CN110929171B - 一种基于场景和社交网络位置的兴趣点推荐方法 - Google Patents

Abstract

本发明公开了一种基于场景和社交网络位置的兴趣点推荐方法，一种基于场景和社交网络位置的兴趣点推荐算法包括客户、客户端、签到历史数据、集成推荐算法框架、用户相似性、用户地理位置、用户信任关系；本发明基于用户相似性、地理位置和用户信任关系三种因素的推荐概率进行计算，并将推荐概率分数以从大到小排列的兴趣点集合输给的客户端，客户通过客户端查看，具有推荐个性化和推荐计算因素多样性的特点，提高了兴趣点推荐的精确性。

Description

一种基于场景和社交网络位置的兴趣点推荐方法

技术领域

本发明涉及网络通信领域尤指一种基于场景和社交网络位置的兴趣点推荐方法。

背景技术

社交网络的发展，拓展了人们互相交流的方式，社交网络把现实世界中的人与人联系了起来。传统的电子商务、平面媒体等系统也逐渐加入社交网络元素，构建相应的领域网络结构。作为移动和互联网融合的产物，继承了移动随时随地随身和互联网分享、开放、互动的优势。在这样的背景下，运营商提供无线接入，互联网企业提供各种成熟的应用，将互联网从电脑延伸至手机等客户端上。在基于位置的社交网络中，人们可以通过签到行为向社交网络上的其他用户分享自己的位置和参加的活动，海量的签到数据为挖掘用户偏好提供了机会。兴趣点推荐不仅能够帮助用户发现更多有趣的地点，而且还能够帮助商家发现更多潜在客户从而增加收入，因此兴趣点推荐在学术界和工业界成为热门研究内容。兴趣点推荐作为传统推荐系统的分支，已有学者对其展开了大量研究，但现有的研究方法基本都来自于传统方法，没有考虑到移动环境的复杂性，存在一些局限。大多数研究在分析移动环境下用户行为时，仅考虑单一因素对用户行为的影响,忽略了多种因素对用户行为决策的影响，导致推荐效果较差。

发明内容

本发明的目的在于提供一种基于场景和社交网络位置的兴趣点推荐方法。

为了实现上述目的，本发明的技术解决方案为：一种基于场景和社交网络位置的兴趣点推荐算法包括客户、客户端、签到历史数据、集成推荐算法框架、用户相似性、用户地理位置、用户信任关系。客户通过包括手机和计算机在内的客户端登录社交网络LBSN网站，社交网络LBSN网站依据用户的签到历史数据进行基于用户相似性、地理位置和用户信任关系三种因素的推荐概率的计算，并将推荐概率分数以从大到小排列的兴趣点集合Q_i输给的客户端，客户通过客户端查看。

(1).具体的，一种基于场景和社交网络位置的兴趣点推荐方法包括以下步骤：

(1).输入:用户的历史签到集合U,候选兴趣点L,返回数目N；

其中，用户u_i∈U在地点l_j∈L的签到记录为c_i,j，若c_i,j＝1表示用户u_i在地点l_j签到过，若c_i,j＝0表示用户u_i没有去过地点l_j。

(2).统计用户对于地点的评分，利用访问一次评分加1。

(3).将用户的历史签到按时间分为24段，例如0点到一点，一点到两点。

(4).依据好友的共同签到，计算出好友之间任意两个时间段之间签到的相似度，记为w_i，k，其计算公式为：

用户u_i∈U在地点l_j∈L的签到记录为c_i，j，若c_i，j＝1表示用户u_i在地点l_j签到过，若c_i，j＝0 表示用户u_i没有去过地点l_j。

(5).根据用户对于距离的敏感度，计算出用户u_i签到候选的兴趣点l_j的概率：

1).对于用户u_i和其签到过的兴趣点集合L_i，L_i内任一签到位置的概率为Pr[d(l_m，l_n]＝ a×d(l_m，l_n)^b，用d(l_m，l_n)表示兴趣点l_m与l_n之间的距离，a、b为调节因子，则用户u_i签到集合L_i中所有位置的概率为：

2).对于一个候选的兴趣点l_j，用户u_i签到兴趣点l_j概率为：

(6).用户u_i对非相邻用户u_k信赖度的计算：

1).计算用户u_i对用户u_x的信任度，其计算公式为：

W⁺ _i，k＝max w_i，k×P÷Q

其中，

P＝|O(u_i)∩O(u_x)|

Q＝|O(u_x)|

式中，O(u_i)表示用户u_i信任的邻居用户集，O(u_x)表示信任用户u_x的邻居用户集，用户u_k信任用户u_x；

2).计算用户u_i对用户u_x的不信任度，其计算公式为：

W^- _i，k＝min W^- _i，x×E^-÷F^--max W⁺ _i，x×E⁺÷F⁺

其中，

E^-＝|O_out(u_i ^-)∩O_in(u_x ⁺)|

F^-＝|O_out(u_i ^-)|

E⁺＝|O_out(u_i ⁺)∩O_in(u_x ⁺)|

F⁺＝|O_out(u_i ⁺)|

式中，集合O_out(u_i ^-)表示用户u_i不信任的邻居集合，O_out(u_i ⁺)表示用户u_i信任的邻居集合， O_in(u_x ⁺)表示用户u_i信任的中间用户集合，O_out(u_i ^-)表示用户u_i不信任的中间用户集合；

3).计算用户u_i对非相邻用户u_k信赖度，其计算公式为：

(7).基于用户相似性的签到概率的计算，其计算公式为：

其中，

(8).基于用户地理位置的签到概率的计算，其计算公式为：

其中，

(9).基于用户信任关系的推荐概率的计算，其计算公式为：

其中，

(10).基于用户相似性、地理位置和信任关系三种因素的推荐概率进行计算，算出每个兴趣点的推荐概率得分，其计算公式为：

其中，α和β为调节因子，其满足0≤(α+β)≤1，若仅考虑用户相似性时，α＝0且β＝0；若仅考虑用户信任关系时，α＝0且β＝1；若仅考虑地理位置时，α＝1且β＝0。

(11).返回推荐概率分数从大到小排列的兴趣点集合Q_i，并输出。

本发明的有益效果是：本发明基于用户相似性、地理位置和用户信任关系三种因素的推荐概率进行计算，并将推荐概率分数以从大到小排列的兴趣点集合输给的客户端，客户通过客户端查看，具有推荐个性化和推荐计算因素多样性的特点，提高了兴趣点推荐的精确性。

附图说明

下面结合附图和具体实施方式对本发明进一步描述。

附图1为本发明的兴趣点推荐算法架构示意图。

具体实施方式

由附图所示，一种基于场景和社交网络位置的兴趣点推荐算法包括客户、客户端、签到历史数据、集成推荐算法框架、用户相似性、用户地理位置、用户信任关系。客户通过包括手机和计算机在内的客户端登录LBSN网站，LBSN网站依据用户的签到历史数据进行基于用户相似性、地理位置和用户信任关系三种因素的推荐概率的计算，并将推荐概率分数以从大到小排列的兴趣点集合Q_i输给的客户端，客户通过客户端查看。

具体的，一种基于场景和社交网络位置的兴趣点推荐方法包括以下步骤：

(1).输入:用户的历史签到集合U,候选兴趣点L,返回数目N；

其中，用户u_i∈U在地点l_j∈L的签到记录为c_i,j，若c_i,j＝1表示用户u_i在地点l_j签到过，若c_i,j＝0表示用户u_i没有去过地点l_j。

(2).统计用户对于地点的评分，利用访问一次评分加1。

(3).将用户的历史签到按时间分为24段，例如0点到一点，一点到两点。

(4).依据好友的共同签到，计算出好友之间任意两个时间段之间签到的相似度，记为w_i,k，其计算公式为：

用户u_i∈U在地点l_j∈L的签到记录为c_i,j，若c_i,j＝1表示用户u_i在地点l_j签到过，若c_i,j＝0 表示用户u_i没有去过地点l_j。

(5).根据用户对于距离的敏感度，计算出用户u_i签到候选的兴趣点l_j的概率：

1).对于用户u_i和其签到过的兴趣点集合L_i，L_i内任一签到位置的概率为Pr[d(l_m,l_n]＝a×d(l_m，l_n)^b，用d(l_m，l_n)表示兴趣点l_m与l_n之间的距离，a、b为调节因子，则用户u_i签到集合L_i中所有位置的概率为：

2).对于一个候选的兴趣点l_j，用户u_i签到兴趣点l_j概率为：

(6).用户u_i对非相邻用户u_k信赖度的计算：

1).计算用户u_i对用户u_x的信任度，其计算公式为：

W⁺ _i，k＝max w_i，k×P÷Q

其中，

P＝|O(u_i)∩O(u_x)|

Q＝|O(u_x)|

式中，O(u_i)表示用户u_i信任的邻居用户集，O(u_x)表示信任用户u_x的邻居用户集，用户u_k信任用户u_x；

2).计算用户u_i对用户u_x的不信任度，其计算公式为：

W^- _i，k＝min W^- _i，x×E^-÷F^--max W⁺ _i，x×E⁺÷F⁺

其中，

E^-＝|O_out(u_i ^-)∩O_in(u_x ⁺)|

F^-＝|O_out(u_i ^-)|

E⁺＝|O_out(u_i ⁺)∩O_in(u_x ⁺)|

F⁺＝|O_out(u_i ⁺)|

式中，集合O_out(u_i ^－)表示用户u_i不信任的邻居集合，O_out(u_i ⁺)表示用户u_i信任的邻居集合， O_in(u_x ⁺)表示用户u_i信任的中间用户集合，O_out(u_i ^－)表示用户u_i不信任的中间用户集合；

3).计算用户u_i对非相邻用户u_k信赖度,其计算公式为：

(7).基于用户相似性的签到概率的计算，其计算公式为：

其中，

(8).基于用户地理位置的签到概率的计算，其计算公式为：

其中，

(9).基于用户信任关系的推荐概率的计算，其计算公式为：

其中，

(10).基于用户相似性、地理位置和信任关系三种因素的推荐概率进行计算，算出每个兴趣点的推荐概率得分，其计算公式为：

其中，α和β为调节因子，其满足0≤(α+β)≤1，若仅考虑用户相似性时，α＝0且β＝0；若仅考虑用户信任关系时，α＝0且β＝1；若仅考虑地理位置时，α＝1且β＝0。

(11).返回推荐概率分数从大到小排列的兴趣点集合Q_i，并输出。

以上所述，实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明技术的精神的前提下，本领域工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (1)

1.一种基于场景和社交网络位置的兴趣点推荐方法，其特征是：所述的一种基于场景和社交网络位置的兴趣点推荐方法包括以下步骤：

(1).输入:用户的历史签到集合U,候选兴趣点L,返回数目N；

其中，用户u_i∈U在地点l_j∈L的签到记录为c_i,j，若c_i,j＝1表示用户u_i在地点l_j签到过，若c_i,j＝0表示用户u_i没有去过地点l_j；

(2).统计用户对于地点的评分，利用访问一次评分加1；

(3).将用户的历史签到按时间分为24段；

(4).依据好友的共同签到，计算出好友之间任意两个时间段之间签到的相似度，记为w_i,k，其计算公式为：

用户u_i∈U在地点l_j∈L的签到记录为c_i,j，若c_i,j＝1表示用户u_i在地点l_j签到过，若c_i,j＝0表示用户u_i没有去过地点l_j；

(5).根据用户对于距离的敏感度，计算出用户u_i签到候选的兴趣点l_j的概率：

1).对于用户u_i和其签到过的兴趣点集合L_i，L_i内任一签到位置的概率为Pr[d(l_m,l_n]＝a×d(l_m,l_n)^b，用d(l_m,l_n)表示兴趣点l_m与l_n之间的距离，a、b为调节因子，则用户u_i签到集合L_i中所有位置的概率为：

2).对于一个候选的兴趣点l_j,用户u_i签到兴趣点l_j概率为：

(6).用户u_i对非相邻用户u_k信赖度的计算：

1).计算用户u_i对用户u_x的信任度,其计算公式为：

W⁺ _i，k＝max w，k×P÷Q

其中，

P＝|O(u_i)∩O(u_x)|

Q＝|O(u_x)|

式中，O(u_i)表示用户u_i信任的邻居用户集，O(u_x)表示信任用户u_x的邻居用户集，用户u_k信任用户u_x；

2).计算用户u_i对用户u_x的不信任度，其计算公式为：

W^- _i，k＝minW^- _i，x×E-÷F-maxW⁺ _i，x×E⁺÷F⁺

其中，

E^-＝|O_out(u_i ^-)∩O_in(u_x ⁺)|

F^-＝|O_out(u_i ^-)|

E⁺＝|O_out(u_i ⁺)∩O_in(u_x ⁺)|

F⁺＝|O_out(u_i ⁺)|

式中，集合O_out(u_i ^-)表示用户u_i不信任的邻居集合，O_out(u_i ⁺)表示用户u_i信任的邻居集合，O_in(u_x ⁺)表示用户u_i信任的中间用户集合，O_out(u_i ^-)表示用户u_i不信任的中间用户集合；3).计算用户u_i对非相邻用户u_k信赖度，其计算公式为：

(7).基于用户相似性的签到概率的计算，其计算公式为：

其中，

(8).基于用户地理位置的签到概率的计算，其计算公式为：

其中，

(9).基于用户信任关系的推荐概率的计算，其计算公式为：

其中，

(10).基于用户相似性、地理位置和信任关系三种因素的推荐概率进行计算，算出每个兴趣点的推荐概率得分，其计算公式为：

其中，α和β为调节因子，其满足0≤(α+β)≤1，若仅考虑用户相似性时，α＝0且β＝0；若仅考虑用户信任关系时，α＝0且β＝1；若仅考虑地理位置时，α＝1且β＝0；

(11).返回推荐概率分数从大到小排列的兴趣点集合Q_i，并输出。

Images