以达到某种目的的社会各项活动。随着科学技术的发展和互联网资源在生活中的应用，人与人之间的交往开始借助互联网来实现，陌生人之间也可以通过互联网进行社交，实现进一步发展自己和扩充自己的目的。例如，现有技术中已经出现了一些主打陌生人社交服务的互联网平台和服务，例如搜索附近的人进行线上对话、传送网络漂流瓶等。
现有技术中最新出现的一种陌生人社交平台是由活动组织者在该平台上发布一个在预定时间和地点举办的社交活动（例如聚餐、郊游、做游戏等），并设定参与该社交活动需要符合的条件（例如性别、年龄等）；其他用户可以在该平台上搜索自己感兴趣且自身符合条件的社交活动，平台也可以向其他用户推荐所发布的社交活动。其他用户可以基于自身意愿对搜索到或者被推荐的陌生人社交活动进行线上报名，进而作为活动参与者按时赴预定地点参与该社交活动。通过分析用户历史数据，例如用户组织、报名、点赞的社交活动等，发现用户兴趣规律，再根据用户兴趣进行推荐，是现有技术中的常用做法。但是，现有技术主要是考虑用户对社交活动本身的兴趣，例如统计和分析社交活动的类型、内容等。
但是，用户对参与社交活动的兴趣，并不只包括对社交活动本身的兴趣，也会包括对活动举办地点的兴趣，对于喜欢在参加活动前后在活动举办地点附近逛逛的人而言，在举办地点周边有很多吃饭、娱乐店铺也会增加该用户报名参加活动的兴趣。用户的兴趣还存在于对参与活动的组织者、参与者的兴趣，甚至包括对活动举办时间的兴趣（例如特定的节日或者季节）。
不过，如果仅仅是统计用户参与社交活动的历史数据当中包含的地点、人群和时间等信息，也不能完全反映出这些因素与用户兴趣到底有没有以及有多大的关联性，还是要结合用户的行为表现，来确定这些因素与用户兴趣之间的关联性的大小，进而综合这些因素与社交活动的内容、类型，实现基于用户兴趣的推荐。
可见，现有技术的基于用户兴趣的活动推荐方法，考虑因素相对片面，忽视了用户的行为表现对活动地点、人群和时间与用户兴趣的关联性的影响，影响了用户体验，使基于用户兴趣进行活动推荐的成功率未达到最优，不利于陌生人社交的发展。
发明内容
有鉴于此，本申请的目的在于提出一种基于兴趣大数据的陌生人社交活动推荐方法和系统，来解决现有技术中基于用户兴趣的活动推荐方法，考虑因素相对片面，忽视了用户的行为表现对活动地点、人群和时间与用户兴趣的关联性的影响，影响了用户体验，使基于用户兴趣进行活动推荐的成功率未达到最优，不利于陌生人社交的发展的技术问题。
基于上述目的，在本申请的一个方面，提出了一种基于兴趣大数据的陌生人社交活动推荐方法，包括：
获取预设时间段内当前用户参与的历史社交活动的活动信息以及在社交活动的有效时间范围所述当前用户的位置轨迹；
根据所述活动信息生成社交活动的活动向量集，所述活动向量集包括多个分别与每次社交活动对应的活动向量；
对所述活动向量集进行分析，确定所述活动向量的每个对应的用户行为特征与用户兴趣之间的相关度因数；
根据所述相关度因数对所述活动向量集中的活动向量进行调整，生成对应的特征活动向量；
根据所述特征活动向量向所述当前用户推荐陌生人社交活动。
在一些实施例中，所述活动信息，包括：
社交活动的类型信息、社交活动的内容信息、社交活动的活动地点信息、其他参与者和组织者的个人信息和社交活动的时间信息。
在一些实施例中，所述根据所述活动信息生成社交活动的活动向量集，包括：
根据预先设定的映射规则将社交活动的类型对应的数值作为社交活动类型维度的取值，根据预先设定的映射规则将社交活动的内容对应的数值作为社交活动内容维度的取值，将社交活动的活动地点距离预设参考点的距离作为社交活动地点维度的取值，将社交活动的活动地点周边与活动相关的场所的数量作为周边环境维度的取值，将社交活动共同参与人的平均年龄作为平均参与年龄维度的取值，根据预先设定的映射规则将社交活动共同参与人的性别比例对应的数值作为性别比例维度的取值，将社交活动共同参与人的标签特征中数量最多的标签特征的数值作为标签特征维度的取值，根据预先设定的映射规则将社交活动的活动时间为节假日的活动时间和不为节假日的活动时间的比值对应的数值作为活动时间维度的取值。
在一些实施例中，还包括：
预先为所述社交活动类型维度、所述社交活动内容维度、所述社交活动地点维度、所述周边环境维度、所述平均参与年龄维度、所述标签特征维度和所述活动时间维度分配与用户兴趣相关的初始相关度因数。
在一些实施例中，所述对所述活动向量集进行分析，确定所述活动向量的每个对应的用户行为特征与用户兴趣之间的相关度因数，包括：
对所述活动向量集进行分析，根据所述活动向量的每个对应的用户行为特征对所述社交活动类型维度、所述社交活动内容维度、所述社交活动地点维度、所述周边环境维度、所述平均参与年龄维度、所述标签特征维度和所述活动时间维度与用户兴趣相关的初始相关度因数进行调整。
在一些实施例中，所述根据所述活动向量的每个对应的用户行为特征对所述社交活动类型维度、所述社交活动内容维度、所述社交活动地点维度、所述周边环境维度、所述平均参与年龄维度、所述标签特征维度和所述活动时间维度与用户兴趣相关的初始相关度因数进行调整，包括：
对于所述社交活动类型维度和所述社交活动内容维度，根据所述历史社交活动的活动类型和活动内容的集中程度对用户兴趣与活动类型和活动内容的相关度因数进行调整；
对于所述社交活动地点维度和周边环境维度，根据所述当前用户在社交活动的有效时间范围内的位置轨迹确定所述当前用户在社交活动地点的预设范围内的平均停留时间，根据所述平均停留时间对用户兴趣与活动地点和周边环境的相关度因数进行调整；
对于所述平均参与年龄维度、所述性别比例维度和所述标签特征维度，根据社交活动共同参与人的性别、年龄、职业和爱好量化为多维向量，根据所述多维向量之间的距离对用户兴趣与平均参与年龄、性别比例和标签特征的相关度因数进行调整；
对于所述活动时间维度，根据所述历史社交活动的活动时间的集中程度对用户兴趣与活动时间的相关度因数进行调整。
在一些实施例中，所述根据所述特征活动向量向所述当前用户推荐陌生人社交活动，包括：
对于每个待推荐陌生人社交活动，建立所述待推荐陌生人社交活动与用户兴趣相关的待推荐特征活动向量，计算所述待推荐特征活动向量与所述特征活动向量的距离的平均值，根据所述平均值的大小向所述当前用户推荐对应的待推荐陌生人社交活动。
基于上述目的，在本申请的另一个方面，还提出了一种基于兴趣大数据的陌生人社交活动推荐系统，包括：
信息获取模块，用于获取预设时间段内当前用户参与的历史社交活动的活动信息以及在社交活动的有效时间范围所述当前用户的位置轨迹；
活动向量集生成模块，用于根据所述活动信息生成社交活动的活动向量集，所述活动向量集包括多个分别与每次社交活动对应的活动向量；
相关度因数确定模块，用于对所述活动向量集进行分析，确定所述活动向量的每个对应的用户行为特征与用户兴趣之间的相关度因数；
特征活动向量生成模块，用于根据所述相关度因数对所述活动向量集中的活动向量进行调整，生成对应的特征活动向量；
陌生人社交活动推荐模块，用于根据所述特征活动向量向所述当前用户推荐陌生人社交活动。
在一些实施例中，所述活动向量集生成模块，具体用于：
根据预先设定的映射规则将社交活动的类型对应的数值作为社交活动类型维度的取值，根据预先设定的映射规则将社交活动的内容对应的数值作为社交活动内容维度的取值，将社交活动的活动地点距离预设参考点的距离作为社交活动地点维度的取值，将社交活动的活动地点周边与活动相关的场所的数量作为周边环境维度的取值，将社交活动共同参与人的平均年龄作为平均参与年龄维度的取值，根据预先设定的映射规则将社交活动共同参与人的性别比例对应的数值作为性别比例维度的取值，将社交活动共同参与人的标签特征中数量最多的标签特征的数值作为标签特征维度的取值，根据预先设定的映射规则将社交活动的活动时间为节假日的活动时间和不为节假日的活动时间的比值对应的数值作为活动时间维度的取值。
在一些实施例中，所述相关度因数确定模块，具体用于：
对所述活动向量集进行分析，根据所述活动向量的每个对应的用户行为特征对所述社交活动类型维度、所述社交活动内容维度、所述社交活动地点维度、所述周边环境维度、所述平均参与年龄维度、所述标签特征维度和所述活动时间维度与用户兴趣相关的初始相关度因数进行调整。
本申请实施例提供的基于兴趣大数据的陌生人社交活动推荐方法和系统，其中方法包括：取预设时间段内当前用户参与的历史社交活动的活动信息以及在社交活动的有效时间范围所述当前用户的位置轨迹；根据所述活动信息生成社交活动的活动向量集，所述活动向量集包括多个分别与每次社交活动对应的活动向量；对所述活动向量集进行分析，确定所述活动向量的每个对应的用户行为特征与用户兴趣之间的相关度因数；根据所述相关度因数对所述活动向量集中的活动向量进行调整，生成对应的特征活动向量；根据所述特征活动向量向所述当前用户推荐陌生人社交活动。本申请实施例的兴趣大数据的陌生人社交活动推荐方法和系统，根据用户的行为表现对活动地点、人群和时间与用户兴趣的关联性的影响为用户推荐陌生人社交活动，使基于用户兴趣进行活动推荐的成功率最优化，有利于陌生人社交的发展。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请实施例一的基于兴趣大数据的陌生人社交活动推荐方法的流程图；
图2是本申请实施例二的基于兴趣大数据的陌生人社交活动推荐系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供了一种兴趣大数据的陌生人社交活动推荐方法与系统，本发明的思路是提取用户以往报名参与过的社交活动的类型、活动内容和活动地点信息，以及共同参与每个社交活动的其他参与者和组织者的个人信息（例如性别、年龄、爱好标签或者个性标签等），每个社交活动的时间信息（举办的季节、周几，是否是节假日等）。根据这些信息，生成每次社交活动的多维度的特征向量，并根据用户的历史行为特征对上述多维度的特征向量的各维度的取值进行调整，生成最终的活动特征向量，并根据该活动特征向量为用户推荐陌生人社交活动。
具体地，如图1所示，是本申请实施例一的基于兴趣大数据的陌生人社交活动推荐方法的流程图。从图1中可以看出，本实施例的基于兴趣大数据的陌生人社交活动推荐方法，可以包括以下步骤：
S101：获取预设时间段内当前用户参与的历史社交活动的活动信息以及在社交活动的有效时间范围所述当前用户的位置轨迹。
本申请实施例的方法是用于向用户推送陌生人社交活动。具体地，可以通过智能终端向用户推送陌生人社交活动，本实施例及后续实施例中提及的智能终端可以是智能手机、平板电脑以及便携式电脑等。智能终端中可以安装有APP（应用程序），用户可以在该APP中注册账号，以实现陌生人之间的社交。
当需要向当前用户推荐陌生人社交活动时，首先需获取所述当前用户在预设时间段内参与的历史社交活动的活动信息和所述当前用户在社交活动的有效时间范围内的位置轨迹。在本实施例中，所述活动信息可以包括每次历史社交活动的活动类型、活动内容、活动地点及周边环境、活动时间，以及社交活动共同参与人的平均年龄、性别比例和标签特征等信息。活动类型可以是室内活动、室外活动和郊区活动，活动内容可以是聚餐、唱歌、跑步、爬山等，活动地点为举办社交活动的地点，周边环境则主要是指举办社交活动的地点的周围的购物、娱乐场所等的多少，标签特征是指社交活动的共同参与者的标签特征，例如在该用户的APP账号中的“体育”，“文艺”、“美食”等标签。此外，还需要获取所述当前用户在参加每次社交活动时，在社交活动的有效时间范围所述当前用户的位置轨迹。所述位置轨迹可以是所述当前用户在活动举办时间前1小时到活动结束时间后1.5小时内的位置轨迹，具体地，可以通过用户随身携带的移动终端来时时获取所述当前用户的位置，并根据获取到的位置生成位置轨迹。
S102：根据所述活动信息生成社交活动的活动向量集，所述活动向量集包括多个分别与每次社交活动对应的活动向量。
本实施例中的活动向量，可以是一个八维向量，该八维向量可以包括社交活动类型维度、社交活动内容维度、社交活动地点维度、周边环境维度、平均参与年龄维度、性别比例维度、标签特征维度和活动时间维度。在获取到当前用户参与的历史社交活动的活动信息后，可以根据所述活动信息确定与每次社交活动对应的活动向量的各维度的取值。
具体地，可以根据预先设定的映射规则将社交活动的类型对应的数值作为社交活动类型维度的取值。例如，室内活动对应的取值为100，室外活动对应的取值为50，郊区活动对应的取值为10，对于一次社交活动，若该活动的类型为室内活动，则该活动在活动类型维度上的取值为100。根据预先设定的映射规则将社交活动的内容对应的数值作为社交活动内容维度的取值。预先设定的映射规则例如可以是活动类型为聚餐、唱歌的社交活动对应的活动类型维度的取值为100，活动类型为跑步的社交活动对应的活动类型维度的取值为50，活动类型为爬山的社交活动对应的活动类型维度的取值为10。对于社交活动地点维度，则可以将社交活动的活动地点距离预设参考点的距离作为社交活动地点维度的取值，例如北京市可以将清华大学，天安门广场、央视新大楼等市区繁华地段的标志性地点作为预设参考点，然后根据举办位置与最近的预设参考点之间的距离的取值，作为举办位置本身的区域维度，例如，在故宫博物院举办的活动，其距离最近的预设参考点为天安门广场，二者的距离取值为2KM，可见该距离实际上表示了活动举办位置所在区域是闹市区、城乡结合区和郊区的属性。将社交活动的活动地点周边与活动相关的场所的数量作为周边环境维度的取值，即将社交活动的活动地点的周边的购物场所、饮食场所或者娱乐场等的总数量作为活动地点的周边环境维度的取值。将社交活动共同参与人的平均年龄作为平均参与年龄维度的取值。根据预先设定的映射规则将社交活动共同参与人的性别比例对应的数值作为性别比例维度的取值，例如，社交活动共同参与人的男女性别比例低于40%，则性别比例维度的取值为100，社交活动共同参与人的男女性别比例高于70%，则性别比例维度的取值为10，社交活动共同参与人的男女性别比例介于40%和70%之间，则性别比例维度的取值为50。将社交活动共同参与人的标签特征中数量最多的标签特征的数值作为标签特征维度的取值，每个社交活动参与人的APP账户中都会存在对应的标签特征，例如“体育”、“美食”、“音乐”等，对于所有的社交活动共同参与人，统计各类标签特征的数量，将数量最多的标签特征最为该次社交活动的标签特征维度的取值，同时，不同的标签特征对应有不同的数值，例如，对于“体育”类标签，其对应的数值可以为50，对于“美食”类标签，其对应的数值可以为100，而对于“音乐”类标签，其对应的数值可以为10。根据预先设定的映射规则将社交活动的活动时间为节假日的活动时间和不为节假日的活动时间的比值对应的数值作为活动时间维度的取值，该节假日包括法定假日和周末。对于活动时间为节假日的活动时间和不为节假日的活动时间的比值低于50%，则相应的活动时间维度的取值为10，对于活动时间为节假日的活动时间和不为节假日的活动时间的比值高于50%，则相应的活动时间维度的取值为100。
根据上述方法生成的活动向量集可以记为Vi=（Ai，Bi，Ci，Di，Ei，Fi，Gi，Hi）。其中，i表示所述当前用户参与的历史活动的次数。假设，预设时间段是一个月，所述当前用户在一个月内参与的历史活动的次数为20次，则i的取值范围是1至20，则每次历史活动的活动向量记为Vi=（Ai，Bi，Ci，Di，Ei，Fi，Gi，Hi），（i=1，2，3，……，20）。
S103：对所述活动向量集进行分析，确定所述活动向量的每个对应的用户行为特征与用户兴趣之间的相关度因数。
在生成社交活动的活动向量集后，确定所述活动向量集中的每个活动向量对应的用户行为特征与用户兴趣之间的相关度因数。由于在向用户推荐陌生人社交活动时，仅根据活动信息难以确定用户的参与活动的兴趣，不利于社交活动推荐成功，还应当考虑用户每次参与社交活动的行为特征与活动信息之间的关联度关系，从中确定对用户参与社交活动影响较大的因素，以提高向用户推荐社交活动的成功率。因此，可以预先为所述社交活动类型维度、所述社交活动内容维度、所述社交活动地点维度、所述周边环境维度、所述平均参与年龄维度、所述标签特征维度和所述活动时间维度分配与用户兴趣相关的初始相关度因数。各维度的初始相关度因数可以为12.5%，即在初始状态下，默认各维度对用户兴趣的影响程度相同。
然后，可以对所述活动向量集进行分析，根据所述活动向量的每个对应的用户行为特征对所述社交活动类型维度、所述社交活动内容维度、所述社交活动地点维度、所述周边环境维度、所述平均参与年龄维度、所述标签特征维度和所述活动时间维度与用户兴趣相关的初始相关度因数进行调整。
其中，对于所述社交活动类型维度和所述社交活动内容维度，可以根据所述历史社交活动的活动类型和活动内容的集中程度对用户兴趣与活动类型和活动内容的相关度因数进行调整。若所述当前用户参与的历史社交活动的活动类型和活动内容较为集中，则相应地增大社交活动类型维度和所述社交活动内容维度与用户兴趣相关的初始相关度因数。例如，所述当前用户参与室内活动的次数较多，或者参与的聚餐类的活动较多（以20次社交活动为例，相应的活动次数多与12次，即60%），则相应地增大社交活动类型维度和所述社交活动内容维度与用户兴趣相关的初始相关度因数。初始相关度因数的增大比例可以根据相应的活动次数占全部活动次数的比例确定。
对于所述社交活动地点维度和周边环境维度，根据所述当前用户在社交活动的有效时间范围内的位置轨迹确定所述当前用户在社交活动地点的预设范围内的平均停留时间，根据所述平均停留时间对用户兴趣与活动地点和周边环境的相关度因数进行调整。对于所述当前用户在社交活动的有效时间范围内的位置轨迹，若所述当前用户在室内，则可以通过所述当前用户的移动终端接收到的室内的各wifi的账户名称和对应的信号强度生成与所述当前用户在室内的位置相关的wifi指纹，根据所述wifi指纹确定所述当前用户在室内的位置。若所述当前不用户在室外，则可以通过所述当前用户的移动终端自身的GPS定位功能确定所述当前用户在室外的位置。所述当前用户在社交活动地点的预设范围内的平均停留时间体现了用户对社交活动地点的周围环境的兴趣，通常情况下，社交活动的有效时间为活动开始前1小时到活动结束后1.5小时内，若所述当前用户在该时间范围内在社交活动地点的预设范围内（例如1千米内）停留的时间较长，例如80%的时间都是停留在预设范围内，则说明社交活动地点维度和周边环境维度对用户参与该类型社交活动的兴趣的影响较大，因此，可以相应地增大社交活动地点维度和周边环境维度与用户兴趣相关的初始相关度因数。
对于所述平均参与年龄维度、所述性别比例维度和所述标签特征维度，根据社交活动共同参与人的性别、年龄、职业和爱好量化为多维向量，根据所述多维向量之间的距离对用户兴趣与平均参与年龄、性别比例和标签特征的相关度因数进行调整。具体地，对于每一次社交活动，根据该次社交活动的共同参与人的性别、年龄、职业和爱好生成多个四维的特征向量，其中，对于性别维度，女性的取值为100，男性的取值为10，对于年龄维度，将参与人的实际年龄作为该维度的取值，对于职业维度，不同的职业可以预先设定对应的取值，例如，对于学生，对应的取值为100，对于普通职工，对应的取值为50等，对于爱好维度，若爱好为体育，则对应的数值为50，若爱好为美食类，则对应的数值为100，若爱好为音乐，则其对应的数值可以为10。在生成多个四维特征向量后，计算多个四维特征向量之间的平均距离。若该平均距离小于预设阈值，则说明所述当前用户更喜欢和该固定类型的人群来共同参与社交活动，即社交活动的共同参与者对用户参与该类型社交活动的兴趣的影响较大，反之，则说明社交活动的共同参与者对用户参与该类型社交活动的兴趣的影响较小，因此，可以根据多维向量之间的距离对用户兴趣与平均参与年龄、性别比例和标签特征的相关度因数进行调整。
对于所述活动时间维度，根据所述历史社交活动的活动时间的集中程度对用户兴趣与活动时间的相关度因数进行调整。若社交活动的活动时间分布在节假日或非节假日，则说明所述当前用户更喜欢在节假日或非节假日参加社交活动，即用户参与社交活动的活动时间较为集中，活动时间对用户参与该类型社交活动的兴趣的影响较大，若社交活动的活动时间分布比较分散，例如活动时间为节假日和活动时间为非节假日的社交获得次数的比例接近1:1，即用户参与社交活动的活动时间较为分散，则说明社交活动的活动时间对用户参与社交活动的兴趣的影响较小。因此，可以根据所述历史社交活动的活动时间的集中程度对用户兴趣与活动时间的相关度因数进行调整。
S104：根据所述相关度因数对所述活动向量集中的活动向量进行调整，生成对应的特征活动向量。
在确定所述活动向量的每个对应的用户行为特征与用户兴趣之间的相关度因数后，可以根据确定后的相关度因数对对所述活动向量集中的活动向量进行调整，生成对应的特征活动向量。具体地，假设初始相关度因数为a，相应的活动向量集为Vi1=（aAi，aBi，aCi，aDi，aEi，aFi，aGi，aHi），其中i=1，2，3，……，20，i为社交活动的次数。确定后的相关度因数分别为a1，a2，a3，a4，a5，a6，a7，a8，相应的特征活动向量集为Vi2=（a1Ai，a2Bi，a3Ci，a4Di，a5Ei，a6Fi，a7Gi，a8Hi），其中i=1，2，3，……，20，i为社交活动的次数。
S105：根据所述特征活动向量向所述当前用户推荐陌生人社交活动。
在生成对应的特征活动向量后，可以根据所述特征活动向量向所述当前用户推荐陌生人社交活动。具体地，对于每个待推荐陌生人社交活动，可以按照上述步骤中生成特征活动向量的方法生成所述待推荐陌生人社交活动与用户兴趣相关的待推荐特征活动向量，并计算所述待推荐特征活动向量与所述特征活动向量的距离的平均值，根据所述平均值的大小按照平均值由小到大的顺序对相应的待推荐陌生人社交活动进行排序，并根据排序结果向所述当前用户推荐对应的待推荐陌生人社交活动，或者从选取排名在前几位（例如前10位）的社交活动推荐给所述当前用户。
本申请实施例的兴趣大数据的陌生人社交活动推荐方法，根据用户的行为表现对活动地点、人群和时间与用户兴趣的关联性的影响为用户推荐陌生人社交活动，使基于用户兴趣进行活动推荐的成功率最优化，有利于陌生人社交的发展。
如图2所示，是本申请实施例二的基于兴趣大数据的陌生人社交活动推荐系统的结构示意图。本实施例的基于兴趣大数据的陌生人社交活动推荐系统，可以包括：
信息获取模块201，用于获取预设时间段内当前用户参与的历史社交活动的活动信息以及在社交活动的有效时间范围所述当前用户的位置轨迹。
当需要向当前用户推荐陌生人社交活动时，首先需获取所述当前用户在预设时间段内参与的历史社交活动的活动信息和所述当前用户在社交活动的有效时间范围内的位置轨迹。在本实施例中，所述活动信息可以包括每次历史社交活动的活动类型、活动内容、活动地点及周边环境、活动时间，以及社交活动共同参与人的平均年龄、性别比例和标签特征等信息。活动类型可以是室内活动、室外活动和郊区活动，活动内容可以是聚餐、唱歌、跑步、爬山等，活动地点为举办社交活动的地点，周边环境则主要是指举办社交活动的地点的周围的购物、娱乐场所等的多少，标签特征是指社交活动的共同参与者的标签特征，例如在该用户的APP账号中的“体育”，“文艺”、“美食”等标签。此外，还需要获取所述当前用户在参加每次社交活动时，在社交活动的有效时间范围所述当前用户的位置轨迹。所述位置轨迹可以是所述当前用户在活动举办时间前1小时到活动结束时间后1.5小时内的位置轨迹，具体地，可以通过用户随身携带的移动终端来时时获取所述当前用户的位置，并根据获取到的位置生成位置轨迹。
活动向量集生成模块202，用于根据所述活动信息生成社交活动的活动向量集，所述活动向量集包括多个分别与每次社交活动对应的活动向量。
具体地，可以根据预先设定的映射规则将社交活动的类型对应的数值作为社交活动类型维度的取值。例如，室内活动对应的取值为100，室外活动对应的取值为50，郊区活动对应的取值为10，对于一次社交活动，若该活动的类型为室内活动，则该活动在活动类型维度上的取值为100。根据预先设定的映射规则将社交活动的内容对应的数值作为社交活动内容维度的取值。预先设定的映射规则例如可以是活动类型为聚餐、唱歌的社交活动对应的活动类型维度的取值为100，活动类型为跑步的社交活动对应的活动类型维度的取值为50，活动类型为爬山的社交活动对应的活动类型维度的取值为10。对于社交活动地点维度，则可以将社交活动的活动地点距离预设参考点的距离作为社交活动地点维度的取值，例如北京市可以将清华大学，天安门广场、央视新大楼等市区繁华地段的标志性地点作为预设参考点，然后根据举办位置与最近的预设参考点之间的距离的取值，作为举办位置本身的区域维度，例如，在故宫博物院举办的活动，其距离最近的预设参考点为天安门广场，二者的距离取值为2KM，可见该距离实际上表示了活动举办位置所在区域是闹市区、城乡结合区和郊区的属性。将社交活动的活动地点周边与活动相关的场所的数量作为周边环境维度的取值，即将社交活动的活动地点的周边的购物场所、饮食场所或者娱乐场等的总数量作为活动地点的周边环境维度的取值。将社交活动共同参与人的平均年龄作为平均参与年龄维度的取值。根据预先设定的映射规则将社交活动共同参与人的性别比例对应的数值作为性别比例维度的取值，例如，社交活动共同参与人的男女性别比例低于40%，则性别比例维度的取值为100，社交活动共同参与人的男女性别比例高于70%，则性别比例维度的取值为10，社交活动共同参与人的男女性别比例介于40%和70%之间，则性别比例维度的取值为50。将社交活动共同参与人的标签特征中数量最多的标签特征的数值作为标签特征维度的取值，每个社交活动参与人的APP账户中都会存在对应的标签特征，例如“体育”、“美食”、“音乐”等，对于所有的社交活动共同参与人，统计各类标签特征的数量，将数量最多的标签特征最为该次社交活动的标签特征维度的取值，同时，不同的标签特征对应有不同的数值，例如，对于“体育”类标签，其对应的数值可以为50，对于“美食”类标签，其对应的数值可以为100，而对于“音乐”类标签，其对应的数值可以为10。根据预先设定的映射规则将社交活动的活动时间为节假日的活动时间和不为节假日的活动时间的比值对应的数值作为活动时间维度的取值，该节假日包括法定假日和周末。对于活动时间为节假日的活动时间和不为节假日的活动时间的比值低于50%，则相应的活动时间维度的取值为10，对于活动时间为节假日的活动时间和不为节假日的活动时间的比值高于50%，则相应的活动时间维度的取值为100。
根据上述方法生成的活动向量集可以记为Vi=（Ai，Bi，Ci，Di，Ei，Fi，Gi，Hi）。其中，i表示所述当前用户参与的历史活动的次数。假设，预设时间段是一个月，所述当前用户在一个月内参与的历史活动的次数为20次，则i的取值范围是1至20，则每次历史活动的活动向量记为Vi=（Ai，Bi，Ci，Di，Ei，Fi，Gi，Hi），（i=1，2，3，……，20）。
相关度因数确定模块203，用于对所述活动向量集进行分析，确定所述活动向量的每个对应的用户行为特征与用户兴趣之间的相关度因数。
具体地，预先为所述社交活动类型维度、所述社交活动内容维度、所述社交活动地点维度、所述周边环境维度、所述平均参与年龄维度、所述标签特征维度和所述活动时间维度分配与用户兴趣相关的初始相关度因数。各维度的初始相关度因数可以为12.5%，即在初始状态下，默认各维度对用户兴趣的影响程度相同。
然后，可以对所述活动向量集进行分析，根据所述活动向量的每个对应的用户行为特征对所述社交活动类型维度、所述社交活动内容维度、所述社交活动地点维度、所述周边环境维度、所述平均参与年龄维度、所述标签特征维度和所述活动时间维度与用户兴趣相关的初始相关度因数进行调整。
其中，对于所述社交活动类型维度和所述社交活动内容维度，可以根据所述历史社交活动的活动类型和活动内容的集中程度对用户兴趣与活动类型和活动内容的相关度因数进行调整。若所述当前用户参与的历史社交活动的活动类型和活动内容较为集中，则相应地增大社交活动类型维度和所述社交活动内容维度与用户兴趣相关的初始相关度因数。例如，所述当前用户参与室内活动的次数较多，或者参与的聚餐类的活动较多（以20次社交活动为例，相应的活动次数多与12次，即60%），则相应地增大社交活动类型维度和所述社交活动内容维度与用户兴趣相关的初始相关度因数。初始相关度因数的增大比例可以根据相应的活动次数占全部活动次数的比例确定。
对于所述社交活动地点维度和周边环境维度，根据所述当前用户在社交活动的有效时间范围内的位置轨迹确定所述当前用户在社交活动地点的预设范围内的平均停留时间，根据所述平均停留时间对用户兴趣与活动地点和周边环境的相关度因数进行调整。对于所述当前用户在社交活动的有效时间范围内的位置轨迹，若所述当前用户在室内，则可以通过所述当前用户的移动终端接收到的室内的各wifi的账户名称和对应的信号强度生成与所述当前用户在室内的位置相关的wifi指纹，根据所述wifi指纹确定所述当前用户在室内的位置。若所述当前不用户在室外，则可以通过所述当前用户的移动终端自身的GPS定位功能确定所述当前用户在室外的位置。所述当前用户在社交活动地点的预设范围内的平均停留时间体现了用户对社交活动地点的周围环境的兴趣，通常情况下，社交活动的有效时间为活动开始前1小时到活动结束后1.5小时内，若所述当前用户在该时间范围内在社交活动地点的预设范围内（例如1千米内）停留的时间较长，例如80%的时间都是停留在预设范围内，则说明社交活动地点维度和周边环境维度对用户参与该类型社交活动的兴趣的影响较大，因此，可以相应地增大社交活动地点维度和周边环境维度与用户兴趣相关的初始相关度因数。
对于所述平均参与年龄维度、所述性别比例维度和所述标签特征维度，根据社交活动共同参与人的性别、年龄、职业和爱好量化为多维向量，根据所述多维向量之间的距离对用户兴趣与平均参与年龄、性别比例和标签特征的相关度因数进行调整。具体地，对于每一次社交活动，根据该次社交活动的共同参与人的性别、年龄、职业和爱好生成多个四维的特征向量，其中，对于性别维度，女性的取值为100，男性的取值为10，对于年龄维度，将参与人的实际年龄作为该维度的取值，对于职业维度，不同的职业可以预先设定对应的取值，例如，对于学生，对应的取值为100，对于普通职工，对应的取值为50等，对于爱好维度，若爱好为体育，则对应的数值为50，若爱好为美食类，则对应的数值为100，若爱好为音乐，则其对应的数值可以为10。在生成多个四维特征向量后，计算多个四维特征向量之间的平均距离。若该平均距离小于预设阈值，则说明所述当前用户更喜欢和该固定类型的人群来共同参与社交活动，即社交活动的共同参与者对用户参与该类型社交活动的兴趣的影响较大，反之，则说明社交活动的共同参与者对用户参与该类型社交活动的兴趣的影响较小，因此，可以根据多维向量之间的距离对用户兴趣与平均参与年龄、性别比例和标签特征的相关度因数进行调整。
对于所述活动时间维度，根据所述历史社交活动的活动时间的集中程度对用户兴趣与活动时间的相关度因数进行调整。若社交活动的活动时间分布在节假日或非节假日，则说明所述当前用户更喜欢在节假日或非节假日参加社交活动，即用户参与社交活动的活动时间较为集中，活动时间对用户参与该类型社交活动的兴趣的影响较大，若社交活动的活动时间分布比较分散，例如活动时间为节假日和活动时间为非节假日的社交获得次数的比例接近1:1，即用户参与社交活动的活动时间较为分散，则说明社交活动的活动时间对用户参与社交活动的兴趣的影响较小。因此，可以根据所述历史社交活动的活动时间的集中程度对用户兴趣与活动时间的相关度因数进行调整。
特征活动向量生成模块204，用于根据所述相关度因数对所述活动向量集中的活动向量进行调整，生成对应的特征活动向量。
具体地，在确定所述活动向量的每个对应的用户行为特征与用户兴趣之间的相关度因数后，可以根据确定后的相关度因数对对所述活动向量集中的活动向量进行调整，生成对应的特征活动向量。具体地，假设初始相关度因数为a，相应的活动向量集为Vi1=（aAi，aBi，aCi，aDi，aEi，aFi，aGi，aHi），其中i=1，2，3，……，20，i为社交活动的次数。确定后的相关度因数分别为a1，a2，a3，a4，a5，a6，a7，a8，相应的特征活动向量集为Vi2=（a1Ai，a2Bi，a3Ci，a4Di，a5Ei，a6Fi，a7Gi，a8Hi），其中i=1，2，3，……，20，i为社交活动的次数。
陌生人社交活动推荐模块205，用于根据所述特征活动向量向所述当前用户推荐陌生人社交活动。
在生成对应的特征活动向量后，可以根据所述特征活动向量向所述当前用户推荐陌生人社交活动。具体地，对于每个待推荐陌生人社交活动，可以按照上述步骤中生成特征活动向量的方法生成所述待推荐陌生人社交活动与用户兴趣相关的待推荐特征活动向量，并计算所述待推荐特征活动向量与所述特征活动向量的距离的平均值，根据所述平均值的大小按照平均值由小到大的顺序对相应的待推荐陌生人社交活动进行排序，并根据排序结果向所述当前用户推荐对应的待推荐陌生人社交活动，或者从选取排名在前几位（例如前10位）的社交活动推荐给所述当前用户。
本申请实施例的兴趣大数据的陌生人社交活动推荐系统，根据用户的行为表现对活动地点、人群和时间与用户兴趣的关联性的影响为用户推荐陌生人社交活动，使基于用户兴趣进行活动推荐的成功率最优化，有利于陌生人社交的发展。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种基于兴趣大数据的陌生人社交活动推荐方法，其特征在于，包括：
获取预设时间段内当前用户参与的历史社交活动的活动信息以及在社交活动的有效时间范围所述当前用户的位置轨迹；
根据所述活动信息生成社交活动的活动向量集，所述活动向量集包括多个分别与每次社交活动对应的活动向量；
对所述活动向量集进行分析，确定所述活动向量的每个对应的用户行为特征与用户兴趣之间的相关度因数；
根据所述相关度因数对所述活动向量集中的活动向量进行调整，生成对应的特征活动向量；
根据所述特征活动向量向所述当前用户推荐陌生人社交活动；
所述活动信息，包括：社交活动的类型信息、社交活动的内容信息、社交活动的活动地点信息、其他参与者和组织者的个人信息和社交活动的时间信息；
所述根据所述活动信息生成社交活动的活动向量集，包括：
根据预先设定的映射规则将社交活动的类型对应的数值作为社交活动类型维度的取值，根据预先设定的映射规则将社交活动的内容对应的数值作为社交活动内容维度的取值，将社交活动的活动地点距离预设参考点的距离作为社交活动地点维度的取值，将社交活动的活动地点周边与活动相关的场所的数量作为周边环境维度的取值，将社交活动共同参与人的平均年龄作为平均参与年龄维度的取值，根据预先设定的映射规则将社交活动共同参与人的性别比例对应的数值作为性别比例维度的取值，将社交活动共同参与人的标签特征中数量最多的标签特征的数值作为标签特征维度的取值，根据预先设定的映射规则将社交活动的活动时间为节假日的活动时间和不为节假日的活动时间的比值对应的数值作为活动时间维度的取值。
2.根据权利要求1所述的方法，其特征在于，还包括：预先为所述社交活动类型维度、所述社交活动内容维度、所述社交活动地点维度、所述周边环境维度、所述平均参与年龄维度、所述标签特征维度和所述活动时间维度分配与用户兴趣相关的初始相关度因数。
3.根据权利要求2所述的方法，其特征在于，所述对所述活动向量集进行分析，确定所述活动向量的每个对应的用户行为特征与用户兴趣之间的相关度因数，包括：
对所述活动向量集进行分析，根据所述活动向量的每个对应的用户行为特征对所述社交活动类型维度、所述社交活动内容维度、所述社交活动地点维度、所述周边环境维度、所述平均参与年龄维度、所述标签特征维度和所述活动时间维度与用户兴趣相关的初始相关度因数进行调整。
4.根据权利要求3所述的方法，其特征在于，所述根据所述活动向量的每个对应的用户行为特征对所述社交活动类型维度、所述社交活动内容维度、所述社交活动地点维度、所述周边环境维度、所述平均参与年龄维度、所述标签特征维度和所述活动时间维度与用户兴趣相关的初始相关度因数进行调整，包括：
对于所述社交活动类型维度和所述社交活动内容维度，根据所述历史社交活动的活动类型和活动内容的集中程度对用户兴趣与活动类型和活动内容的相关度因数进行调整；
对于所述社交活动地点维度和周边环境维度，根据所述当前用户在社交活动的有效时间范围内的位置轨迹确定所述当前用户在社交活动地点的预设范围内的平均停留时间，根据所述平均停留时间对用户兴趣与活动地点和周边环境的相关度因数进行调整；
对于所述平均参与年龄维度、所述性别比例维度和所述标签特征维度，根据社交活动共同参与人的性别、年龄、职业和爱好量化为多维向量，根据所述多维向量之间的距离对用户兴趣与平均参与年龄、性别比例和标签特征的相关度因数进行调整；
对于所述活动时间维度，根据所述历史社交活动的活动时间的集中程度对用户兴趣与活动时间的相关度因数进行调整。
5.根据权利要求4所述的方法，其特征在于，所述根据所述特征活动向量向所述当前用户推荐陌生人社交活动，包括：对于每个待推荐陌生人社交活动，建立所述待推荐陌生人社交活动与用户兴趣相关的待推荐特征活动向量，计算所述待推荐特征活动向量与所述特征活动向量的距离的平均值，根据所述平均值的大小向所述当前用户推荐对应的待推荐陌生人社交活动。
6.一种基于兴趣大数据的陌生人社交活动推荐系统，其特征在于，包括：
信息获取模块，用于获取预设时间段内当前用户参与的历史社交活动的活动信息以及在社交活动的有效时间范围所述当前用户的位置轨迹；
活动向量集生成模块，用于根据所述活动信息生成社交活动的活动向量集，所述活动向量集包括多个分别与每次社交活动对应的活动向量；
相关度因数确定模块，用于对所述活动向量集进行分析，确定所述活动向量的每个对应的用户行为特征与用户兴趣之间的相关度因数；
特征活动向量生成模块，用于根据所述相关度因数对所述活动向量集中的活动向量进行调整，生成对应的特征活动向量；
陌生人社交活动推荐模块，用于根据所述特征活动向量向所述当前用户推荐陌生人社交活动；
所述活动向量集生成模块，具体用于：根据预先设定的映射规则将社交活动的类型对应的数值作为社交活动类型维度的取值，根据预先设定的映射规则将社交活动的内容对应的数值作为社交活动内容维度的取值，将社交活动的活动地点距离预设参考点的距离作为社交活动地点维度的取值，将社交活动的活动地点周边与活动相关的场所的数量作为周边环境维度的取值，将社交活动共同参与人的平均年龄作为平均参与年龄维度的取值，根据预先设定的映射规则将社交活动共同参与人的性别比例对应的数值作为性别比例维度的取值，将社交活动共同参与人的标签特征中数量最多的标签特征的数值作为标签特征维度的取值，根据预先设定的映射规则将社交活动的活动时间为节假日的活动时间和不为节假日的活动时间的比值对应的数值作为活动时间维度的取值。
7.根据权利要求6所述的系统，其特征在于，所述相关度因数确定模块，具体用于：对所述活动向量集进行分析，根据所述活动向量的每个对应的用户行为特征对所述社交活动类型维度、所述社交活动内容维度、所述社交活动地点维度、所述周边环境维度、所述平均参与年龄维度、所述标签特征维度和所述活动时间维度与用户兴趣相关的初始相关度因数进行调整。
CN201811492181.9A 2018-12-07 2018-12-07 一种基于兴趣大数据的陌生人社交活动推荐方法和系统 Active CN109670107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811492181.9A CN109670107B (zh) 2018-12-07 2018-12-07 一种基于兴趣大数据的陌生人社交活动推荐方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811492181.9A CN109670107B (zh) 2018-12-07 2018-12-07 一种基于兴趣大数据的陌生人社交活动推荐方法和系统

Publications (2)

Publication Number Publication Date
CN109670107A CN109670107A (zh) 2019-04-23
CN109670107B true CN109670107B (zh) 2020-10-16

Family

ID=66144705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811492181.9A Active CN109670107B (zh) 2018-12-07 2018-12-07 一种基于兴趣大数据的陌生人社交活动推荐方法和系统

Country Status (1)

Country Link
CN (1) CN109670107B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737846B (zh) * 2019-10-28 2022-05-31 北京字节跳动网络技术有限公司 一种社交界面推荐方法、装置、电子设备及存储介质
CN112232715A (zh) * 2020-11-19 2021-01-15 湖南红网新媒体集团有限公司 一种志愿服务线上管理方法、系统和装置
CN113434633B (zh) * 2021-06-28 2022-09-16 平安科技（深圳）有限公司 基于头像的社交话题推荐方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108241619A (zh) * 2016-12-23 2018-07-03 西北大学 一种基于用户多兴趣的推荐方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254028A (zh) * 2011-07-22 2011-11-23 青岛理工大学 一种集成属性和结构相似性的个性化商品推荐方法和系统
US20140025490A1 (en) * 2012-07-17 2014-01-23 Bharathi Shekar Automated recommendations based on historic location-preference information
CN106776959B (zh) * 2016-12-05 2019-12-17 东北大学 一种基于线上线下双重社交关系的活动推荐系统及方法
CN107273472B (zh) * 2017-06-07 2020-09-11 广东工业大学 一种资源受限约束下的活动推荐方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108241619A (zh) * 2016-12-23 2018-07-03 西北大学 一种基于用户多兴趣的推荐方法

Also Published As

Publication number Publication date
CN109670107A (zh) 2019-04-23

Similar Documents

Publication Publication Date Title
JP6784308B2 (ja) 施設特性を更新するプログラム、施設をプロファイリングするプログラム、コンピュータ・システム、及び施設特性を更新する方法
US8781498B2 (en) Enabling social interactive wireless communications
US10275530B2 (en) System and method for communal search
US11272020B2 (en) Social network for mapping gradations to target intent
US10762538B2 (en) Knowledge model for personalization and location services
US20180368130A1 (en) System and process for location-based information retrieval
CN106339483B (zh) 一种移动社交网络中的社交活动推荐方法
US8892130B2 (en) System for enabling interactive socialization of users at a location or geographic radius thereof
US20080140650A1 (en) Dynamic geosocial networking
CN109670107B (zh) 一种基于兴趣大数据的陌生人社交活动推荐方法和系统
WO2016042357A1 (en) Predicting human movement behaviors using location services model
US9208444B1 (en) Determining happiness indices
US9262481B1 (en) Determining popular venues
KR102409016B1 (ko) 위치기반의 정보제공 방법
US20040203896A1 (en) Proximity-based matching method and system
WO2009070138A1 (en) Dynamic geosocial networking
US9361392B1 (en) Comparing subsets of user identities of a social networking platform
Chin et al. Who should I add as a" friend"? A study of friend recommendations using proximity and homophily
US20200334715A1 (en) Knowledge Model for Personalization and Location Services
Meehan et al. VISIT: Virtual intelligent system for informing tourists
CN109522491B (zh) 一种基于位置属性的陌生人社交活动推荐方法与系统
Bok et al. A Social Search Scheme Considering User Preferences and Popularities in Mobile Environments
KR20110130301A (ko) 휴대폰을 이용한 거리 측정 및 지역 정보 제공 시스템
Utku et al. A mobile location-aware recommendation system
KR20210011054A (ko) 위치기반의 정보제공 방법

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