CN112902964B - 基于兴趣点的路径推荐方法、装置 - Google Patents

Abstract

本发明公开了一种基于兴趣点的路径推荐方法、装置，所述方法包括：计算目标用户对目标兴趣点的评分；根据用户对各个兴趣点的评分，计算目标兴趣点与其他兴趣点之间的相似度，选取相似度最高的预设数量个的兴趣点形成相似兴趣点集；统计各个兴趣点的支持度，形成目标兴趣点的关联兴趣点集；确定路径，在各个路径上筛选出路径兴趣点，计算路径兴趣点的平均评分，对各个路径进行评分，根据评分将路径进行输出。采用上述方案，用户对于兴趣点的评分依据停留时间计算，停留时间作为客观依据，准确地反应用户偏好，对关联兴趣点的挖掘结果具有普遍性和高度准确性，后续将兴趣点和路径评估结合，推荐符合用户个人选择偏好的路径。

Description

基于兴趣点的路径推荐方法、装置

技术领域

本发明涉及移动定位服务领域，尤其涉及基于兴趣点的路径推荐方法、装置。

背景技术

现有技术中的导航系统、路径推荐系统大多数都是基于WIFI定位和GPS定位进行用户位置识别，铺设成本高且精度低；在规划路径时，忽略用户个人特征和选择偏好，导致用户满意度低。

发明内容

发明目的：本发明提供一种基于兴趣点的路径推荐方法、装置，旨在结合用户个人特征和选择偏好进行路径推荐，并且用户的位置定位通过蓝牙通信实现，基础设施成本较低，精度较高。

技术方案：本发明提供一种基于兴趣点的路径推荐方法，包括：

获取目标用户在各个兴趣点的平均停留时间、目标兴趣点的用户平均停留时间和目标用户在目标兴趣点的平均停留时间，据此计算目标用户对目标兴趣点的评分；

根据用户对各个兴趣点的评分，计算目标兴趣点与其他兴趣点之间的相似度，选取相似度最高的预设数量个的兴趣点形成相似兴趣点集；

统计各个兴趣点的支持度，据此形成目标兴趣点的关联兴趣点集；所述兴趣点的支持度，指兴趣点本身出现的次数与相似兴趣点出现的次数之和；

确定目标用户抵达目标兴趣点的路径，在各个路径上筛选出在关联兴趣点集中出现的兴趣点作为路径兴趣点，计算路径兴趣点的平均评分，对各个路径进行评分，根据评分将路径进行输出。

具体的，目标用户在各个兴趣点的平均停留时间，由目标用户在各个兴趣点的停留时间按照高斯模糊处理得到的平均值；目标兴趣点的用户平均停留时间，由各个用户在目标兴趣点的停留时间按照高斯模糊处理得到的平均值；目标用户在目标兴趣点的平均停留时间，由目标用户在目标兴趣点的停留时间按照高斯模糊处理得到的平均值；基于蓝牙通信对用户进行定位，用户在兴趣点的停留时间通过用户在兴趣点位置范围内的时间确定。

具体的，按照如下公式进行高斯模糊计算：

其中，x为一次停留时间，f(x)为对应的权重，μ为停留时间的平均值，σ为停留时间的方差；

按照如下公式进行各项平均停留时间的计算：

其中，Z为计算结果，k表示运算数据集中第k项停留时间数据，n表示运算数据集中数据总数，在计算目标用户在各个兴趣点的平均停留时间时，运算数据集是目标用户在各个兴趣点的停留时间；在计算目标兴趣点的用户平均停留时间时，运算数据集是各个用户在目标兴趣点的停留时间；在计算目标用户在目标兴趣点的平均停留时间时，运算数据集是目标用户在目标兴趣点的停留时间。

具体的，采用如下公式计算评分：

其中，y表示目标用户在目标兴趣点的平均停留时间，Z表示目标用户在各个兴趣点的平均停留时间，Y表示目标兴趣点的用户平均停留时间，N表示目标用户访问目标兴趣点的次数。

具体的，采用如下公式计算兴趣点i和兴趣点j之间的相似度cosine：

其中，r_ui和r_uj分别表示目标用户对兴趣点i和兴趣点j的评分，u_ij表示同时访问兴趣点i和兴趣点j的用户集。

具体的，按照兴趣点支持度的高低建立兴趣点的项头表，对兴趣点集进行重排，并建立频繁模式树；从频繁模式树的根节点开始查询与根节点相同的兴趣点，若没有查询得到则建立新的分支；通过频繁模式树，从项头表的最后一项，得到最后一项的前缀路径；将最后一项的前缀路径进行计数合并得到相应的条件模式基，进而得到相应的条件频繁模式树；自左向右遍历条件频繁模式树的各条路径，将单个节点和最后一项组合得到相应的频繁二项集，从中筛选目标兴趣点的关联兴趣点集。

具体的，按照高斯模糊处理计算路径兴趣点的平均评分，将路径兴趣点与所在路径中用户访问数量最多的路径兴趣点进行比对，确定路径兴趣点的受喜爱程度；

按照用户的历史路径距离和距离敏感度，将用户划分为K簇，采用如下公式对路径进行评分：

其中，n_pi表示路径上的路径兴趣点数量，l表示路径兴趣点，F表示路径上用户访问数量最多的路径兴趣点的用户访问数量，f表示第l个路径兴趣点的用户访问数量，表示第l个路径兴趣点的平均评分，a表示区域范围参数，dis表示路径距离，b表示路径距离的权重，den表示路径上的用户流量。

本发明还提供一种基于兴趣点的路径推荐装置，包括：兴趣点评分单元、相似度计算单元、支持度计算单元和路径评分单元，其中：

所述兴趣点评分单元，用于获取目标用户在各个兴趣点的平均停留时间、目标兴趣点的用户平均停留时间和目标用户在目标兴趣点的平均停留时间，据此计算目标用户对目标兴趣点的评分；

所述相似度计算单元，用于根据用户对各个兴趣点的评分，计算目标兴趣点与其他兴趣点之间的相似度，选取相似度最高的预设数量个的兴趣点形成相似兴趣点集；

所述支持度计算单元，用于统计各个兴趣点的支持度，据此形成目标兴趣点的关联兴趣点集；所述兴趣点的支持度，指兴趣点本身出现的次数与相似兴趣点出现的次数之和；

所述路径评分单元，用于确定目标用户抵达目标兴趣点的路径，在各个路径上筛选出在关联兴趣点集中出现的兴趣点作为路径兴趣点，计算路径兴趣点的平均评分，对各个路径进行评分，根据评分将路径进行输出。

具体的，所述兴趣点评分单元，用于按照如下公式进行高斯模糊计算：

其中，x为一次停留时间，f(x)为对应的权重，μ为停留时间的平均值，σ为停留时间的方差；

按照如下公式进行各项平均停留时间的计算：

其中，Z为计算结果，k表示运算数据集中第k项停留时间数据，n表示运算数据集中数据总数，在计算目标用户在各个兴趣点的平均停留时间时，运算数据集是目标用户在各个兴趣点的停留时间；在计算目标兴趣点的用户平均停留时间时，运算数据集是各个用户在目标兴趣点的停留时间；在计算目标用户在目标兴趣点的平均停留时间时，运算数据集是目标用户在目标兴趣点的停留时间。

具体的，所述兴趣点评分单元，用于采用如下公式计算评分：

其中，y表示目标用户在目标兴趣点的平均停留时间，Z表示目标用户在各个兴趣点的平均停留时间，Y表示目标兴趣点的用户平均停留时间，N表示目标用户访问目标兴趣点的次数。

有益效果：与现有技术相比，本发明具有如下显著优点：结合用户个人特征和选择偏好进行路径推荐，用户对于兴趣点的评分依据停留时间进行计算，停留时间作为客观依据，可以较为准确地反应用户偏好，并且对关联兴趣点的挖掘结果具有普遍性和高度准确性，后续将兴趣点和路径评估结合，可以推荐符合用户个人选择偏好的路径。

附图说明

图1为本发明提供的基于兴趣点的路径推荐方法的流程示意图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

现有的室内导航应用缺少与推荐方案的结合，导致为用户进行路径规划时仅考虑距离等因素，忽略用户行为特征和途径兴趣点潜在价值。本发明提供的方案，将兴趣点评分、兴趣点挖掘和室内导航相结合，利用聚类分析算法等方案综合分析用户路径选择偏好，综合距离、路径上关联兴趣点评分等因素，为用户规划最优路径。

参阅图1，其为本发明提供的基于兴趣点的路径推荐方法的流程示意图，包括具体步骤。

步骤1，获取目标用户在各个兴趣点的平均停留时间、目标兴趣点的用户平均停留时间和目标用户在目标兴趣点的平均停留时间，据此计算目标用户对目标兴趣点的评分。

在具体实施中，为了减小现有技术中采用的协同过滤算法中，用户评分矩阵稀疏给相似性查找带来的误差，采用基于位置服务的数据处理方法获取兴趣点的评分。其中，目标用户在各个兴趣点的平均停留时间，反映目标用户的停留习惯；目标兴趣点的用户平均停留时间，反映大众在目标兴趣点的停留习惯；目标用户在目标兴趣点的平均停留时间，反映目标用户的停留习惯和大众在目标兴趣点的停留习惯。

本发明实施例中，具体的平均停留时间计算方案包括：目标用户在各个兴趣点的平均停留时间，由目标用户在各个兴趣点的停留时间按照高斯模糊处理得到的平均值；目标兴趣点的用户平均停留时间，由各个用户在目标兴趣点的停留时间按照高斯模糊处理得到的平均值；目标用户在目标兴趣点的平均停留时间，由目标用户在目标兴趣点的停留时间按照高斯模糊处理得到的平均值。

本发明实施例中，基于蓝牙通信对用户进行定位，用户在兴趣点的停留时间通过用户在兴趣点位置范围内的时间确定。

在具体实施中，基于WIFI定位和GPS定位进行用户位置识别，铺设成本高且精度低。蓝牙5.0定位技术相较于传统的室内定位方案，显著优点是易部署、体积小、终端设备支持、低功耗，蓝牙5.0标准规范中提供了与位置估计相关的参数，包括接收信号强度指标RSSI值和链路质量LQ值，为定位的实现提供了基础。iBeacon是苹果公司发布的符合蓝牙5.0规范的设备，使用BLE(低功耗蓝牙)技术向周围发送特有的ID，接收到该ID的LBS应用软件会根据蓝牙规范提供的位置参数，进行用户位置信息的获取。

本发明实施例中，具体的平均停留时间计算方案包括：按照如下公式进行高斯模糊计算：

其中，x为一次停留时间，f(x)为对应的权重，μ为停留时间的平均值，σ为停留时间的方差；在计算目标用户在各个兴趣点的平均停留时间时，x为目标用户在某个兴趣点的一次停留时间，f(x)为该次停留时间的权重，μ为目标用户在各个兴趣点的停留时间的平均值，σ为目标用户在各个兴趣点的停留时间的方差，在计算其他平均停留时间时同理，可以相应的进行公式变量的调整；

按照如下公式进行各项平均停留时间的计算：

其中，Z为计算结果，k表示运算数据集中第k项停留时间数据，n表示运算数据集中数据总数，在计算目标用户在各个兴趣点的平均停留时间时，运算数据集是目标用户在各个兴趣点的停留时间。

在具体实施中，在计算目标兴趣点的用户平均停留时间时，运算数据集是各个用户在目标兴趣点的停留时间；在计算目标用户在目标兴趣点的平均停留时间时，运算数据集是目标用户在目标兴趣点的停留时间。

本发明实施例中，采用如下公式计算评分：

其中，y表示目标用户在目标兴趣点的平均停留时间，Z表示目标用户在各个兴趣点的平均停留时间，Y表示目标兴趣点的用户平均停留时间，N表示目标用户访问目标兴趣点的次数。

在具体实施中，相较于现有技术，本方案不再依赖于用户手动评分，通过兴趣点位置范围和LBS应用得到用户停留时间，对比大众在兴趣点停留习惯以及用户自身停留习惯，结合用户访问兴趣点次数等因素，得到用户对目标兴趣点的评分；可以有效解决现有的推荐系统评分难获得、评分矩阵稀疏的问题，减小了相似性计算的误差，使得相似兴趣点查找更加准确，充分利用了位置服务技术的特点。

步骤2，根据用户对各个兴趣点的评分，计算目标兴趣点与其他兴趣点之间的相似度，选取相似度最高的预设数量个的兴趣点形成相似兴趣点集。

本发明实施例中，采用如下公式计算兴趣点i和兴趣点j之间的相似度cosine：

其中，r_ui和r_uj分别表示目标用户对兴趣点i和兴趣点j的评分，u_ij表示同时访问兴趣点i和兴趣点j的用户集。

在具体实施中，cosine的值越大表明两个兴趣点越相似，选取与目标兴趣点相似度最高的m个兴趣点添加到相似兴趣点集M中，相似兴趣点集中的兴趣点即为目标兴趣点的相似兴趣点，m的具体取值根据应用场景要求确定。得到相似兴趣点集M后，将其作为参考因素应用到基于关联准则的推荐算法中进行关联兴趣点挖掘。

步骤3，统计各个兴趣点的支持度，据此形成目标兴趣点的关联兴趣点集。

本发明实施例中，所述兴趣点的支持度，指兴趣点本身出现(包括在各个兴趣点集中出现)的次数，与该兴趣点的相似兴趣点出现(包括在各个兴趣点集中出现)的次数之和。

在具体实施中，确定相似兴趣点集以后，可以继续查询目标兴趣点的关联兴趣点，相似兴趣点集的目的是为了扩充目标兴趣点的参考范围，比如A和B是相似兴趣点，就把B的关联兴趣点作为A的参考。

在具体实施中，在基于关联准则的推荐算法中，频繁项集反映了兴趣点同时出现的规律。在实际应用中，目标兴趣点和其相似兴趣点的频繁项集具有较高的重合性，在用户已经确定目标兴趣点时，二者之间不存在明显竞争关系，此时相似兴趣点的出现规则对关联兴趣点的挖掘具有一定的借鉴意义，将相似兴趣点看作目标兴趣点处理可以扩大目标兴趣点的数据集，使得关联兴趣点挖掘结果更加准确。本方案采用FPGrwoth算法生成候选关联兴趣点集，具体步骤如下：

按照兴趣点支持度的高低建立兴趣点的项头表，对兴趣点集进行重排，并建立频繁模式树(将目标用户重排后的关联兴趣点集建立为频繁模式树中的一条路径)；

从频繁模式树的根节点开始查询与根节点相同的兴趣点，若没有查询得到则建立新的分支(将所有用户重排后的关联兴趣点集添加至频繁模式树)；

通过频繁模式树，从项头表的最后一项(开始挖掘频繁项集)，得到最后一项的前缀路径；

将最后一项的前缀路径进行计数合并得到相应的条件模式基，进而得到相应的条件频繁模式树；

自左向右遍历条件频繁模式树的各条路径，将单个节点和最后一项组合得到相应的频繁二项集，从中筛选目标兴趣点的关联兴趣点集。

在具体实施中，FPGrowth算法查询的是现在所有兴趣点的关联规则，例如在某个商场里所有店铺之间的关联规则，查询得到的频繁项集里包含了所有的关联关系，此时可以筛选出关联兴趣点的集合。二项集表示递归了2次。

步骤4，确定目标用户抵达目标兴趣点的路径，在各个路径上筛选出在关联兴趣点集中出现的兴趣点作为路径兴趣点，计算路径兴趣点的平均评分，对各个路径进行评分，根据评分将路径进行输出。

在具体实施中，将兴趣点挖掘和路径规划相结合，考虑可选路径中关联兴趣点评分、关联兴趣点访问人数、路径物理距离是否满足用户轨迹特征、人流量等因素，进行路径评分，将评分最高的路径推荐给用户。

本发明实施例中，按照高斯模糊处理计算路径兴趣点的平均评分，将路径兴趣点与所在路径中用户访问数量最多的路径兴趣点进行比对，确定路径兴趣点的受喜爱程度；

按照用户的历史路径距离和距离敏感度，将用户划分为K簇，采用如下公式对路径进行评分：

其中，n_pi表示路径上的路径兴趣点数量，l表示(第几个)路径兴趣点，F表示路径上用户访问数量最多的路径兴趣点的用户访问数量，f表示第l个路径兴趣点的用户访问数量，表示第l个路径兴趣点的平均评分，a表示区域范围参数，dis表示路径距离，b表示路径距离的权重，den表示路径上的用户流量(人流量)。

在具体实施中，高斯模糊处理方案与上述计算平均停留时间同理，采用高斯模糊算法处理路径兴趣点的所有评分，得到平均评分，即为该路径兴趣点的平均评分,记作

在具体实施中，利用聚类K-means算法对用户历史轨迹进行分析，根据用户历史选取路径的平均距离、按照用户对距离敏感度高低(平均距离越小表明用户对距离敏感度越高)将用户分为K簇，即所选路径平均距离十分接近的用户分为一簇，K的取值取决于应用场景的大小，当用户数目较多时，K应该设置一个较大的值，使得分类结果较为准确。根据上述将用户分为K簇的方法，按照用户对距离敏感度从高到低将b设置为K、K-1..1，给予物理距离不同的参考权重。

在具体实施中，对路径中的兴趣点进行潜在价值挖掘，将关联兴趣点的推荐质量作为路径评估的重要因素，对用户历史轨迹进行聚类分析，得到用户对距离的敏感度，根据敏感度的高低赋予不同距离的参考权重；结合人流量实时因素进行路径综合评分，可以为用户推荐符合其个人路径选择特征、关联兴趣点推荐质量高的合理路径，提升用户体验感和满意度。

本发明还提供一种基于兴趣点的路径推荐装置，包括：兴趣点评分单元、相似度计算单元、支持度计算单元和路径评分单元，其中：

所述兴趣点评分单元，用于获取目标用户在各个兴趣点的平均停留时间、目标兴趣点的用户平均停留时间和目标用户在目标兴趣点的平均停留时间，据此计算目标用户对目标兴趣点的评分；

所述相似度计算单元，用于根据用户对各个兴趣点的评分，计算目标兴趣点与其他兴趣点之间的相似度，选取相似度最高的预设数量个的兴趣点形成相似兴趣点集；

所述支持度计算单元，用于统计各个兴趣点的支持度，据此形成目标兴趣点的关联兴趣点集；所述兴趣点的支持度，指兴趣点本身出现的次数与相似兴趣点出现的次数之和；

所述路径评分单元，用于确定目标用户抵达目标兴趣点的路径，在各个路径上筛选出在关联兴趣点集中出现的兴趣点作为路径兴趣点，计算路径兴趣点的平均评分，对各个路径进行评分，根据评分将路径进行输出。

本发明实施例中，所述兴趣点评分单元，用于目标用户在各个兴趣点的平均停留时间，由目标用户在各个兴趣点的停留时间按照高斯模糊处理得到的平均值；目标兴趣点的用户平均停留时间，由各个用户在目标兴趣点的停留时间按照高斯模糊处理得到的平均值；目标用户在目标兴趣点的平均停留时间，由目标用户在目标兴趣点的停留时间按照高斯模糊处理得到的平均值；基于蓝牙通信对用户进行定位，用户在兴趣点的停留时间通过用户在兴趣点位置范围内的时间确定。

本发明实施例中，所述兴趣点评分单元，用于按照如下公式进行高斯模糊计算：

其中，x为一次停留时间，f(x)为对应的权重，μ为停留时间的平均值，σ为停留时间的方差；

按照如下公式进行各项平均停留时间的计算：

其中，Z为计算结果，k表示运算数据集中第k项停留时间数据，n表示运算数据集中数据总数，在计算目标用户在各个兴趣点的平均停留时间时，运算数据集是目标用户在各个兴趣点的停留时间；在计算目标兴趣点的用户平均停留时间时，运算数据集是各个用户在目标兴趣点的停留时间；在计算目标用户在目标兴趣点的平均停留时间时，运算数据集是目标用户在目标兴趣点的停留时间。

本发明实施例中，所述兴趣点评分单元，用于采用如下公式计算评分：

其中，y表示目标用户在目标兴趣点的平均停留时间，Z表示目标用户在各个兴趣点的平均停留时间，Y表示目标兴趣点的用户平均停留时间，N表示目标用户访问目标兴趣点的次数。

本发明实施例中，所述相似度计算单元，用于采用如下公式计算兴趣点i和兴趣点j之间的相似度cosine：

其中，r_ui和r_uj分别表示目标用户对兴趣点i和兴趣点j的评分，u_ij表示同时访问兴趣点i和兴趣点j的用户集。

本发明实施例中，所述支持度计算单元，用于按照兴趣点支持度的高低建立兴趣点的项头表，对兴趣点集进行重排，并建立频繁模式树；

从频繁模式树的根节点开始查询与根节点相同的兴趣点，若没有查询得到则建立新的分支；

通过频繁模式树，从项头表的最后一项，得到最后一项的前缀路径；

将最后一项的前缀路径进行计数合并得到相应的条件模式基，进而得到相应的条件频繁模式树；

自左向右遍历条件频繁模式树的各条路径，将单个节点和最后一项组合得到相应的频繁二项集，从中筛选目标兴趣点的关联兴趣点集。

本发明实施例中，所述路径评分单元，用于按照高斯模糊处理计算路径兴趣点的平均评分，将路径兴趣点与所在路径中用户访问数量最多的路径兴趣点进行比对，确定路径兴趣点的受喜爱程度；

按照用户的历史路径距离和距离敏感度，将用户划分为K簇，采用如下公式对路径进行评分：

其中，n_pi表示路径上的路径兴趣点数量，l表示路径兴趣点，F表示路径上用户访问数量最多的路径兴趣点的用户访问数量，f表示第l个路径兴趣点的用户访问数量，表示第l个路径兴趣点的平均评分，a表示区域范围参数，dis表示路径距离，b表示路径距离的权重，den表示路径上的用户流量。

Claims (8)

1.一种基于兴趣点的路径推荐方法，其特征在于，包括：

获取目标用户在各个兴趣点的平均停留时间、目标兴趣点的用户平均停留时间和目标用户在目标兴趣点的平均停留时间，据此计算目标用户对目标兴趣点的评分；采用如下公式计算目标用户对目标兴趣点的评分：

其中，y表示目标用户在目标兴趣点的平均停留时间，Z表示目标用户在各个兴趣点的平均停留时间，Y表示目标兴趣点的用户平均停留时间，N表示目标用户访问目标兴趣点的次数；

根据用户对各个兴趣点的评分，计算目标兴趣点与其他兴趣点之间的相似度，选取相似度最高的预设数量个的兴趣点形成相似兴趣点集；

统计各个兴趣点的支持度，据此形成目标兴趣点的关联兴趣点集；所述兴趣点的支持度，指兴趣点本身出现的次数与相似兴趣点出现的次数之和；

确定目标用户抵达目标兴趣点的路径，在各个路径上筛选出在关联兴趣点集中出现的兴趣点作为路径兴趣点，计算路径兴趣点的平均评分，对各个路径进行评分，根据评分将路径进行输出。

2.根据权利要求1所述的基于兴趣点的路径推荐方法，其特征在于，所述获取目标用户在各个兴趣点的平均停留时间、目标兴趣点的用户平均停留时间和目标用户在目标兴趣点的平均停留时间，包括：

目标用户在各个兴趣点的平均停留时间，由目标用户在各个兴趣点的停留时间按照高斯模糊处理得到的平均值；目标兴趣点的用户平均停留时间，由各个用户在目标兴趣点的停留时间按照高斯模糊处理得到的平均值；目标用户在目标兴趣点的平均停留时间，由目标用户在目标兴趣点的停留时间按照高斯模糊处理得到的平均值；基于蓝牙通信对用户进行定位，用户在兴趣点的停留时间通过用户在兴趣点位置范围内的时间确定。

3.根据权利要求2所述的基于兴趣点的路径推荐方法，其特征在于，所述获取目标用户在各个兴趣点的平均停留时间、目标兴趣点的用户平均停留时间和目标用户在目标兴趣点的平均停留时间，包括：

按照如下公式进行高斯模糊计算：

其中，x为一次停留时间，f(x)为对应的权重，μ为停留时间的平均值，σ为停留时间的方差；

按照如下公式进行各项平均停留时间的计算：

其中，Z为计算结果，k表示运算数据集中第k项停留时间数据，n表示运算数据集中数据总数，在计算目标用户在各个兴趣点的平均停留时间时，运算数据集是目标用户在各个兴趣点的停留时间；在计算目标兴趣点的用户平均停留时间时，运算数据集是各个用户在目标兴趣点的停留时间；在计算目标用户在目标兴趣点的平均停留时间时，运算数据集是目标用户在目标兴趣点的停留时间。

4.根据权利要求3所述的基于兴趣点的路径推荐方法，其特征在于，所述计算目标兴趣点与其他兴趣点之间的相似度，包括：

采用如下公式计算兴趣点i和兴趣点j之间的相似度cosine：

其中，r_ui和r_uj分别表示目标用户对兴趣点i和兴趣点j的评分，u_ij表示同时访问兴趣点i和兴趣点j的用户集。

5.根据权利要求1所述的基于兴趣点的路径推荐方法，其特征在于，所述统计各个兴趣点的支持度，据此形成目标兴趣点的关联兴趣点集，包括：

按照兴趣点支持度的高低建立兴趣点的项头表，对兴趣点集进行重排，并建立频繁模式树；

从频繁模式树的根节点开始查询与根节点相同的兴趣点，若没有查询得到则建立新的分支；

通过频繁模式树，从项头表的最后一项，得到最后一项的前缀路径；

将最后一项的前缀路径进行计数合并得到相应的条件模式基，进而得到相应的条件频繁模式树；

自左向右遍历条件频繁模式树的各条路径，将单个节点和最后一项组合得到相应的频繁二项集，从中筛选目标兴趣点的关联兴趣点集。

6.根据权利要求1所述的基于兴趣点的路径推荐方法，其特征在于，所述对各个路径进行评分，包括：

按照高斯模糊处理计算路径兴趣点的平均评分，将路径兴趣点与所在路径中用户访问数量最多的路径兴趣点进行比对，确定路径兴趣点的受喜爱程度；

按照用户的历史路径距离和距离敏感度，将用户划分为K簇，采用如下公式对路径进行评分：

其中，n_pi表示路径上的路径兴趣点数量，l表示路径兴趣点，F表示路径上用户访问数量最多的路径兴趣点的用户访问数量，f表示第l个路径兴趣点的用户访问数量，表示第l个路径兴趣点的平均评分，a表示区域范围参数，dis表示路径距离，b表示路径距离的权重，den表示路径上的用户流量。

7.一种基于兴趣点的路径推荐装置，其特征在于，包括：兴趣点评分单元、相似度计算单元、支持度计算单元和路径评分单元，其中：

所述兴趣点评分单元，用于获取目标用户在各个兴趣点的平均停留时间、目标兴趣点的用户平均停留时间和目标用户在目标兴趣点的平均停留时间，据此计算目标用户对目标兴趣点的评分；采用如下公式计算目标用户对目标兴趣点的评分：

其中，y表示目标用户在目标兴趣点的平均停留时间，Z表示目标用户在各个兴趣点的平均停留时间，Y表示目标兴趣点的用户平均停留时间，N表示目标用户访问目标兴趣点的次数；

所述相似度计算单元，用于根据用户对各个兴趣点的评分，计算目标兴趣点与其他兴趣点之间的相似度，选取相似度最高的预设数量个的兴趣点形成相似兴趣点集；

所述支持度计算单元，用于统计各个兴趣点的支持度，据此形成目标兴趣点的关联兴趣点集；所述兴趣点的支持度，指兴趣点本身出现的次数与相似兴趣点出现的次数之和；

所述路径评分单元，用于确定目标用户抵达目标兴趣点的路径，在各个路径上筛选出在关联兴趣点集中出现的兴趣点作为路径兴趣点，计算路径兴趣点的平均评分，对各个路径进行评分，根据评分将路径进行输出。

8.根据权利要求7所述的基于兴趣点的路径推荐装置，其特征在于，所述兴趣点评分单元，用于按照如下公式进行高斯模糊计算：

其中，x为一次停留时间，f(x)为对应的权重，μ为停留时间的平均值，σ为停留时间的方差；

按照如下公式进行各项平均停留时间的计算：

其中，Z为计算结果，k表示运算数据集中第k项停留时间数据，n表示运算数据集中数据总数，在计算目标用户在各个兴趣点的平均停留时间时，运算数据集是目标用户在各个兴趣点的停留时间；在计算目标兴趣点的用户平均停留时间时，运算数据集是各个用户在目标兴趣点的停留时间；在计算目标用户在目标兴趣点的平均停留时间时，运算数据集是目标用户在目标兴趣点的停留时间。