CN116541617B - 参会用户及地点推荐方法及系统 - Google Patents
参会用户及地点推荐方法及系统 Download PDFInfo
- Publication number
- CN116541617B CN116541617B CN202310777988.1A CN202310777988A CN116541617B CN 116541617 B CN116541617 B CN 116541617B CN 202310777988 A CN202310777988 A CN 202310777988A CN 116541617 B CN116541617 B CN 116541617B
- Authority
- CN
- China
- Prior art keywords
- community
- track
- users
- dominant
- user
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000005065 mining Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims description 13
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供参会用户及地点推荐方法及系统，方法包括：从活动举办方获得核心用户集合，从位置社交网络中得到每个用户的轨迹序列；利用局部社区检测算法挖掘核心用户集合所在的社区，从而获得参会用户；利用简单加权偏好融合策略，计算核心用户集合中每个轨迹点的评分，以生成轨迹点推荐列表；根据以上步骤得到参会用户名单和轨迹点，提供给活动举办方。（1）本发明从活动举办方角度出发，将生活轨迹上相似且社交关系联系密切的用户作为参加活动的潜在用户。再根据这些用户的轨迹数据，确定举办活动的地点。（2）本发明采用局部社区发现算法来获得参会用户。相比于访问整个数据集的传统推荐技术，具有更低的时间开销。本发明更适用于大数据集。
Description
技术领域
本发明涉及社交互动规划领域，具体涉及参会用户及地点推荐方法及系统。
背景技术
举办线下活动时，需要邀请参加的潜在用户以及确定活动的地点。如何选择既能让活动主办方满意，又能让参会者满意的参会人员和活动地点非常重要。在参会人员方面，在社交关系上联系紧密的用户反映了他们对某件事、某个活动会更有相同的意愿。同时活动地点的选择也是活动举办成功与否的关键因素，如何选择合适的地点也是本次活动主办方考虑的重点问题之一，根据用户轨迹信息，推荐那些对于人们更加方便、快捷的活动地点，参会人群的积极性就会更高，活动的举办就会更加成功。位置社交网络的海量数据中包含了丰富的用户信息，其中包含了用户的社交信息和用户日常的行为轨迹数据，而社区检测技术可以帮助进行社会行为分析和社区推荐。公布号为CN104750829A的现有发明专利申请文献《一种基于签到特征的用户位置分类方法及系统》该模型包括：针对用户当前的“签到”场所，查询其是否已在用户的历史“签到”位置集里面；如果不在，则分别基于位置社交网络全局用户知识域、用户好友知识域、用户个人知识域提取用户的“签到”特征；应用已训练的SVM分类模型对用户当前的“签到”场所进行分类，预测该位置是否为用户将来频繁“签到”的场所。但前述现有技术只考虑了用户的签到信息，而未考虑用户自身实际的社交关系，会导致社区推荐效果不佳。以及公布号为CN106056455A的现有发明专利申请文献《一种基于位置和社交关系的社区与地点推荐方法》通过对LBSN中的用户签到信息的采集，剔除有效性差的地点与用户数据，最终获得用户的签到数据。然后利用皮尔森相关系数，以用户间共有的签到数据衡量签到相似性，计算出用户间签到相似度，构建用户签到相似度网络。再根据签到相似性网络，利用离散粒子群优化方法，识别出不同的社区。然后根据用户位置社交网络的帐号，获取好友列表，形成社区内用户的社交邻接关系，最终生成社交社区，推荐给核心用户并利用协同过滤的推荐方法对核心用户进行地点推荐。公布号为CN104750829A和 CN106056455A的专利从用户层面出发，旨在将地点推荐给该用户，与本专利的目标不同。本专利是从活动举办方的角度出发，确定活动参与用户，考虑了所有潜在参会用户的轨迹和社交关系的情形下，确定活动地点，并将确定后的活动地点推荐给所有潜在参会用户。此外，公布号为 CN104750829A和CN106056455A的专利使用整个数据集为所有用户推荐地点，在处理海量数据集时，面临高昂的时间开销。现实场景中，只需要为有活动需求的活动举办方及可能参会的用户进行推荐，而不需要为网络中所有用户都进行推荐。本专利旨在为活动举办方确定参会人员和活动地点，只访问活动举办方提供的核心用户所在局部网络即可，时间复杂度较低。
综上，现有推荐技术存在不适用于给一组用户推荐活动地点以及时间复杂度高的技术问题。
发明内容
本发明所要解决的技术问题在于：如何解决现有技术不适用于给一组用户推荐活动地点，以及时间复杂度高的技术问题。
本发明是采用以下技术方案解决上述技术问题的：参会用户及地点推荐方法包括：
S1、从活动举办方获得嘉宾、铁粉等核心用户，组成核心用户集合s，从位置社交网络G中获取用户的签到位置信息，其中位置社交网络G=<V，E>，V是节点集，每个节点附带有一条轨迹信息/>表示用户i，/>表示用户i的轨迹，E是边集，表示用户之间的社交关系；
S2、根据位置社交网络G和核心用户集合s，利用局部社区检测算法，挖掘核心用户集合s所在的目标社区，即潜在的参会用户；
S3、根据目标社区中所有用户的轨迹点集，利用简单加权偏好融合策略，计算目标社区中的用户对核心用户集合中的每个轨迹点的评分score；
S4、根据S2得到潜在的参会用户，将这些用户名单提供给活动举办方，根据S3得到预测评分score，对轨迹点集合中的轨迹点进行排序操作，以生成轨迹点推荐列表，选取满足预置条件的轨迹点，提供给活动举办方。
本发明从活动举办方的角度出发，确定活动参与用户，考虑了所有潜在参会用户的轨迹和社交关系的情形下，确定活动地点，并将确定后的活动地点推荐给所有潜在参会用户。在本发明的实施场景中，只需要为有活动需求的活动举办方及可能参会的用户进行推荐，而不需要为网络中所有用户都进行推荐。
在更具体的技术方案中，步骤S2包括：
S21、初始化社区及其参数，其中初始未拓展的非支配社区集合NDE为核心用户集合s，非支配社区集合ND也为核心用户集合s；
S22、对未拓展的非支配社区集合NDE中的每个社区执行社区拓展操作，以得到拓展社区集合D，计算拓展社区集合D和上一轮筛选得到的非支配社区集合ND中每个社区的值和/>值，/>为社区的局部模块度，/>为社区轨迹紧密度；
S23、对拓展社区集合D和上一轮筛选得到的非支配社区集合ND进行社区筛选，以得到新的非支配社区集合ND。
S24、更新未拓展的非支配社区集合NDE，循环执行步骤S22至步骤S23，直至没有未拓展操作的非支配社区，以得到了当前的非支配社区集合ND；
S25、从非支配社区集合ND={}中，选择曼哈顿距离MMD最小的非支配社区，以作为核心用户集合s的所在社区。
本发明从活动举办方角度出发，将生活轨迹上相似且社交关系联系密切的用户作为参加活动的潜在用户。在根据这些用户的轨迹数据，确定举办活动的地点。对于参会的用户而言，参与活动包括熟悉的好友以及具有相似轨迹的非好友用户，使得参会时不会有孤独感，且能满足交新朋友的需求，参会人群的积极性高。推荐那些对于人们更加方便、快捷的活动地点，用户参会的可能性会更大。
在更具体的技术方案中，步骤S25包括：
S251、计算非支配社区集合ND中的每个非支配社区的/>和/>的值；
S252、根据和/>的值，计算每个非支配社区/>的归一化函数值/>和/>；
S253、根据归一化函数值，计算每个非支配社区的的曼哈顿距离MMD，选择MMD最小的非支配社区。
在更具体的技术方案中，步骤S3包括：
S31、利用下述逻辑，计算核心用户集合中的每个轨迹点t距离目标社区中所有用户最新轨迹点的距离：
=/>（8）
=/>（9）
其中t表示某个轨迹点，j表示用户最新轨迹点，n是用户个数，dis为欧几里得距离；
S32、根据核心用户集合中的每个轨迹点t距离目标社区中所有用户每个轨迹点的距离，计算目标社区所有用户去过核心用户集合中每个轨迹点t的频繁程度；
在更具体的技术方案中，步骤S32中，对于轨迹点t，采用下述逻辑计算目标社区所有用户去过核心用户集合中每个轨迹点t的频繁程度：
（10）
其中，为目标社区中所有用户去过核心用户集合中每个轨迹点t的频繁程度，/>为核心用户轨迹点t与目标社区用户每个轨迹点j的欧几里得距离，/>为目标社区内用户最新轨迹点距离轨迹点t的平均值。
S33、根据目标社区所有用户到核心用户轨迹点的便利性（即目标社区中每个用户最新轨迹点距离核心用户集合中的每个轨迹点的距离远近，公式（8））和用户的兴趣（即目标社区中用户去过核心用户集合中的每个轨迹点的频繁程度，公式（10）），计算预测评分score。
score=+/>（11）
其中和/>是不同的权重值。
本发明采用局部社区发现算法来获得潜在参会用户。在检测局部社区的过程中，仅访问核心用户集合所在的局部网络。相比于访问整个数据集的传统推荐技术，具有更低的时间开销。本发明更适用于大数据集。
在更具体的技术方案中，参会用户及地点推荐系统包括：
核心用户集合s和用户轨迹序列获取模块，用以从活动举办方获得嘉宾、铁粉等核心用户，组成核心用户集合s，用以从位置社交网络中提取用户的签到位置信息，以得到每个所述用户i的轨迹序列；
目标社区挖掘模块，用以根据位置社交网络G和核心用户集合s，利用局部社区检测算法，挖掘所述核心用户集合s所在的目标社区，目标社区挖掘模块与核心用户集合s和用户轨迹序列获取模块连接；
轨迹点预测评分模块，用以利用简单加权偏好融合策略，计算目标社区对核心用户的轨迹点集合的预测评分score，轨迹点预测评分模块与目标社区挖掘模块连接；
推荐模块，用以根据所述目标社区，将潜在的参会用户名单提供给活动举办方，用以根据预测评分score，对轨迹点集合中的轨迹点进行排序操作，以生成轨迹点推荐列表，选取满足预置条件的轨迹点，提供给活动举办方，推荐模块与轨迹点预测评分模块连接。
本发明相比现有技术具有以下优点：本发明从活动举办方的角度出发，确定活动参与用户，考虑了所有潜在参会用户的轨迹和社交关系的情形下，确定活动地点，并将确定后的活动地点推荐给所有潜在参会用户。现实场景中，只需要为有活动需求的活动举办方及可能参会的用户进行推荐，而不需要为网络中所有用户都进行推荐。
本发明从活动举办方角度出发，将生活轨迹上相似且社交关系联系密切的用户作为参加活动的潜在用户。在根据这些用户的轨迹数据，确定举办活动的地点。对于参会的用户而言，参与活动包括熟悉的好友以及具有相似轨迹的非好友用户，使得参会时不会有孤独感，且能满足交新朋友的需求，参会人群的积极性高。推荐那些对于人们更加方便、快捷的活动地点，用户参会的可能性会更大。
本发明采用局部社区发现算法来获得潜在参会用户。在检测局部社区的过程中，仅访问核心用户集合所在的局部网络。相比于访问整个数据集的传统推荐技术，具有更低的时间开销。本发明更适用于大数据集。
本发明克服了现有技术不适用为活动举办方提供参会用户名单和活动地点，以及时间复杂度高的问题。
附图说明
图1为本发明实施例1的参会用户及地点推荐方法基本步骤示意图；
图2为本发明实施例1的挖掘目标社区具体步骤示意图；
图3为本发明实施例1的给定用户所在社区寻获具体步骤示意图；
图4为本发明实施例1的计算目标社区所有用户对核心用户轨迹点集合的评分具体步骤示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，本发明提供的参会用户及地点推荐方法包括以下基本步骤：
S1：从活动举办方获得嘉宾、铁粉等核心用户，组成核心用户集合s。从位置社交网络G中获取用户的签到位置信息，其中位置社交网络G=<V，E>，V是节点集，每个节点由附带有一条轨迹信息/>表示用户i，/>表示用户i的轨迹，E是边集，表示用户之间的社交关系；
S2：根据位置社交网络G和核心用户集合s，利用局部社区检测算法挖掘核心用户集合s所在的社区，即目标社区，也是潜在的参会用户；
S3：根据目标社区中所有用户的轨迹点集，利用简单加权偏好融合策略，计算目标社区对核心用户集合中的每个轨迹点的评分score，在本实施例中，此轨迹点集合由核心用户的轨迹组成；
S4：根据S2得到潜在的参会用户，将这些用户名单提供给活动举办方，根据步骤S3得到的预测等级score，将预测评分score以降序方式排列，生成轨迹点推荐列表，选取TOP-K轨迹点提供给活动举办方，在本实施例中，TOP-K轨迹点为活动地点。
如图2所示，在本实施例中，步骤S2包括以下具体步骤：
S21：根据位置社交网络G和核心用户集合s，利用局部社区检测算法挖掘核心用户集合s所在的社区，即目标社区。
在本实施例中，该社区内的节点在结构上是紧密连接的且有相似的轨迹。分别采用局部模块度和社区轨迹紧密度/>来度量社区内节点在结构上和轨迹上的相似程度。局部模块度/>和社区轨迹紧密度/>越大，表明社区内的节点在结构（轨迹）上越紧密（相似）。
=/>（1）
其中，是社区外部边的数量。
（2）
其中，表示用户i的轨迹，/>表示用户k的轨迹，sim_T(/>)为轨迹相似度，由公式（3）计算，/>表示社区C的尺寸。
在本实施例中，利用下述逻辑计算用户i和用户k之间的轨迹相似度sim_T()：
sim_T()=/>（3）
其中={/>}中的元素为用户i的轨迹点；
={/>}中的元素为用户k的轨迹点。
在本实施例中，轨迹相似度取值范围包括：[0，1]。
在本实施例中，利用下述逻辑计算轨迹点和/>之间的相似度/>：
=/>（4）
其中是两轨迹点之间的欧几里得距离，/>是距离阈值，根据具体的场景设置。
在本实施例中，基于社区的局部模块度值和社区轨迹紧密度/>值，定义了社区支配关系、非支配社区、支配社区。
在本实施例中，社区支配关系：给定社区和/>，如果/>且/>或者且/>，那么说社区/>支配/>，或者说社区/>被社区/>支配。在本实施例中，/>表示社区/>的局部模块度M。
在本实施例中，非支配社区、支配社区：在给定的一组社区中，如果社区C不能被任何社区所支配，那么它就是一个非支配社区；否则，C是一个被支配的社区。
如图2所示，在本实施例中，步骤S2还包括以下具体步骤：
S22、进行初始化；
在本实施例中，初始局部社区C包含节点集合s，初始化局部模块度和社区轨迹紧密度/>，初始未拓展的非支配社区集合NDE为核心用户集合s，非支配社区集合ND也为核心用户集合s。
S23、对未拓展的非支配社区集合NDE进行社区拓展；
在本实施例中，对未拓展的非支配社区集合NDE中的每个社区，将每个社区的邻节点分别单独加到各自的社区中，组成新的社区，计算加入节点后新社区的局部模块度和社区轨迹紧密度/>，其中所有加入节点后新的社区组成了拓展社区集合D。
S24、对拓展社区集合D和上一轮筛选得到的非支配社区集合ND进行社区筛选。
在本实施例中，对刚得到的拓展社区集合D和上一轮筛选得到的非支配社区集合ND进行筛选，按照局部模块度和社区轨迹紧密度/>的值降序的顺序对社区排序，找到所有的非支配社区，其中所有的非支配社区组成了非支配社区集合ND。
S25、更新未拓展的非支配社区集合NDE，反复执行步骤S23、S24，直到没有未拓展的非支配社区集合NDE为止，得到了当前的非支配社区集合ND。
在本实施例中，非支配社区集合ND是在局部模块度和社区轨迹紧密度/>上的多个最优社区。
S26、从所有非支配社区集合ND中选择曼哈顿距离MMD最小的社区，找到给定核心用户集合s的所在社区。
如图3所示，在本实施例中，步骤S26还包括以下具体步骤：
S261、计算每个社区的局部模块度/>和社区轨迹紧密度/>的值；
在本实施例中，对于非支配社区集合ND={}，利用公式（1）（2）计算每个社区/>的局部模块度/>和社区轨迹紧密度/>的值。
S262、计算每个社区的归一化函数值/>和/>；
在本实施例中，对于非支配社区集合ND={}，利用下面的公式计算每个社区/>归一化后的/>和/>。
=/>（5）
=/>（6）
在本实施例中，其中（/>）是对于ND中所有非支配社区/>）的最小值；是对于ND中所有非支配社区/>的最大值。
S263、计算每个非支配社区的曼哈顿距离MMD值：
=/>+/>（7）
选择曼哈顿距离MMD值最小的社区输出，即可得到核心用户集合s所在的目标社区，也即潜在的参会用户。
S3：在社区内，利用简单加权偏好融合策略，计算目标社区对核心用户集合中每个轨迹点的评分score，其中此轨迹点集合由核心用户的轨迹组成。
如图4所示，在本实施例中，步骤S3还包括以下具体步骤：
S31、计算核心用户集合中的每个轨迹点t距离目标社区中所有用户的最新轨迹点的距离。在本实施例中，考虑便利性，将距离目标社区中每个人更近轨迹点推荐给用户。
=/>（8）
=/>（9）
其中t表示某个轨迹点，j表示用户最新轨迹点，n是用户个数，dis为欧几里得距离。
S32、计算目标社区中所有用户去过核心用户集合中每个轨迹点t的频繁程度。在本实施例中，对于轨迹点t，目标社区中所有用户去过的频繁程度也是需要考虑的因素之一。采用下面的公式计算目标社区所有用户去过核心用户集合中每个轨迹点t的频繁程度：
（10）
其中为目标社区中所有用户去过轨迹点t的频繁程度，/>为核心用户集合中的轨迹点t与目标社区中内所有用户的每个轨迹点j的欧几里得距离，/>为目标社区内用户最新轨迹点距离核心用户轨迹点t的平均值。
S33、计算预测评分score：
score=+/>（11）
其中和/>是不同的权重值。
S4：根据S2得到潜在的参会用户，将这些用户名单提供给活动举办方，根据S3得到的预测等级score，将预测评分score以降序方式排列，生成轨迹点推荐列表，选取TOP-K轨迹点（即活动地点）提供给活动举办方。
综上，本发明从活动举办方的角度出发，确定活动参与用户，考虑了所有潜在参会用户的轨迹和社交关系的情形下，确定活动地点，并将确定后的活动地点推荐给所有潜在参会用户。现实场景中，只需要为有活动需求的活动举办方及可能参会的用户进行推荐，而不需要为网络中所有用户都进行推荐。本发明从活动举办方角度出发，将生活轨迹上相似且社交关系联系密切的用户作为参加活动的潜在用户。在根据这些用户的轨迹数据，确定举办活动的地点。对于参会的用户而言，参与活动包括熟悉的好友以及具有相似轨迹的非好友用户，优化用户参会体验，且能满足交新朋友的需求，参会人群的积极性高。推荐那些对于人们更加方便、快捷的活动地点，用户参会的可能性会更大。
本发明采用局部社区发现算法来获得潜在参会用户。在检测局部社区的过程中，仅访问核心用户所在的局部网络。相比于访问整个数据集的传统推荐技术，具有更低的时间开销。本发明更适用于大数据集。
本发明克服了现有技术不适用为活动举办方提供参会用户名单和活动地点，以及时间复杂度高的问题。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.参会用户及地点推荐方法，其特征在于，所述方法包括：
S1、从活动举办方获得核心用户，以组成核心用户集合s，从位置社交网络G中获取用户的签到位置信息，其中，所述位置社交网络G=<V，E>，V是节点集，每个节点附带有一条轨迹信息/>表示用户i，/>表示用户i的轨迹，E是边集，表示用户之间的社交关系；
S2、根据所述位置社交网络G和所述核心用户集合s，利用局部社区检测算法，从预置社区中，挖掘所述核心用户集合s所在的目标社区，以挖掘潜在参会用户，其中，根据所述位置社交网络G和所述核心用户集合s，利用所述局部社区检测算法挖掘所述核心用户集合s所在的社区，以作为所述目标社区，其中，分别采用社区局部模块度和社区轨迹紧密度/>，度量所述目标社区内，所述节点在结构上和轨迹上的相似程度，据以利用支配关系处理得到所述核心用户集合s所在的社区；
所述步骤S2还包括：
S21、初始化所述预置社区及其参数，其中，初始未拓展的非支配社区集合NDE为所述核心用户集合s，非支配社区集合ND初始也为所述核心用户集合s；
S22、对所述未拓展的非支配社区集合NDE中的每个社区执行社区拓展操作，以得到拓展社区集合D，计算所述拓展社区集合D和上一轮筛选得到的所述非支配社区集合ND中每个所述社区的值和/>值，其中，/>为社区C的局部模块度，/>为社区轨迹紧密度；
S23、对所述拓展社区集合D和上一轮筛选得到的所述非支配社区集合ND，进行社区筛选，以得到本轮筛选的所述非支配社区集合ND；
S24、更新所述未拓展的非支配社区集合NDE，循环执行所述步骤S22至所述步骤S23，直至没有未拓展操作的非支配社区，以得到当前的所述非支配社区集合ND；
S25、从当前的所述非支配社区集合ND={}中，选择非支配社区排名参数最小的所述社区，以作为给定核心用户集合s的所在目标社区；
所述步骤S25包括：
S251、计算每个所述非支配社区集合ND={}中的非支配社区/>的所述局部模块度/>和所述社区轨迹紧密度/>的值；
S252、根据所述局部模块度和所述社区轨迹紧密度/>的值，利用下述逻辑分别计算每个所述非支配社区/>的归一化函数值/>和/>：
=/>（5）
=/>（6）
S253、根据所述归一化函数值，计算每个所述非支配社区的所述非支配社区排名参数；
S3、根据所述目标社区中所有所述用户的轨迹点集，利用简单加权偏好融合策略，计算所述目标社区对所述核心用户集合中的每个轨迹点的预测评分score；
S4、根据所述潜在的参会用户，将这些用户名单提供给活动举办方，根据所述预测评分score，对所述轨迹点集中的所述轨迹点进行排序操作，以生成轨迹点推荐列表，选取满足预置条件的所述轨迹点，提供给所述活动举办方。
2.根据权利要求1所述的参会用户及地点推荐方法，其特征在于，所述步骤S2中，其中，所述步骤S22还包括：
S211、以下述逻辑处理得到所述社区C的所述局部模块度：
=/>（1）
式中，是社区外部边的数量；
S212、以下述逻辑处理得到所述社区C的所述社区轨迹紧密度：
（2）
式中，sim_T()为轨迹之间的相似度，/>表示所述社区C的尺寸；
S213、利用下述逻辑，计算用户i和用户k之间的轨迹相似度sim_T()：
sim_T()=/>（3）
式中，={/>}中的元素为用户i的轨迹点；
={/>}中的元素为用户k的轨迹点。
3.根据权利要求2所述的的参会用户及地点推荐方法，其特征在于，所述步骤S213中，利用下述逻辑计算两个轨迹点和/>之间的相似度/>：
=/>（4）
式中，是两轨迹点之间的欧几里得距离，/>是距离阈值，根据具体的场景设置，/>表示用户k的第l个轨迹点。
4.根据权利要求1所述的参会用户及地点推荐方法，其特征在于，所述步骤S3包括：
S31、利用下述逻辑，计算所述核心用户集合中，每个所述轨迹点t距离目标社区所有所述用户的最新轨迹点的距离：
=/>（8）
=/>（9）
式中，t表示轨迹点，表示用户h最新轨迹点，n是用户个数，dis为欧几里得距离；
S32、根据所述核心用户每个所述轨迹点t距离所有所述目标社区用户的每个轨迹点的距离，计算所有所述目标社区用户去过轨迹点的频繁程度；
S33、根据所述目标社区中，所有用户去所述核心用户集合中每个轨迹点的便利性，以及所有所述目标社区用户去过轨迹点的频繁程度，计算所述预测评分：
score= +/>（11）
其中和/>是不同的权重值。
5.根据权利要求4所述的参会用户及地点推荐方法，其特征在于，所述步骤S32中，对于所述轨迹点，采用下述逻辑计算所述目标社区所有用户去过核心用户集合中每个所述轨迹点t的频繁程度：
（10）
式中，为目标社区所有用户去过核心用户集合中每个轨迹点t的频繁程度，/>为核心用户轨迹点t与所述目标社区的用户的每个轨迹点j的欧几里得距离，/>为目标社区内用户最新轨迹点距离所述轨迹点t的平均值。
6.参会用户及地点推荐系统，其特征在于，所述系统包括：
核心用户集合和用户轨迹序列获取模块，用以从活动举办方获得核心用户，以组成核心用户集合s，从位置社交网络G中获取用户的签到位置信息，其中，所述位置社交网络G=<V，E>，V是节点集，每个节点附带有一条轨迹信息/>表示用户i，/>表示用户i的轨迹，E是边集，表示用户之间的社交关系；
目标社区挖掘模块，用以根据所述位置社交网络G和所述核心用户集合s，利用局部社区检测算法，从预置社区中，挖掘所述核心用户集合s所在的目标社区，以挖掘潜在参会用户，其中，根据所述位置社交网络G和所述核心用户集合s，利用所述局部社区检测算法挖掘所述核心用户集合s所在的社区，以作为所述目标社区，其中，分别采用社区局部模块度和社区轨迹紧密度/>，度量所述目标社区内，所述节点在结构上和轨迹上的相似程度，据以利用支配关系处理得到所述核心用户集合s所在的社区，其中，初始化所述预置社区及其参数，其中，初始未拓展的非支配社区集合NDE为所述核心用户集合s，非支配社区集合ND初始也为所述核心用户集合s；对所述未拓展的非支配社区集合NDE中的每个社区执行社区拓展操作，以得到拓展社区集合D，计算所述拓展社区集合D和上一轮筛选得到的所述非支配社区集合ND中每个所述社区的/>值和/>值，其中，/>为社区C的局部模块度，/>为社区轨迹紧密度；对所述拓展社区集合D和上一轮筛选得到的所述非支配社区集合ND，进行社区筛选，以得到本轮筛选的所述非支配社区集合ND；更新所述未拓展的非支配社区集合NDE，直至没有未拓展操作的非支配社区，以得到当前的所述非支配社区集合ND；从当前的所述非支配社区集合ND={/>}中，选择非支配社区排名参数最小的所述社区，以作为给定核心用户集合s的所在目标社区；其中，计算每个所述非支配社区集合ND={/>}中的非支配社区/>的所述局部模块度/>和所述社区轨迹紧密度/>的值；根据所述局部模块度/>和所述社区轨迹紧密度/>的值，利用下述逻辑分别计算每个所述非支配社区/>的归一化函数值/>和/>：
=/>（5）
=/>（6）
根据所述归一化函数值，计算每个所述非支配社区的所述非支配社区排名参数，所述目标社区挖掘模块与核心用户集合和用户轨迹序列获取模块连接；
轨迹点预测评分模块，用以根据所述目标社区中所有所述用户的轨迹点集，利用简单加权偏好融合策略，计算所述目标社区对所述核心用户集合中的每个轨迹点的预测评分score，所述轨迹点预测评分模块与所述目标社区挖掘模块连接；
推荐模块，用以根据所述潜在的参会用户，将这些用户名单提供给活动举办方，根据所述预测评分score，对所述轨迹点集中的所述轨迹点进行排序操作，以生成轨迹点推荐列表，选取满足预置条件的所述轨迹点，提供给所述活动举办方，所述推荐模块与所述轨迹点预测评分模块连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310777988.1A CN116541617B (zh) | 2023-06-29 | 2023-06-29 | 参会用户及地点推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310777988.1A CN116541617B (zh) | 2023-06-29 | 2023-06-29 | 参会用户及地点推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116541617A CN116541617A (zh) | 2023-08-04 |
| CN116541617B true CN116541617B (zh) | 2023-09-19 |
Family
ID=87449077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310777988.1A Active CN116541617B (zh) | 2023-06-29 | 2023-06-29 | 参会用户及地点推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116541617B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056455A (zh) * | 2016-06-02 | 2016-10-26 | 南京邮电大学 | 一种基于位置和社交关系的群组与地点推荐方法 |
| CN108399189A (zh) * | 2018-01-23 | 2018-08-14 | 重庆邮电大学 | 基于社团发现的好友推荐系统及其方法 |
| CN108537351A (zh) * | 2017-03-02 | 2018-09-14 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的确定方法及装置 |
| CN108874877A (zh) * | 2018-05-03 | 2018-11-23 | 浙江大学城市学院 | 一种面向位置社交网络的基于图链接分析的兴趣点推荐方法 |
| CN109213926A (zh) * | 2018-07-12 | 2019-01-15 | 南京邮电大学 | 一种基于社区划分和多源信息融合的地点推荐方法 |
| CN110222273A (zh) * | 2019-05-14 | 2019-09-10 | 上海交通大学 | 基于地理社区的社交网络中的商业点推广方法和系统 |
| CN111104607A (zh) * | 2018-10-25 | 2020-05-05 | 中国电子科技集团公司电子科学研究院 | 基于签到数据的地点推荐方法及装置 |
| CN112800345A (zh) * | 2021-02-03 | 2021-05-14 | 安徽大学 | 一种社区角色感知的用户需求主动预测方法及系统 |
| CN113254999A (zh) * | 2021-06-04 | 2021-08-13 | 郑州轻工业大学 | 一种基于差分隐私的用户社区挖掘方法及系统 |
| CN113836444A (zh) * | 2021-09-30 | 2021-12-24 | 中国科学院深圳先进技术研究院 | 一种线性时间好友推荐方法、系统、终端以及存储介质 |
| CN115344723A (zh) * | 2022-06-08 | 2022-11-15 | 安徽大学 | 基于改进构造性覆盖聚类算法的数字文化可视化方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090106040A1 (en) * | 2007-10-23 | 2009-04-23 | New Jersey Institute Of Technology | System And Method For Synchronous Recommendations of Social Interaction Spaces to Individuals |
| US11562168B2 (en) * | 2018-07-16 | 2023-01-24 | Here Global B.V. | Clustering for K-anonymity in location trajectory data |
-
2023
- 2023-06-29 CN CN202310777988.1A patent/CN116541617B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056455A (zh) * | 2016-06-02 | 2016-10-26 | 南京邮电大学 | 一种基于位置和社交关系的群组与地点推荐方法 |
| CN108537351A (zh) * | 2017-03-02 | 2018-09-14 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的确定方法及装置 |
| CN108399189A (zh) * | 2018-01-23 | 2018-08-14 | 重庆邮电大学 | 基于社团发现的好友推荐系统及其方法 |
| CN108874877A (zh) * | 2018-05-03 | 2018-11-23 | 浙江大学城市学院 | 一种面向位置社交网络的基于图链接分析的兴趣点推荐方法 |
| CN109213926A (zh) * | 2018-07-12 | 2019-01-15 | 南京邮电大学 | 一种基于社区划分和多源信息融合的地点推荐方法 |
| CN111104607A (zh) * | 2018-10-25 | 2020-05-05 | 中国电子科技集团公司电子科学研究院 | 基于签到数据的地点推荐方法及装置 |
| CN110222273A (zh) * | 2019-05-14 | 2019-09-10 | 上海交通大学 | 基于地理社区的社交网络中的商业点推广方法和系统 |
| CN112800345A (zh) * | 2021-02-03 | 2021-05-14 | 安徽大学 | 一种社区角色感知的用户需求主动预测方法及系统 |
| CN113254999A (zh) * | 2021-06-04 | 2021-08-13 | 郑州轻工业大学 | 一种基于差分隐私的用户社区挖掘方法及系统 |
| CN113836444A (zh) * | 2021-09-30 | 2021-12-24 | 中国科学院深圳先进技术研究院 | 一种线性时间好友推荐方法、系统、终端以及存储介质 |
| CN115344723A (zh) * | 2022-06-08 | 2022-11-15 | 安徽大学 | 基于改进构造性覆盖聚类算法的数字文化可视化方法 |
Non-Patent Citations (2)
| Title |
|---|
| cluster affiliation model for local community detection;倪莉;ICDIS;全文 * |
| 融合全局和局部信息的端到端边分类方法;颜登程;中文信息学报;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116541617A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hristova et al. | A multilayer approach to multiplexity and link prediction in online geo-social networks | |
| Lian et al. | CEPR: A collaborative exploration and periodically returning model for location prediction | |
| Zhao et al. | Personalized recommendations of locally interesting venues to tourists via cross-region community matching | |
| Yu et al. | Geo-friends recommendation in gps-based cyber-physical social network | |
| Lin et al. | Multi-domain adversarial feature generalization for person re-identification | |
| Zhou et al. | Mining personally important places from GPS tracks | |
| Chen et al. | An approach to group ranking decisions in a dynamic environment | |
| Muntean et al. | On learning prediction models for tourists paths | |
| CN110503531A (zh) | 时序感知的动态社交场景推荐方法 | |
| Christoforidis et al. | Recommendation of points-of-interest using graph embeddings | |
| CN106951471B (zh) | 一种基于svm的标签发展趋势预测模型的构建方法 | |
| He et al. | DatingSec: Detecting malicious accounts in dating apps using a content-based attention network | |
| Long et al. | A HITS-based POI recommendation algorithm for location-based social networks | |
| Xu et al. | Venue2vec: An efficient embedding model for fine-grained user location prediction in geo-social networks | |
| CN109359670A (zh) | 一种基于交通大数据的个体关联强度自动检测方法 | |
| Zhou et al. | Using hybrid normalization technique and state transition algorithm to VIKOR method for influence maximization problem | |
| CN111428127A (zh) | 融合主题匹配与双向偏好的个性化事件推荐方法及系统 | |
| Zhang et al. | Point of interest recommendation with social and geographical influence | |
| Beni et al. | A fast module identification and filtering approach for influence maximization problem in social networks | |
| Cao et al. | Efficient fine-grained location prediction based on user mobility pattern in lbsns | |
| CN116541617B (zh) | 参会用户及地点推荐方法及系统 | |
| Su et al. | Fgcrec: Fine-grained geographical characteristics modeling for point-of-interest recommendation | |
| Chen et al. | Profiling online social network users via relationships and network characteristics | |
| Ahmed et al. | Deep fuzzy contrast-set deviation point representation and trajectory detection | |
| Su et al. | Personalized point-of-interest recommendation on ranking with poisson factorization |
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 |