CN114048391A - 一种基于地理格网的兴趣活动推荐方法 - Google Patents
一种基于地理格网的兴趣活动推荐方法 Download PDFInfo
- Publication number
- CN114048391A CN114048391A CN202210034325.6A CN202210034325A CN114048391A CN 114048391 A CN114048391 A CN 114048391A CN 202210034325 A CN202210034325 A CN 202210034325A CN 114048391 A CN114048391 A CN 114048391A
- Authority
- CN
- China
- Prior art keywords
- user
- activity
- time
- preference
- grid
- 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
Images
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于地理格网的兴趣活动推荐方法,该方法包括将研究区域划分为规则格网,通过签到频率和偏好偏差比参数为每个用户建立个人兴趣格网区域,以此来推断用户的空间活动偏好;采用非负的张量分解方法捕获其他相似的用户活动偏好,协同建立用户的时间活动偏好;采用上下文感知的融合方法将空间活动偏好和时间活动偏好进行融合,共同确定向用户推荐的兴趣活动。该模型基于地理格网和张量分解方法改善了用户签到数据的稀疏性,对用户兴趣活动进行了定量分析,提高了兴趣活动推荐的精准度,使得推荐结果满足用户的个性化需求。
Description
技术领域
本申请属于位置推荐技术领域,具体涉及一种基于地理格网的兴趣活动推荐方法。
背景技术
随着基于位置的社交网络(Location-based Social Network, LBSN)、移动端设备的快速发展,从积累的海量用户数据和签到数据中挖掘潜在的用户个人偏好、活动轨迹和生活模式成为位置服务的一个核心环节。位置推荐成为该环节的一个重要的技术手段。目前,由于数据稀疏性和冷启动等问题的影响,针对兴趣点的推荐算法得到的推荐结果可能准确度较低。同时,在很多情况下,人们通常不需要非常精确的位置。由此,兴趣活动推荐算法和应用的研究应运而生,目的是更好地理解用户的移动行为,预测用户可能参与的活动,进而满足用户个性化和智能化的服务需求。
用户的签到行为呈现出特定的时空分布模式,基于用户在位置社交网络的历史签到数据对用户的时空行为建模是具有挑战性的,主要表现在以下几个方面。首先,签到数据通常是高维且稀疏的,表现为用户-时间-位置-活动四个维度的四元组,直接从稀疏的高维数据中发现其规律性是复杂且困难的;其次,用户在社交媒体的签到行为受用户自身的影响,这与连续采样的用户活动数据不同,其签到行为不是等间隔的连续采样,在空间和时间上是复杂多变的;用户的签到活动和其所处的上下文情景相关,即用户的签到行为通常受其所在地点和时间的影响。因此,如何结合用户的时间和空间上下文挖掘用户活动偏好成为现有技术亟需解决的技术问题。
发明内容
本发明的目的在于提出一种基于地理格网的兴趣活动推荐方法,发现用户兴趣活动,提高推荐性能。利用地理格网和张量分解等技术,分别对用户的空间活动偏好和时间活动偏好建模,从而降低问题的复杂度。
一种基于地理格网的兴趣活动推荐方法,包括如下步骤:
基于地理格网构建用户空间活动偏好模型步骤S110:
将城市区域划分为若干个地理格网,映射用户签到信息,计算用户在每个格网的签到频率和类别偏好偏差比,获取用户的兴趣网格集合,推断用户在位置的空间活动偏好,计算用户的空间活动偏好分布,并利用所述空间活动偏好分布,计算空间活动偏好模型在格网上的推荐成功率,构建空间成功率矩阵;
利用非负张量分解方法构建用户时间活动偏好模型步骤S120:
根据用户签到记录构建一个用户-时间-类别的三维张量,张量中的元素表示用户在时间段选择活动签到的频率,根据所述三维张量,基于非负张量分解算法,获得恢复张量描述用户的时间活动偏好;根据张量分解结果,推断计算用户在当前时间下的活动偏好分布;基于时间活动偏好分布,计算时间活动偏好模型在格网上的推荐成功率,构建时间成功率矩阵;
时间偏好和空间偏好融合步骤S130:
推荐列表生成子步骤S131:根据成功率矩阵推断用户活动偏好,对比空间成功率矩阵和时间成功率矩阵中的元素值,选择值较高的模型结果作为最终的推荐结果。
可选的,所述基于地理格网构建用户空间活动偏好模型步骤S110包括如下子步骤:
用户签到信息映射子步骤S111:将城市区域划分为若干个大小相同的规则格网,将用户的签到信息映射到这些格网中,获得所在格网编号属性;
用户兴趣格网获取子步骤S112:
空间活动偏好计算子步骤S113:
空间成功率矩阵构建子步骤S114:
基于空间活动偏好分布,计算空间活动偏好模型在格网上的推荐成功率,进而为每一个用户构建空间成功率矩阵,矩阵的每一行代表一个时间范围,每一列代表格网,利用签到记录,基于子步骤S113中的空间活动偏好的计算方法,计算空间活动偏好模型在格网上的推荐成功率。
可选的,空间成功率矩阵构建子步骤S114具体为:
为每一个用户构建空间成功率矩阵,初始化矩阵,将矩阵元素赋值为0,对于任意用户,依次从验证数据集中取出的签到表示签到记录,其中,表示经纬度;表示时间戳,表示活动类别,表示用户当前所在格网,基于子步骤S113中的空间活动偏好的计算方法,计算在当前位置对所有类别的空间偏好得分,依据得分从大到小对类别排序,得到得分最高的类别,当位于兴趣格网集合中时,如果等于,将中对相应元素增加1,表示的第行,表示第列,以此类推,计算所有用户的空间成功率矩阵。
可选的,所述利用非负张量分解方法构建用户时间活动偏好模型步骤S120具体包括:
三维张量构建子步骤S121:
用户时间活动偏好获取子步骤S122:
在CP分解模型中将非负约束添加到基于最小二乘的分解算法中,获得了一个恢复张量来描述用户的时间活动偏好;
活动偏好推断子步骤S123:
时间成功率矩阵构建子步骤S124:
基于时间活动偏好分布,计算时间活动偏好模型在格网上的推荐成功率,进而构建时间成功率矩阵,矩阵的每一行代表一个时间范围,每一列代表格网,利用签到记录,基于子步骤S123中的时间活动偏好的计算方法,计算时间活动偏好模型在格网上的推荐成功率。
可选的,时间成功率矩阵构建子步骤S124具体为:
初始化矩阵,将矩阵元素赋值为0,在验证数据集中,对于任意用户,依次取出的签到记录,表示为,其中,表示经纬度,表示时间戳,表示活动类别,表示用户当前所在格网,利用子步骤S123中的时间活动偏好的计算方法,计算在当前时间对所有类别的时间偏好得分,依据得分从大到小对类别排序,得到得分最高的类别,当位于兴趣格网集合中时,如果时间偏好模型预测出的等于,将中对相应元素增加1,表示的第行,表示第列,以此类推,计算所有用户的时间成功率矩阵。
可选的,在推荐列表生成子步骤S131之后,还具有
精度验证子步骤S132:
可选的,本方法将用户签到数据集进行划分,将每个用户的签到历史记录按照签到时间排序,并按照一定的比例分别划分到训练数据集、验证数据集和测试数据集中,步骤S111、S112、S113、S121、S122和S123采用训练数据集进行模型构建,步骤S114和S124采用验证数据集进行成功率计算,步骤S131和S132使用测试数据集进行模型验证。
可选的,在三维张量构建子步骤S121中,三维张量的三个维度分别为用户维度、时间维度和活动维度,用户维度将每个用户表示为独立的一个维度,活动维度用POI的类别表示,时间维度表示为按照一定时间间隔划分的时间段。
可选的,在用户时间活动偏好获取子步骤S122中,张量分解参数包括潜在空间维度,所述潜在空间维数的大小影响张量分解时间和推荐精度。
本发明进一步公开了一种存储介质,用于存储计算机可执行指令,其特征在于:
所述计算机可执行指令在被处理器执行时执行上述的基于地理格网的兴趣点活动推荐方法。
本发明分别考虑位置社交网络中用户签到活动的空间和时间特征,降低问题的复杂度。基于地理格网和张量分解方法改善用户签到数据的稀疏性,通过计算用户的空间和时间活动分布,根据时间分布的预测概率和空间分布的预测概率共同确定向用户推荐的兴趣活动,对用户兴趣区域进行了定量分析,提高了位置社交网络中兴趣活动推荐的准确性,使得推荐结果满足用户的个性化需求。
附图说明
图1根据本发明具体实施例的基于地理格网的兴趣活动推荐方法的流程图;
图2是根据本发明具体实施例的基于地理格网的兴趣活动推荐方法的具体的流程图;
图3是根据本发明具体实施例在NCP(NonnegativeCandecamp/Parafac)模型中不同潜在维数下的推荐精度;
图4是根据本发明具体实施例的基于NCP分解模型的用户时间活动偏好计算的示例。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
本发明在于:利用位置社交网络中用户的签到历史记录对用户的签到活动进行建模,提出个性化城市兴趣活动推荐方法。该方法基于地理格网将用户对城市区域的地理偏好和时间偏好相融合,分析用户在城市签到的时空行为,推荐更合适的兴趣活动给目标用户。
参见图1示出了基于地理格网的兴趣活动推荐方法的流程图,而图2,示出了该推荐方法的具体的流程图。
一种基于地理格网的兴趣活动推荐方法,包括如下步骤:
基于地理格网构建用户空间活动偏好模型步骤S110:
将城市区域划分为若干个地理格网,映射用户签到信息,计算用户在每个格网的签到频率和类别偏好偏差比,获取用户的兴趣网格集合,推断用户在位置的空间活动偏好,计算用户的空间活动偏好分布,并利用所述空间活动偏好分布,计算空间活动偏好模型在格网上的推荐成功率,构建空间成功率矩阵。
具体的,该步骤S110可以包括如下子步骤:
用户签到信息映射子步骤S111:将城市区域划分为若干个大小相同的规则格网,将用户的签到信息映射到这些格网中,获得所在格网编号属性。
具体的,获得研究区域的最大、最小经度和纬度值,按照米间隔将研究区域划分为若干个大小相同的规则格网,并对所有格网进行编号,编号从0开始。获取用户的任意一条签到记录,将签到位置匹配到格网中,判断签到点所在格网及其编号。
实验数据采用Foursquare数据,空间范围从(40.54085247,-74.28476645)到(40.99833172,-73.6738252)。所述签到记录表示为,其中,表示用户编号,表示POI编号,表示纬度,表示经度,表示签到时间,表示POI类别。给签到记录添加属性,则签到记录表示为。
具体的,Foursquare数据中记录了纽约的用户从2012年4月到2013年2月的签到记录,为了缓解数据稀疏性的影响,移除了签到次数少于10次的用户和被访问次数少于10次的兴趣点。经过数据预处理,得到的Foursquare数据集共有1083个用户,38333个兴趣点,总签到次数为227428。兴趣点分为9个大类,215个子类,本发明采用子类别作为活动类别。
本发明可以将用户签到数据集进行划分,将每个用户的签到历史记录按照签到时间排序,并按照一定的比例,例如8:1:1,分别划分到训练数据集、验证数据集和测试数据集中。
用户兴趣格网获取子步骤S112:
首先,用户在格网内签到频率是格网欢迎程度的一个直接评估指标,一个区域被签到次数越多,说明该区域内的兴趣点对用户越具有吸引力。同时,由于用户在经常签到的区域中通常只访问其中的几个类别,而不是所有类别,说明用户在格网的签到具有多样性。
偏好偏差比用于衡量用户在格网中的类别偏好度,假设格网中共有个类别的POI(Pointof Interest),用户访问了其中个类别的POI,偏好偏差比衡量了在的签到类别分布熵和类别分布最大熵之间的分数差,计算公式如下:
获取用户感兴趣区域的具体方法为:首先计算用户在所有区域的签到数量,获得用户签到所在的格网集合,然后依次扫描用户访问的格网,计算签到频率,如果该格网是用户频繁访问的格网(即签到频率大于或等于阈值),计算偏好偏差比;如果大于或等于,则将作为用户的兴趣格网,加入到兴趣格网集合中;依次遍历用户所有的签到格网,得到用户的兴趣格网集合。决定了用户在格网的活跃度,表示用户在格网中的活动偏好偏差度。和值越大,集合越小。
空间活动偏好计算子步骤S113:
空间成功率矩阵构建子步骤S114:
基于所述空间活动偏好分布,使用验证数据集计算空间活动偏好模型在格网上的推荐成功率,进而为每一个用户构建空间成功率矩阵,矩阵的每一行代表一个时间范围,每一列代表格网,利用验证集中的签到记录,基于子步骤S113中的空间活动偏好的计算方法,计算空间活动偏好模型在格网上的推荐成功率。
具体的,用表示用户的空间成功率矩阵,矩阵的每一行代表一个时间戳,每一列代表格网。考虑到用户签到点在每日签到、工作日和非工作日签到的周期性,将时间按照1小时为间隔,将每天划分为24个时间段,将每星期划分为168个时间间隔,每个时间间隔表示一个时间戳。给定时间,的计算方式见下式:
首先初始化矩阵,将矩阵元素赋值为0。在验证数据集中,对于任意用户,依次取出的签到,表示为,为了便于表达,用表示签到记录(其中,表示经纬度;表示时间戳,根据计算得到;表示活动类别;表示用户当前所在格网)。基于子步骤S113中的空间活动偏好的计算方法,计算在当前位置对所有类别的空间偏好得分,依据得分从大到小对类别排序,得到得分最高的类别,当位于兴趣格网集合中时,如果等于,将中对相应元素增加1,表示的第行,表示第列,以此类推,计算所有用户的空间成功率矩阵。
利用非负张量分解方法构建用户时间活动偏好模型步骤S120:
根据用户签到记录构建一个用户-时间-类别的三维张量,张量中的元素表示用户在时间段选择活动签到的频率,根据所述三维张量,基于非负张量分解算法,获得恢复张量描述用户的时间活动偏好;根据所述张量分解结果,推断用户在当前时间下的活动偏好分布;基于时间活动偏好分布,计算时间活动偏好模型在格网上的推荐成功率,进而构建时间成功率矩阵。
具体的,包括如下子步骤:
三维张量构建子步骤S121:
根据用户签到记录构建一个用户-时间-活动的三维张量,表示为,在时间维度,考虑到用户签到点在每日签到、工作日和非工作日签到的周期性,将时间按照1小时为间隔,将每天划分为24个时间段,将每星期划分为168个时间间隔。在活动维度,采用POI的251个子类别表示用户活动。本实施例中共有1083个有效用户,215个类别。因此,张量表示为。张量中的元素表示用户在时间段选择活动签到的次数,若用户未在时间段访问过活动,则为0。张量分解的目的是,将中的0值通过分解算法均赋予一定的值。
因此,该子步骤中,三维张量的三个维度分别为用户维度、时间维度和活动维度,用户维度将每个用户表示为一个维度,活动维度用POI的类别表示,时间维度表示为按照一定时间间隔划分的时间段。
用户时间活动偏好获取子步骤S122:
由于用户签到概率不可能为负值,因此恢复张量中的负值对于用户偏好来说是没有意义的,因此采用非负CP分解模型将构建的张量分解成三个一阶张量和。
在CP分解模型中将非负约束添加到基于最小二乘的分解算法中,获得了一个恢复张量来描述用户的时间活动偏好。
张量分解参数包括潜在空间维度,所述潜在空间维数会显著影响推荐性能,具体为影响张量分解时间和推荐精度。本实施例还考虑了潜在空间维数对推荐精度的影响。如图3给出了潜在空间维数从8到128的变化过程中推荐性能的变化。可以看出,维数越大,推荐性能越好,但增长速度逐渐变缓慢。
在一个示例中,按照上述的模型构建思路得到还原后的张量,可以利用Python的Tensorly开源代码包来完成非负张量分解。其中,Tensorly是一个可以执行张量分解、张量学习和张量代数的开放源代码包,其提供的non_negative_parafac函数可以实现NCP分解。
活动偏好推断子步骤S123:
因此,对于给定的用户和时间,所有类别偏好度量的总和被标准化为1,恢复张量中所有元素的取值范围为,标准化使得时间偏好与空间偏好能够融合,标准化后的元素值视为用户在时间访问类别的概率,用户在时间的时间活动偏好表示为:
时间成功率矩阵构建子步骤S124:
基于所述时间活动偏好分布,使用验证数据集计算时间活动偏好模型在格网上的推荐成功率,进而构建时间成功率矩阵,矩阵的每一行代表一个时间范围,每一列代表格网,利用验证集中的签到记录,基于子步骤S123中的时间活动偏好的计算方法,计算时间活动偏好模型在格网上的推荐成功率。
首先初始化矩阵,将矩阵元素赋值为0,在验证数据集中,对于任意用户,依次取出的签到记录,表示为(其中,表示经纬度;表示时间戳;表示活动类别;表示用户当前所在格网)。利用子步骤S123中的时间活动偏好的计算方法,计算在当前时间对所有类别的时间偏好得分,依据得分从大到小对类别排序,得到得分最高的类别。当位于兴趣格网集合中时,如果时间偏好模型预测出的等于,将中对相应元素增加1,表示的第行,表示第列,以此类推,计算所有用户的时间成功率矩阵。
时间偏好和空间偏好融合步骤S130:
在给定用户的空间和时间上下文的情况下,需要采用一种融合方式将时间和空间活动偏好进行融合,线性加权、相乘等方法是常用的融合方式。然而,由于空间和时间模型的性能随时间和地点的变化而变化,难以根据用户上下文动态地分配这两个权重。
推荐列表生成子步骤S131:根据成功率矩阵推断用户活动偏好,对比空间成功率矩阵和时间成功率矩阵中的元素值,选择值较高的模型结果作为最终的推荐结果。
实验结果表明,空间活动偏好模型能更好捕捉用户的活动偏好。
进一步的,本发明还通过实验对本发明的基于地理格网的兴趣活动推荐方法进行了精确度验证。
精度验证子步骤S132:
本实验还考虑到了推荐数量对精确度的影响,表1给出了推荐数量为时1、5和10时,几种推荐方法推荐精确度的变化。所述对比方法包括MFT(时间段内最频繁访问的活动)、CP(CP分解)、NCP(非负的CP分解)、MFA(用户访问最频繁的活动)、SPM(空间偏好模型)、STUAP(基于地理格网的兴趣活动推荐方法)。可以看出,在推荐数量相同的情况下,本发明的兴趣活动推荐方法精确度最高。
表1推荐性能对比实验
本发明的实验数据集包括训练集、验证集和测试集,步骤S111、S112、S113、S121、S122和S123采用训练数据集进行模型构建,步骤S114和S124采用验证数据集进行成功率计算,步骤S131和S132使用测试数据集进行模型验证。
本发明进一步公开了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时执行上述的基于地理格网的兴趣点活动推荐方法。
综上,本发明分别考虑位置社交网络中用户签到活动的空间和时间特征,降低问题的复杂度。基于地理格网和张量分解方法改善用户签到数据的稀疏性,通过计算用户的空间和时间活动分布,根据时间分布的预测概率和空间分布的预测概率共同确定向用户推荐的兴趣活动,对用户兴趣区域进行了定量分析,提高了位置社交网络中兴趣活动推荐的准确性,使得推荐结果满足用户的个性化需求。
显然,本领域技术人员应该明白,上述的本发明的各单元或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定保护范围。
Claims (10)
1.一种基于地理格网的兴趣活动推荐方法,包括如下步骤:
基于地理格网构建用户空间活动偏好模型步骤S110:
将城市区域划分为若干个地理格网,映射用户签到信息,计算用户在每个格网的签到频率和类别偏好偏差比,获取用户的兴趣网格集合,推断用户在位置的空间活动偏好,计算用户的空间活动偏好分布,并利用所述空间活动偏好分布,计算空间活动偏好模型在格网上的推荐成功率,构建空间成功率矩阵;
利用非负张量分解方法构建用户时间活动偏好模型步骤S120:
根据用户签到记录构建用户-时间-类别的三维张量,张量中的元素表示用户在时间段选择活动签到的频率,根据所述三维张量,基于非负张量分解算法,获得恢复张量描述用户的时间活动偏好;根据张量分解结果,推断计算用户在当前时间下的活动偏好分布;基于时间活动偏好分布,计算时间活动偏好模型在格网上的推荐成功率,构建时间成功率矩阵;
时间偏好和空间偏好融合步骤S130:
推荐列表生成子步骤S131:根据成功率矩阵推断用户活动偏好,对比空间成功率矩阵和时间成功率矩阵中的元素值,选择值较高的模型结果作为最终的推荐结果。
2.根据权利要求1所述的兴趣活动推荐方法,其特征在于:
所述基于地理格网构建用户空间活动偏好模型步骤S110包括如下子步骤:
用户签到信息映射子步骤S111:将城市区域划分为若干个大小相同的规则格网,将用户的签到信息映射到这些格网中,获得所在格网编号属性;
用户兴趣格网获取子步骤S112:
空间活动偏好计算子步骤S113:
空间成功率矩阵构建子步骤S114:
4.根据权利要求3所述的兴趣活动推荐方法,其特征在于:
所述利用非负张量分解方法构建用户时间活动偏好模型步骤S120具体包括:
三维张量构建子步骤S121:
用户时间活动偏好获取子步骤S122:
在CP分解模型中将非负约束添加到基于最小二乘的分解算法中,获得了一个恢复张量来描述用户的时间活动偏好;
活动偏好推断子步骤S123:
时间成功率矩阵构建子步骤S124:
7.根据权利要求5所述的兴趣活动推荐方法,其特征在于:
所述兴趣活动推荐方法将用户签到数据集进行划分,将每个用户的签到历史记录按照签到时间排序,并按照一定的比例分别划分到训练数据集、验证数据集和测试数据集中,步骤S111、S112、S113、S121、S122和S123采用训练数据集进行模型构建,步骤S114和S124采用验证数据集进行成功率计算,步骤S131和S132使用测试数据集进行模型验证。
8.根据权利要求5所述的兴趣活动推荐方法,其特征在于:
在三维张量构建子步骤S121中,三维张量的三个维度分别为用户维度、时间维度和活动维度,用户维度将每个用户表示为一个维度,活动维度用POI的类别表示,时间维度表示为按照一定时间间隔划分的时间段。
9.根据权利要求5所述的兴趣活动推荐方法,其特征在于:
在用户时间活动偏好获取子步骤S122中,张量分解参数包括潜在空间维度,所述潜在空间维数的大小影响张量分解时间和推荐精度。
10.一种存储介质,用于存储计算机可执行指令,其特征在于:
所述计算机可执行指令在被处理器执行时执行权利要求1-9中任意一项所述的基于地理格网的兴趣点活动推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034325.6A CN114048391B (zh) | 2022-01-13 | 2022-01-13 | 一种基于地理格网的兴趣活动推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034325.6A CN114048391B (zh) | 2022-01-13 | 2022-01-13 | 一种基于地理格网的兴趣活动推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114048391A true CN114048391A (zh) | 2022-02-15 |
CN114048391B CN114048391B (zh) | 2022-04-19 |
Family
ID=80196433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210034325.6A Active CN114048391B (zh) | 2022-01-13 | 2022-01-13 | 一种基于地理格网的兴趣活动推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114048391B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495665A (zh) * | 2022-11-16 | 2022-12-20 | 中南大学 | 地表覆盖更新众包任务推荐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110276565A1 (en) * | 2010-05-04 | 2011-11-10 | Microsoft Corporation | Collaborative Location and Activity Recommendations |
CN108460101A (zh) * | 2018-02-05 | 2018-08-28 | 山东师范大学 | 面向位置社交网络基于地理位置正则化的兴趣点推荐方法 |
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 |
CN112905905A (zh) * | 2021-01-22 | 2021-06-04 | 杭州电子科技大学 | 一种位置社交网络中兴趣点-区域联合推荐方法 |
-
2022
- 2022-01-13 CN CN202210034325.6A patent/CN114048391B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110276565A1 (en) * | 2010-05-04 | 2011-11-10 | Microsoft Corporation | Collaborative Location and Activity Recommendations |
CN108460101A (zh) * | 2018-02-05 | 2018-08-28 | 山东师范大学 | 面向位置社交网络基于地理位置正则化的兴趣点推荐方法 |
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 |
CN112905905A (zh) * | 2021-01-22 | 2021-06-04 | 杭州电子科技大学 | 一种位置社交网络中兴趣点-区域联合推荐方法 |
Non-Patent Citations (1)
Title |
---|
廖国琼等: "基于位置社会网络的双重细粒度兴趣点推荐", 《计算机研究与发展》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495665A (zh) * | 2022-11-16 | 2022-12-20 | 中南大学 | 地表覆盖更新众包任务推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114048391B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Predicting activity attendance in event-based social networks: Content, context and social influence | |
US20190197570A1 (en) | Location-based analytic platform and methods | |
US10235683B2 (en) | Analyzing mobile-device location histories to characterize consumer behavior | |
Cheng et al. | A unified point-of-interest recommendation framework in location-based social networks | |
CN110191416A (zh) | 用于分析目标实体的移动的装置、系统和方法 | |
CN107230108A (zh) | 业务数据的处理方法及装置 | |
Wu et al. | Density-based place clustering using geo-social network data | |
Zhang et al. | Simulation optimization using the particle swarm optimization with optimal computing budget allocation | |
CN110516476B (zh) | 基于频繁位置分类的地理不可区分性位置隐私保护方法 | |
Hu et al. | Nonnegative matrix tri-factorization with user similarity for clustering in point-of-interest | |
Rahimi et al. | Behavior-based location recommendation on location-based social networks | |
CN114048391B (zh) | 一种基于地理格网的兴趣活动推荐方法 | |
Chen et al. | A temporal recommendation mechanism based on signed network of user interest changes | |
CN113158038A (zh) | 基于sta-tcn神经网络框架的兴趣点推荐方法及系统 | |
Farjami et al. | A genetic-fuzzy algorithm for spatio-temporal crime prediction | |
EP3192061B1 (en) | Measuring and diagnosing noise in urban environment | |
Tanton | Spatial microsimulation: developments and potential future directions | |
CN111259268A (zh) | Poi推荐模型的构建方法及系统 | |
CN116188052A (zh) | 共享车辆的投放方法、装置、计算机设备和存储介质 | |
CN115952355A (zh) | 基于时空幂律注意力的下一兴趣点推荐系统 | |
Zeng et al. | LGSA: A next POI prediction method by using local and global interest with spatiotemporal awareness | |
CN115455276A (zh) | 推荐对象的方法、装置、计算机设备和存储介质 | |
CN112883292A (zh) | 用户行为推荐模型建立及基于时空信息的位置推荐方法 | |
Mazzamurro et al. | Dynamic spatial cluster process model of geo-tagged tweets in london | |
Su et al. | Point-of-interest recommendation based on geographical influence and extended pairwise ranking |
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 |