CN1661604A - 移动终端的活动记录分析和自动信息推荐系统及方法 - Google Patents

Abstract

一种向移动终端推荐信息的信息推荐系统，包括：短距离无线通信装置，用于接收移动终端发送的，指示该移动终端所在位置的信号，和向作为推荐对象的移动终端发送指示的位置和标识的信号；信息推荐管理设备，用于将所接收的用户信息转换成表示用户活动的至少一个特征的用户模型，存储经转换的用户模型和表示活动场所的至少一个特征的场所模型，计算用户模型中的特征与场所模型的特征之间的匹配程度，并根据计算的匹配程度确定是否向移动终端推荐场所的特征信息；和通信网络，用于在移动终端与信息推荐管理设备之间传送通信信号，并确定移动终端的位置。本发明还公开了向移动终端推荐场所信息的信息推荐方法。

Description

移动终端的活动记录分析 和自动信息推荐系统及方法

技术领域

本发明涉及当用户外出时，记录用户的访问场所，并基于用户访问的历史信息与喜好，自动向用户推荐信息的系统及方法。

背景技术

在信息大量出现的现代和未来社会中，人们需要高效的自动信息获取手段。用户在外出时希望及时获得所在地点附近的商场，餐馆，娱乐设施，加油站，停车场等重要活动场所的信息。因此，信息推荐系统(Recommendation System)正在发展起来。信息推荐系统是根据用户变化缓慢的兴趣，自动从大量信息中找到用户可能感兴趣的内容并提供给用户，以便在尽量减少用户的操作数量的同时，提高信息获取的效率。目前已经对推荐系统做出了许多研究。例如基于观看历史记录的自动电视节目推荐系统，以及基于用户兴趣的网上新闻自动推荐系统等等，并都有实际的运行系统。同时，基于移动终端位置的信息服务系统也有研究和实际系统出现。

日本专利申请公开No.昭61-194479公开了一种车载导向装置。该装置向用户提供车辆现在所在位置为中心的圆形区域内的餐馆等的预约信息，从而减轻乘车人的驾驶量，必要时所需信息就会被显示出来。

日本专利申请公开No.平06-307886公开了一种地图显示装置。该现有技术通过导向信息系统的信息存储装置存储的信息，用警报器通知司机，使司机能够安全驾驶车辆。其包括提供地图或餐馆等数据的信息存储装置，读出信息的信息读出装置和将读出的信息进行显示的显示装置，测算出目前位置的测算装置，进行区域和警报器设定的设定装置，对包含在设定区域内的餐馆等信息进行判定的判定装置，发警报的警报发生装置。在汽车行使中，如果用户选定的信息通过信息判定装置被判断出在某一区域内，就会通过警报手段8进行警报，可将信息通知给用户。

日本专利申请公开No.2001-264088公开了一种导向装置。这种导向装置通过转播和通信接收用户所在地点附近的店铺、餐馆、加油站、停车场等活动场所的信息，将这些服务信息在地图上进行重复显示，从被显示的多数服务信息中可将希望获取的服务信息用简单操作进行选择。它通过设置以地图上选定的位置和附加在所接收的服务信息为基础。其中对服务信息进行选择的服务信息选择部分以接近上述地图上的所选定位置的服务信息为第一侯选信息，当路线被设定时，沿路线依次对服务信息进行选择，对附加在服务信息上的实时属性信息，例如，有空车的停车场、有空位的餐馆等服务信息进行优先选择。

日本专利申请公开No.2000-337911公开了一种导向装置及导向方法。该现有技术通过轿车导向系统，将用网状页面介绍的地点作为目的地进行设定，使线路指南和地图上的位置显示成为可能。其采用的技术方案是通过自动检索部分浏览网络的网状页面。利用抽出部分从网络的网状页面提供的信息中将对住址、电话号码、位置进行特别指定的文字信息抽取出来。将抽取出的文字信息传输给从住址、电话号码等检索位置信息的菜单。菜单从住址、电话号码中检索位置信息，将这个位置信息返回给终端。检索出来的位置信息被返回后，就会被从自动检索部传输到导向控制部分，作为目的地进行设定。通过这种方法，使网状页面介绍的有游览地、餐馆信息、饭店信息等的场所在地图上显示出来，并被告知前往该地的路线。

日本专利申请公开No.2000-337911公开了一种联机购物装置及其方法和系统。这种现有技术事先将各用户的兴趣、嗜好、是否挑剔等的信息存储在兴趣嗜好数据库。在向用户介绍商品时，参照兴趣嗜好数据库，介绍与该客户兴趣一致的商品。此时，参照商品显示数据库，用立体画面进行介绍。用户若购买了商品，还可参照商品关联性数据库，向客户进一步介绍相关商品。各用户的购买履历存储在购买履历管理数据库，可适当对其进行分析，对兴趣嗜好数据库的内容进行更新。

但现有技术中的这些技术方案主要用于车载系统，或通过车载系统显示预先下载的有关服务提供商的信息。另外，现有技术的这些导航和信息推荐系统并不利用参考用户以前参与的活动的历史信息，导致推荐质量下降。

发明内容

考虑到上述问题而提出了本发明，本发明的目的是提供一种移动终端的活动记录分析及自动信息推荐系统，能够简单地根据用户在有关场所活动的历史信息为每个用户提供详细指引信息，而且能够以适时的方式向用户展示该信息。

根据本发明的一个方面，提供一种向移动终端推荐信息的信息推荐系统，包括：短距离无线通信装置，用于接收移动终端发送的，指示该移动终端所在位置的信号，和向作为推荐对象的移动终端发送指示的位置和标识的信号；信息推荐管理设备，用于将所接收的用户信息转换成表示用户活动的至少一个特征的用户模型，存储经转换的用户模型和表示活动场所的至少一个特征的场所模型，计算用户模型中的特征与场所模型的特征之间的匹配程度，并根据计算的匹配程度确定是否向移动终端推荐场所的特征信息；和通信网络，用于在移动终端与信息推荐管理设备之间传送通信信号，并确定移动终端的位置。

根据本发明的另一个方面，提供一种向移动终端推荐信息的信息推荐系统，包括：信息推荐管理设备，用于将所接收的用户信息转换成表示用户活动的至少一个特征的用户模型，存储经转换的用户模型和表示活动场所的至少一个特征的场所模型，计算用户模型中的特征与场所模型的特征之间的匹配程度，并根据计算的匹配程度确定是否向移动终端推荐场所的特征信息；和通信网络，用于在移动终端与信息推荐管理设备之间传送通信信号，并确定移动终端的位置；所述移动终端包括：推荐信息请求发送装置，用于通过所述网络向信息推荐管理设备请求信息推荐；推荐信息接收及解码装置，用于接收信息推荐管理设备发送的推荐信息，并对接收的信息进行解码以便显示。

根据本发明的另一个方面，提供一种向移动终端推荐信息的信息推荐方法，包括步骤：建立指示活动场所的多个特征的场所模型和指示移动终端的活动特征的用户模型；测量移动终端的位置，确定移动终端所在位置周围的活动场所；根据移动终端进入活动场所的时间更新所述用户模型；在移动终端请求信息推荐时，计算与所述移动终端的用户模型中记录的活动特征历史相似的信息并推荐给所述移动终端。

根据本发明的再一个方面，提供一种向移动终端推荐信息的信息推荐方法，包括步骤：建立指示活动场所的多个特征的场所模型和指示移动终端的活动特征的用户模型；测量移动终端的位置，确定移动终端所在位置周围的活动场所；根据移动终端进入活动场所的时间更新所述用户模型；在到达预定的推荐定时时，计算与所述移动终端的用户模型中记录的活动特征历史相似的信息并推荐给所述移动终端。

根据本发明的再一个方面，提供一种使计算机执行向移动终端推荐信息的信息推荐方法的程序，所述方法包括步骤：建立指示活动场所的多个特征的场所模型和指示移动终端的活动特征的用户模型的过程；测量移动终端的位置，确定移动终端所在位置周围的活动场所的过程；根据移动终端进入活动场所的时间更新所述用户模型的过程；在移动终端请求信息推荐时，计算与所述移动终端的用户模型中记录的活动特征历史相似的信息并推荐给所述移动终端的过程。

根据本发明的再一个方面，提供一种使计算机执行向移动终端推荐场所信息的信息推荐方法的程序，所述方法包括步骤：建立指示活动场所的多个特征的场所模型和指示移动终端的活动特征的用户模型的过程；测量移动终端的位置，确定移动终端所在位置周围的活动场所的过程；根据移动终端进入活动场所的时间更新所述用户模型的过程；在到达预定的推荐定时时，计算与所述移动终端的用户模型中记录的活动特征历史相似的信息并推荐给所述移动终端的过程。

根据本发明的用户信息推荐系统，将移动终端用户的位置信息和历史活动信息结合起来，将用户当前所在位置附近并且用户真正感兴趣的场所或服务自动推荐给用户。

本发明使用定位系统得到用户所在位置，根据事先注册的场所地理信息，使用场所判定算法自动得到用户所在场所信息。根据用户的停留时间作为判断其对相关场所的兴趣及兴趣程度，而无需依赖于用户的消费信息。

本发明用信息过滤的模型及算法对用户的习惯与喜好进行有效的保存与更新，这其中不仅利用场所的地点信息，更重要的是能够利用分类、文本描述等更详细信息，比单纯依靠地点信息的推荐具有更高的精度。

本发明根据定位系统得到的用户位置信息，使用相似度计算方法给出与其习惯与喜好相一致的周围场所推荐。

本发明在多用户环境下利用相似用户的历史访问记录来预测目标用户对目标场所的兴趣程度，进一步提高了推荐精度。

利用本发明，用户可以得到真正希望看到的场所及其提供的服务信息，不仅使用户乐于接受推荐，也使客户的广告投放更加有效，利于吸引网络用户和广告客户。

附图说明

图1是根据本发明实施例的用户位置定位及访问历史记录系统的方框图；

图2是根据本发明实施例的信息推荐系统的配置的方框图；

图3是根据本发明实施例的信息推荐系统的地理信息更新及费用清算部分的示意图；

图4是表示根据本发明一个实施例的地理信息管理装置转换场所的地理信息及服务信息的示意图；

图5是根据本发明实施例的信息推荐方法的操作流程图；和

图6是表示根据本发明一个实施例的短时停留历史记录的数据转换及计算的示意图。

具体实施方式

本发明提出移动终端的活动记录分析及自动信息推荐系统及应用模式和实现方法包括以下要素：

1.移动终端位置确定部分：移动通信网络服务商利用移动终端位置确定部分得到用户的地理坐标位置。在确定远距离的用户的地理位置时，可利用现有无线通信网络，例如CDMA2000 1X的网络，或使用卫星定位系统(GPS)通过与用户携带的移动终端的进行通信来得到用户当前所在的地理位置的信息；当用户进入设置有以无线方式发射服务信息的设备的服务场所时，利用短距离无线通信设备，例如蓝牙(Bluetooth)或无线频率身份认证RFID，得到用户当前所在的地理位置。但本发明不限于此，也可通过其它定位方法得到用户当前所在的地理位置的信息。

2.地理信息系统：地理信息系统中的服务器预先存储经注册的场所的地理信息(包括位置、形状及大小)，以及场所的分类及描述信息。

3.用户活动记录及分析部分：记录用户在有关场所的活动内容及活动时间等信息，根据用户当前所在位置和有关场所的地理信息，可得到用户访问过场所的历史信息，并以有效的方式进行分析。

4.场所或服务推荐部分：根据用户当前位置，考虑一定半径内已注册的场所，与用户活动的历史记录进行对比计算，将用户可能感兴趣的场所信息发送给用户配备的移动终端。

本发明提出了利用移动终端用户既往访问场所的信息，当用户处在曾访问过的场所范围内时，自动向用户推荐与其习惯与历史活动相一致的场所或服务的应用模式和方法。

非算法实施形态。

1.场所信息的采集和管理

可以以人工方式进行分区调查，将愿意公布信息的大众服务场所的地理信息(以经度、纬度、高度表示的闭合凸面体)、场所分类(多级)、及文字描述信息进行登记并存储在数据库；也可利用现有地理信息提供商的数据库。新广告客户可随时注册到数据库。数据库的内容进行定期更新，以及按广告客户的合同期限进行更新。该项数据库设置在服务器端。

2.移动设备的定位

利用诸如CDMA2000 1X网络之类的现有网络设备进行定位，此时不用改造移动终端终端；也可以利用卫星定位系统等得到更精确的定位信息。对于短距离的无线通信，可利用移动终端中内置的短距离无线通信设备，例如，蓝牙或射频射频身份(RFID)等设备，通过与服务场所内安装的短距离无线通信设备进行通信，从而得到用户移动设备的位置参数。用户位置定位操作以预定的时间间隔定期进行，以便获取用户在特定场所的停留时长。位置参数包括用户所在地理位置的经度、纬度和高度。该项定位操作在服务器端进行。

3.推荐信息的信道、协议、显示界面

建立推荐信息回送的信道和协议，终端植入显示界面软件，以便让移动终端终端接收并显示从服务器端发送的推荐信息。在移动电话网络的情况下，实现信息推荐的最经济方法是利用短信服务(SMS)系统，服务器、协议、信道及终端等均不用改造。

4.推荐信息发送的激活

可由用户主动发起请求(如短信)来触发推荐信息的发送，或由信息推荐装置定期发送，或当新场所、新信息登记后在一定时期内重复发送。

5.费用发生方式

根据需要可向网络终端用户收取费用或向其支付费用，可以通过在用户的账号中自动存贷的方式进行操作；根据需要可向场所或广告客户收费费用或向其支付费用。如果费用与推荐信息条目相关，则计数在用户档案和场所档案中设置的专用条目寄存器中进行。

算法要素实施形态

信息过滤算法的核心思想是，对用户已访问过的场所进行有效记录并生成用户模型，把目标位置附近的场所中与用户兴趣非常接近的场所推荐给用户；用户以后访问过的场所信息也随时添加到用户模型中。

1.用户所在场所判定

如上所述，对于利用短距离无线通信网络对移动终端进行定位的情况下，当移动终端移动到某个场所覆盖的范围内时，该移动终端接收该场所内安装的短距离无线通信设备发射的场所位置信息，即可得知该移动终端所处的场所。

下面描述的场所确定方法是针对长距离无线网络进行的，假设为存在场所数据库，和测量并能够对移动终端给出座标的定位系统。

在涉及地区面积比较小的前提下，点的位置可近似由欧氏坐标空间R³(X，Y，Z)的坐标点表示，其中X、Y、Z分别表示三维空间的位置参数，即经度、纬度和高度。作为替换，可选择用相对于所在地区中一个特定坐标原点的相对坐标来表示该地区中某个点的位置。

设用户位置为U(x_u，y_u，z_u)。可以用闭合的凸面体来表示场所(对于露天场所，可认为场所的高度为一有限值)。凸面体各顶点的平均值称为该场所的中心点。用单位法向量和位移表示每个面，则凸面体可表示为 $L\{M^L,C^L,(x_1^L,y_1^L{,z}_1^L,w_1^L),\·\·\·,(x_{M^L}^L,y_{M^L}^L,z_{M^L}^L,w_{M^L}^L)\},$ 其中M^L为该凸面体的平面数量，C^L为该凸面体的中心点，(x_i ^L，y_i ^L，z_i ^L)为第i个平面的单位法向量，w_i ^L为第i个平面的位移。根据需要对相应法向量的方向求负，并调整各平面的位移值，使得凸面体内任意点(x_in，y_in，z_in)，具有下面的表达式(1)所示的关系：

$\∀1\≤i\≤M^L,(x_{\mathrm{in}},y_{\mathrm{in}},z_{\mathrm{in}})\·(x_i^L,y_i^L,z_i^L)+w_i^L>0,---\left(1\right)$

而对于凸面体外任意点(x_out，y_out，z_out)，具有下面的表达式(2)所示的关系：

$\&Exists;1\&le;i\&le;M^L,(x_{\mathrm{out}},y_{\mathrm{out}},z_{\mathrm{out}})\&CenterDot;(x_i^L,y_i^L,z_i^L)+w_i^L<0,---\left(2\right)$

此时，用户U所在位置位于某场所L内部的判断标准由下面的表达式(3)表示，

$\&ForAll;1\&le;i\&le;M^L,U\&CenterDot;(x_i^L,y_i^L,z_i^L)+w_i^L>0.---\left(3\right)$

此时如果考虑到位置测定带来的误差，可引入松弛因子ζ＞0，判断标准改为由下面的表达式(4)表示

$\&ForAll;1\&le;i\&le;M^L,U\&CenterDot;(x_i^L,y_i^L,z_i^L)+w_i^L+\mathrm{\&zeta;}>0.---\left(4\right)$

为提高效率，可仅对那些中心点与用户位置在一定距离范围内的场所进行计算和判断。如果将场所简化成四个侧面与南北、东西方向平行的长方体，或者球体，则相应计算可变得更简单易行。

2.场所模型表示

场所L的特性可以用下面的数据字段来描述：

(1)场所名字段(Name)：表示某条街道的名称，例如秀水街可表示为Name＝″秀水街″。

(2)场所分类字段(Category)：表示场所所属的种类，一个可以有多个类别，分别是Cat₁，Cat₂，…Cat_N(Cat)，其中N(Cat)为级别数。例如餐馆可能表示为Cat₁＝″餐馆″，中餐馆可表示为Cat₂＝″中餐馆″等，而中餐馆又归入餐馆的类别。

(3)档次字段(Grade)：表示场所的档次，取值范围为0-100；比如某四星级饭店的档次可以表示为Grade＝75，而某服装批发市场的档次可表示为Grade＝20等。

(4)价位字段(Expen)：表示场所的价格等级，其取值范围为0-100。例如豪华地段的某服装店的价位可表示为Expen＝90，而学校周围的药店可表示为Expen＝60等。

(5)打折时间段字段(DiscDur)：表示场所目前正在打折的商品。例如，在周一至周四打折的餐馆可有DiscDur＝W：1-4，而白天打折的保龄球馆可有DiscDur＝ToD：8:00-17:00。

(6)场所简介字段(Intro)：表示该场所的一些简单介绍，包括所有其它在前面未包括，但对商家和用户都有用的文字信息。例如，某移动通讯设备商店可有：

Intro＝″本店专营各种手机，包括国产的康佳、首信、TCL、熊猫等品牌，以及海外的松下、西门子、摩托罗拉、爱立信等，价格合理，服务热忱″的文字描述，表示商家经营的内容。

(7).动态描述字段(DynIntro)：表示该场所近期内活动的描述或其它短期信息。例如，如果某公园有

DynaIntro＝″本公园将从下周一开始进行为期两周的荷花展″的动态描述，则表示该公园将有为期两周的荷花展。

具体实施时，可根据实际情况详细确定属性集所包含的属性，以及属性对应的值的范围，以便对真实的场所单位进行更精确的描述。

下面描述上述数据字段的属性。

(1)文本类属性的字段

这类字段主要包括场所名字段，场所简介字段，和动态描述字段，这些字段的值用信息检索中常用的向量空间模型方法(Vector Space Model-VSM)来表示。以场所名字段(name)为例，可用下面的公式(5)表示其向量取值：

$V_{\mathrm{Name}}^L={(c_{\mathrm{Name},1}^L,c_{\mathrm{Name},2}^L,\&CenterDot;\&CenterDot;\&CenterDot;,c_{\mathrm{Name},N\left(\mathrm{Lex}\right)}^L)}^T,---\left(5\right)$

其中V^L _Name表示空间V中所包含的场所名称的取值，这个取值本身是一个向量，C^L _Name，i则表示空间V中诸如服务设施之类的，可向用户提供活动的第i个场所L的场所名。就是说，C^L _Name，I是向量V^L _Name中第i个词对应的取值，下标N(Lex)为词表的大小。在此，词表是指事先确定的由中文常用字/词组成的一个列表。例如，如果C^L _Name，I所代表的场所是一个名称叫做“俏江南”的饭店，则通过“文本分词”程序，该名称可切分为由“俏”和“江南”两个词组成的句子“俏|江南”，那么这个场所的名称向量就只在“俏”和“江南”对应的两个C^L _Name，i处有非零取值。每个场所元素C^L _Name，i则由下面的公式(6)计算：

$c_{\mathrm{Name},i}^L={\mathrm{TF}}_{\mathrm{Name},i}^L\&CenterDot;\log \left(\frac{N\left(L\right)}{{\mathrm{DF}}_{\mathrm{Name},i}}\right),---\left(6\right)$

其中TF_Name，i ^L为词w_i，例如餐馆，在场所L的Name属性中出现的频度(次数)，而其中DF_Name，i为在Name属性中出现w_i，例如餐馆，的所有场所的个数，而N(L)为全部场所的个数。对于TF_Name，i ^L为0的词，公式(6)的等式左边定义为0。

(2)离散值类属性

具有这类属性的字段主要为场所分类属性Cat₁，Cat₂，…Cat_N(Cat)。如上所述，这些属性的取值应量化成以整数表示的值，不同的属性取值量化成不同的整数。

(3)连续值类属性

具有这类属性的字段主要包括档次Grade、价位Expen等，直接存储相应字段所对应的值即可。

(4)时间类属性

时间类属性的字段主要包括打折时间段DiscDur，可以直接以文本数据存放，也可以事先定义一种时间数据结构，通过对时间文本串的分析(Parse)对该结构进行填充。

这样，一个场所L的模型可以用代表该场所各种特性的数据字段的元组表示如下：

$V^L=\{V_{\mathrm{Name}}^L,({\mathrm{Cat}}_1^L,{\mathrm{Cat}}_2^L,\&CenterDot;\&CenterDot;\&CenterDot;,\mathrm{Ca}{t}_{N\left(\mathrm{Cat}\right)}^L),{\mathrm{Grade}}^L,{\mathrm{Expen}}^L,{\mathrm{DiscDur}}^L,V_{\mathrm{Intro}}^L,V_{\mathrm{DynIntro}}^L\}.---\left(7\right)$

其中包括场所名，种类，等级，档次，价位，打折时间，场所简介字段，和动态描述字段。

3.用户模型

基于上述的场所模型，可以根据用户已访问过场所的模型得到用户的兴趣模型，而用户新访问场所的模型将以自适应的方式结合到用户模型中去。

用户U的模型表示依赖于该用户曾经访问过的场所的模型，相应地表示为下面的公式(8)：

$V^U=\{{\mathrm{No}}^U,V_{\mathrm{Name}}^U,\mathrm{CatTre}{e}^U,N({\mathrm{\&mu;}}_{\mathrm{Grade}}^U,{\mathrm{\&sigma;}}_{\mathrm{Grade}}^U),N({\mathrm{\&mu;}}_{\mathrm{Expen}}^U,{\mathrm{\&sigma;}}_{\mathrm{Expen}}^U),\mathrm{DiscLik}{e}^U,V_{\mathrm{Intro}}^U\}.---\left(8\right)$

其中No^U为用户曾经访问过(到过)的场所的数目，CatTree^U是按多级分类组织成的N(Cat)层的分类树，而N(μ，σ)以μ为均值，表示用户所访问的某类场所的档次(分级)的均值，例如用户入住三星级宾馆，四星级宾馆，或五星级宾馆所得到的均值。σ为标准方差的正态分布，如用户经常入住四星级宾馆，偶尔入住三星级宾馆或五星级宾馆。根据上述项目建立用户模型后，对刚刚建立的用户模型进行初始值设定，如公式(9)所示：

 V^U＝{0，0，0，N(50，20)，N(50，20)，0.5，0}，        (9)

其中0向量和0树中的元素均为0。例如，用户模型刚刚建立时，用户访问过的场所为零，其访问过的场所名等项自然也为零。

4.用户模型自适应

预先确定时间阈值，当用户在某场所内停留的时长StayTime^U，L超过该阈值后，认为该场所是用户感兴趣的场所，将该场所模型计入用户模型中。

至于那些用户停留时间过长，并且有规律性停留的场所，可以认为是用户的工作场所和居住场所，而不计入用户模型中，此时须建立相应的寄存器组以记录这些数据并作相应判断。

设用户在当前场所内停留时间区间StayDur^U，L，用户模型由下面的公式表示：

$V^{U,n}=\{{\mathrm{No}}^{U,n},V_{\mathrm{Name}}^{U,n},\mathrm{CatTre}{e}^{U,n},N({\mathrm{\&mu;}}_{\mathrm{Grade}}^{U,n},{\mathrm{\&sigma;}}_{\mathrm{Grade}}^{U,n}),N({\mathrm{\&mu;}}_{\mathrm{Expen}}^{U,n},{\mathrm{\&sigma;}}_{\mathrm{Expen}}^{U,n}),\mathrm{DiscLik}{e}^{U,n},V_{\mathrm{Intro}}^{U,n}\},---\left(10\right)$

其中No^U，n＝n，表示用户已经访问过n个场所的集合，V^U，n _Name表示用户访问过的场所的场所名的集合，其余各项分别表示用户访问过的场所的类别，档次，价位，打折时间，和场所简介的集合。用户新访问的场所的模型可由下面的公式(11)表示：

$V^L=\{V_{\mathrm{Name}}^L,({\mathrm{Cat}}_1^L,{\mathrm{Cat}}_2^L,\&CenterDot;\&CenterDot;\&CenterDot;,\mathrm{Ca}{t}_{N\left(\mathrm{Cat}\right)}^L),{\mathrm{Grade}}^L,{\mathrm{Expen}}^L,D{\mathrm{iscDur}}^L,V_{\mathrm{Intro}}^L,V_{\mathrm{DynIntro}}^L\},---\left(11\right)$

将公式(11)并入公式(10)表示的用户模型，即可得到用户访问新场所L后得到的新的用户模型(其中No^U，n+1＝n+1)，如公式下面的(12)表示：

$V^{U,n+1}=\left\{\begin{array}{c}N{o}^{U,n+1},V_{\mathrm{Name}}^{U,n+1},\mathrm{CatTre}{e}^{U,n+1},N({\mathrm{\&mu;}}_{\mathrm{Grade}}^{U,n+1},{\mathrm{\&sigma;}}_{\mathrm{Grade}}^{U,n+1})\\ N({\mathrm{\&mu;}}_{\mathrm{Expen}}^{U,n+1},{\mathrm{\&sigma;}}_{\mathrm{Expen}}^{U,n+1}),\mathrm{DiscLik}{e}^{U,n+1},V_{\mathrm{Intro}}^{U,n+1}\end{array}\right\},---\left(12\right)$

需要针对场所模型中的不同属性使用不同自适应算法，详细描述如下：

(1)文本类属性：包括Name及Intro属性，以Name属性为例，令

$V_{\mathrm{Name}}^{U,n+1}=\frac{n}{n+1}{V}_{\mathrm{Name}}^{U,n}+\frac{1}{n+1}{V}_{\mathrm{Name}}^L.---\left(13\right)$

其中在公式(13)中对用户访问过的场所名进行加权和，其中用户曾经访问过的场所的场所名的权重为n/(n+1)，而用户新访问的场所的权重为1/(n+1)。其目的是将用户曾经访问过的所有场所的场所名作平均加权运算。

(2)离散值类属性：即场所分类属性Cat₁ ^L，Cat₂ ^L，…Cat_N(Cat) ^L，对用户访问的场所的类别进行运算，此时得到公式(14)表示的类别运算公式：

$\&ForAll;1\&le;i\&le;N\left(\mathrm{Cat}\right)\mathrm{TreeEle}{m}^{U,n+1}({\mathrm{Cat}}_1^L,\mathrm{Ca}{t}_2^L,\&CenterDot;\&CenterDot;\&CenterDot;{\mathrm{Cat}}_i^L),---\left(14\right)$

$=\mathrm{TreeEle}{m}^{U,n}({\mathrm{Cat}}_1^L,{\mathrm{Cat}}_2^L,\&CenterDot;\&CenterDot;\&CenterDot;{\mathrm{Cat}}_i^L)+1$

其中(c₁，c₂，…，c_i)表示树状结构CatTree中一条从根节点到某中间节点的路径，而TreeElem(c₁，c₂，…，c_i)表示该节点处的值。例如，当用户新访问了四川菜系的餐馆时，既要对四川菜系餐馆的类别加1，又要将餐馆类别字段加1，以累加用户到过某类场所的次数，从而更准确地获取用户对有关喜欢所的喜好兴趣。

(3)连续值类属性：包括档次Grade、价位Expen等，以Grade属性为例，令

${\mathrm{\&mu;}}_{\mathrm{Grade}}^{U,n+1}=\frac{n}{n+1}{\mathrm{\&mu;}}_{\mathrm{Name}}^{U,n}+\frac{1}{n+1}{\mathrm{Grade}}^L---\left(15\right)$

${\mathrm{\&sigma;}}_{\mathrm{Grade}}^{U,n+1}=\frac{n}{n+1}({\left({\mathrm{\&sigma;}}_{\mathrm{Name}}^{U,n}\right)}^2+{\left({\mathrm{\&mu;}}_{\mathrm{Name}}^{U,n}\right)}^2)+\frac{1}{n+1}{\left({\mathrm{Grade}}^L\right)}^2-{\left({\mathrm{\&mu;}}_{\mathrm{Name}}^{U,n+1}\right)}^2---\left(16\right)$

上面的公式(15)和(16)表示在用户新访问一个场所后对档次和价位进行所访问的场所进行加权和，以便对档次和价位等具有正态分布的属性进行更新。

(4)打折时间类属性DiscDur的处理，如下面的公式(17)所表示：

${\mathrm{DiscLike}}^{U,n+1}=\mathrm{DiscLik}{e}^{U,n}+\left\{\begin{array}{cc}1,& \mathrm{ifStayDu}{r}^{U,L}\&cap;{\mathrm{DiscDur}}^L\&NotEqual;\mathrm{\&phi;}\\ 0,& \mathrm{else}\end{array}\right..---\left(17\right)$

打折时间类属性是对场所打折情况的简单统计。例如，如果用户新访问的场所正在打折，则对打折类数据加；如没有打折，则为零。

以上描述如何建立场所模型和用户模型，以及在用户访问新场所后如何更新用户模型。为节约空间，可用高效的索引结构来表示场所模型和用户模型。

下面描述信息推荐服务的过程

在信息推荐服务被激活时，对于与用户U的地理距离小于阈值Thre_Dist的领域内的所有场所L，将该场所模型与用户模型进行相似度计算，当相似度超过阈值Thre_Sim时，将该场所的信息推荐给用户。

与上面叙述的相同，用户模型中不同类型的特征要使用不同的相似度计算公式：

(1)文本类特征：包括场所名特征V_Name ^U及简介特征V_Intro ^U。对于V_Name ^U特征，利用下面的公式(18)计算用户经常访问的场所名与用户当前访问的场所名之间的相似度。

$\mathrm{Si}{m}_{\mathrm{Name}}(V_{\mathrm{Name}}^U,V_{\mathrm{Name}}^L)=\cos (V_{\mathrm{Name}}^U,V_{\mathrm{Name}}^L)=\frac{V_{\mathrm{Name}}^U\&CenterDot;V_{\mathrm{Name}}^L}{\left|\right|V_{\mathrm{Name}}^U\left|\right|\&CenterDot;\left|\right|V_{\mathrm{Name}}^L\left|\right|},---\left(18\right)$

其中‖v‖表示向量v的长度；V^U _Name表示用户经常访问的场所名，V^L _Name表示用户当前访问的场所名。通过计算两个向量之间的夹角的余弦，可确定两个场所名之间的相似度。如果两个向量近似重合，则表明新访问的场所与用户经常访问的场所非常相似，则向用户推荐。例如，用户外出时经常入住四星级宾馆，而用户当前访问的区域内的场所同样也是四星级宾馆，通过相似度计算，则认为两者非常相似。同样，对于V_Intro ^U和动态描述特征，可分别建立下面的公式(19)和(20)：

$\mathrm{Si}{m}_{\mathrm{Intro}}(V_{\mathrm{Intro}}^U,V_{\mathrm{Intro}}^L)=\cos (V_{\mathrm{Intro}}^U,V_{\mathrm{Intro}}^L)=\frac{V_{\mathrm{Intro}}^U\&CenterDot;V_{\mathrm{Intro}}^L}{\left|\right|V_{\mathrm{Intro}}^U\left|\right|\&CenterDot;\left|\right|V_{\mathrm{Intro}}^L\left|\right|},---\left(19\right)$

$\mathrm{Si}{m}_{\mathrm{DynIntro}}(V_{\mathrm{Intro}}^U,V_{\mathrm{DynIntro}}^L)=\cos (V_{\mathrm{Intro}}^U,V_{\mathrm{DynIntro}}^L)=\frac{V_{\mathrm{Intro}}^U\&CenterDot;V_{\mathrm{DynIntro}}^L}{\left|\right|V_{\mathrm{Intro}}^U\left|\right|\&CenterDot;\left|\right|V_{\mathrm{DynIntro}}^L\left|\right|},---\left(20\right)$

(2)分类树特征CatTree^U：对于分类特征的相似度计算，可建立下面的公式(21)：

${\mathrm{Sim}}_{\mathrm{CatTree}}({\mathrm{CatTree}}_{\mathrm{Intro}}^U,({\mathrm{Cat}}_1^L,{\mathrm{Cat}}_2^L,\&CenterDot;\&CenterDot;\&CenterDot;{\mathrm{Cat}}_{N\left(\mathrm{Cat}\right)}^L))$

$=\frac{{\mathrm{TreeElem}}^U({\mathrm{Cat}}_1^L,{\mathrm{Cat}}_2^L,\&CenterDot;\&CenterDot;\&CenterDot;\mathrm{Ca}{t}_{N\left(\mathrm{Cat}\right)}^L)}{{\mathrm{No}}^U},---\left(21\right)$

其中分子表示用户到过某一类类场所的次数，分母表示用户到过的所有场所的数目。对于某个类别，例如，如果用户曾经访问过餐馆100次，而其中5次是访问四川菜系的餐馆，则相似度为5％。可根据需要确定向用户推荐的阈值。

(3)正态分布类特征：包括档次特征N(μ_Grade ^U，σ_Grade ^U)及价位特征N(μ_Expen ^U，σ_Expen ^U)。根据本发明，利用正态分布公式计算正态分布类数据的相似度。对于档次特征N(μ_Grade ^U，σ_Grade ^U)特征可建立公式(22)：

${\mathrm{Sim}}_{\mathrm{Grade}}(N({\mathrm{\&mu;}}_{\mathrm{Grade}}^U,{\mathrm{\&sigma;}}_{\mathrm{Grade}}^U),{\mathrm{Grade}}^L)=\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{\mathrm{Grade}}^U}\exp [-\frac{{(\mathrm{Grad}{e}^L-{\mathrm{\&mu;}}_{\mathrm{Grade}}^U)}^2}{2{\left({\mathrm{\&sigma;}}_{\mathrm{Grade}}^U\right)}^2}]---\left(22\right)$

对于价位特征N(μ_Expen ^U，σ_Expen ^U)特征可建立公式(23)：

${\mathrm{Sim}}_{\mathrm{Expen}}(N({\mathrm{\&mu;}}_{\mathrm{Expen}}^U,{\mathrm{\&sigma;}}_{\mathrm{Expen}}^U),{\mathrm{Expen}}^L)=\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{\mathrm{Expen}}^U}\exp [-\frac{{({\mathrm{Expen}}^L-{\mathrm{\&mu;}}_{\mathrm{Expen}}^U)}^2}{2{\left({\mathrm{\&sigma;}}_{\mathrm{Expen}}^U\right)}^2}]---\left(23\right)$

利用上面的公式(22)和(23)判断用户新访问的场所的档次和价位是否与用户曾经访问过的场所的档次和价位的正态分布的中心曲线匹配。用户新访问的场所L作为一个点，如果新场所的档次在正态分布中取值较大则认为它们比较相似。同样，价位特征也是如此。以此来向用户推荐感兴趣的信息。

(4)打折喜好特征DiscLike^U：打折特征的相似度计算由下面的公式(24)表示：

${\mathrm{Sim}}_{\mathrm{DiscLike}}({\mathrm{DiscLike}}^U,V^L)=\left\{\begin{array}{cc}\frac{\mathrm{DiscLik}{e}^U}{{\mathrm{No}}^U},& \mathrm{ifCurTime}\&Subset;\mathrm{DiscDu}{r}^L\\ 1-\frac{{\mathrm{DiscLike}}^U}{{\mathrm{No}}^U},& \mathrm{else}\end{array}\right.,---\left(24\right)$

其中CurTime是当前时间区间。与上面所述的分类树类似，公式(24)表示用户到过的所有场所的次数与用户访问时正在打折的次数的比值。另外，公式(24)中的取值还取决于用户当前所到的场所是否正在打折。如果当前商品正在打折，相似度则是以前到达该场所时正在打折的次数除以用户到达的次数。如果该场所当前没有打折活动，相似度则为1减去打折的百分率。

这样，综合上述各个特征的用户模型和场所模型的相似度可用如下公式得到：

Sim(v^U，v^L)＝ω_NameSim_Name+ω_IntroSim_Intro+ω_DynIntroSim_DynIntro+ω_CatTreeSim_CatTree，  (25)+ω_GradeSim_Grade+ω_ExpenSim_Expen+ω_DiscLikeSim_DiscLike

其中各个ω值为相应特征的贡献度权值。ω的值可以依据经验，参数学习或计算来确定。

只对距离阈值Thre_Dist以内的场所进行推荐计算，有时会遗漏掉高度相似的场所。此时可以将距离和相似度结合起来，达到这样的效果，即对于距离较近的场所，相似度就算比较低也可以推荐；而对于距离比较远的场所，相似度非常高的场所也有机会被推荐给用户。可以设定以距离为自变量的单调下降函数作为距离因子函数，比如下面的公式(26)所示的函数：

$\mathrm{DistFac}\left(x\right)=\frac{1}{1-\exp (-1)}\&CenterDot;\exp (-\frac{x}{\mathrm{Thr}{e}_{\mathrm{Dist}}}),0\&le;x\&le;\mathrm{Thr}{e}_{\mathrm{Dist}}.---\left(26\right)$

此时的推荐准则变为当且仅当Sim(U，L)·DistFac(Dist(U，L))≥Thre_Sim时，把场所L向用户U推荐。

5.参数学习

推荐计算的判断依赖于系统中事先设定的一些参数，比如Thre_Dist(距离阈值)和Thre_Sim(相似度阈值)阈值，以及式(25)中的各个特征贡献度权值。对于Thre_Dist和Thre_Sim阈值，可以根据经验进行设定，以用户对推荐系统的满意度最高为标准；同样，特征贡献度权值也可经验性地设定。这些参数的选择对于系统的性能有很大影响，而根据批量数据进行自动学习能寻找到较好的参数组合。这里用遗传算法(Genetic Algorithm-GA)进行实施。

设对于用户集UserSet＝{U₁，U₂，…，U_N(User)}中的每个用户U₁(其中N(User)为用户集的大小，1≤i≤N(User))，收集(或模拟)其访问过场所的Thre_Dist领域内的所有场所数据，形成两个数据集，一部分 $\mathrm{LocMSe}{t}^i=\{L_1^{M,i},L_2^{M,i},\&CenterDot;\&CenterDot;\&CenterDot;,L_{N\left(\mathrm{MLoc}\right)}^{M,i}\}$ 用于生成用户模型，另一部分 $\mathrm{LocTSe}{t}^i=\{L_1^{T,i},L_2^{T,i},\&CenterDot;\&CenterDot;\&CenterDot;,L_{N\left(\mathrm{TLoc}\right)}^{T,i}\}$ 用于参数学习，其中N(MLoc)和N(TLoc)分别是两种场所数据集的大小。

GA中第i个参数假设可表示为 $P_i=\{{\mathrm{\&omega;}}_1^i,{\mathrm{\&omega;}}_2^i,\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{\&omega;}}_{N\left(\mathrm{Para}\right)}^i\},$ 其中N(Para)为需要学习的参数数目，在本系统中就是Thre_Dist和Thre_Sim阈值，以及式(25)中的各个特征贡献度权值；则初始参数假设群体可表为HypSet＝{P₁，P₂，…，P_N(HypSet)}，其中N(HypSet)为该群体的大小。初始参数假设群体可根据经验人为设定，也可随机产生。

推荐系统的性能可以有准确率(Precision)和召回率(Recall)两个指标。准确率表示在推荐的场所中，用户真正感兴趣的场所的百分比。召回率表示用户真正感兴趣的场所中，推荐的场所所占的百分比。针对用户U₁和参数学习集LocTSetⁱ可分别如下面的公式(27)和(28)定义：

${\mathrm{Pre}}^i=\frac{{\mathrm{Hit}}^i}{\mathrm{Reco}{m}^i},---\left(27\right)$

${\mathrm{Rec}}^i=\frac{{\mathrm{Hit}}^i}{{\mathrm{Visit}}^i}.---\left(28\right)$

其中Recomⁱ是参数学习数据集LocTSetⁱ中系统推荐给用户U₁的场所数目，Visitⁱ是LocTSetⁱ中用户U_i访问过的场所的数目，而Hitⁱ则是LocTSetⁱ中用户Uⁱ访问过并且系统也向该用户推荐的场所的数目。通过上述两个公式(27)和(28)可以给出下面公式(29)表示的遗传算法的适应度函数(Fitness Function)，即最佳函数集：

$\mathrm{Fit}=\underset{i=1}{\overset{N\left(\mathrm{User}\right)}{\mathrm{\&Sigma;}}}{\mathrm{Fit}}^i=\underset{i=1}{\overset{N\left(\mathrm{User}\right)}{\mathrm{\&Sigma;}}}\frac{2.5{\mathrm{Pre}}^i\&CenterDot;{\mathrm{Rec}}^i}{{2\mathrm{Pre}}^i+0.5{\mathrm{Rec}}^i}.---\left(29\right)$

设定终止条件、遗传算子、交叉比率、变异比率，提供上文所述的初始参数假设集和适应度函数后，调用遗传算法可自动学习到较好的参数组合，如公式(30)表示

$P_{\mathrm{opt}}=\{{\mathrm{\&omega;}}_1^{\mathrm{opt}},{\mathrm{\&omega;}}_2^{\mathrm{opt}},\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{\&omega;}}_{N\left(\mathrm{Para}\right)}^{\mathrm{opt}}\}.---\left(30\right)$

以上主要从基于内容的角度来描述场所及用户喜好模型。但在系统拥有大量用户的前提下，相似用户的行为可作为另一个线索用以来判断用户对于一个新场所的喜欢程度。通过对用户历史访问作跟踪记录，可以得到用户——场所矩阵A(a_i，j)_{N(User)×N(L)}，其中a_i，j表示用户Uⁱ对场所L^j的评分，可用下面的公式(31)表示

$a_{i,j}=1-\exp (-\mathrm{StayTim}{e}^{U^i,L^j}),---\left(31\right)$

这是一个单调上升函数，当用户在该场所停留时间为0时评分为0，而用户停留时间趋于无穷时评分为1。

用户Uⁱ¹和Uⁱ²之间的相似度可按公式(32)来定义

$w(i_1,i_2)=\frac{{\mathrm{\&Sigma;}}_j(a_{i_1,j}-{\stackrel{\&OverBar;}{a}}_{i_1})(a_{i_2,j}-{\stackrel{\&OverBar;}{a}}_{i_2})}{\sqrt{{\mathrm{\&Sigma;}}_j{(a_{i_1,j}-{\stackrel{\&OverBar;}{a}}_{i_1})}^2{(a_{i_2,j}-{\stackrel{\&OverBar;}{a}}_{i_2})}^2}},---\left(32\right)$

其中 a_i是用户i的平均评分。此时用户对场所的兴趣p(i，j)可以用与其最相近用户的评分来预测，如公式(33)所表示的

$p(i,j)={\stackrel{\&OverBar;}{a}}_i+\frac{{\mathrm{\&Sigma;}}_{k}w(i,k)(a_{k,j}-{\stackrel{\&OverBar;}{a}}_k)}{{\mathrm{\&Sigma;}}_{k}w(i,k)}.---\left(33\right)$

推荐计算时，仍然利用一个事先给定的阈值作判断基准，如果用户对场所的预测兴趣超出此阈值就把该场所推荐给用户。注意，在多用户协同推荐的情况下，(26)式提到的距离因子机制和以及2.5小节介绍的参数学习算法都可以运用，以求获得最好的推荐性能。

同时应该注意到，由于广告商必然会提供场所的内容描述信息以便在需要时提供给用户，因此基于内容的信息过滤方法应该和本节介绍的基于多用户的协同过滤方法一起使用，作为两个不同的知识源，以加权和的形式给出用户对某场所的兴趣程度。

2.1.系统性能

一般把准确率和召回率结合起来对推荐系统或信息过滤系统进行评价，如TREC(Text REtrieval Conference)给出的指标之一(属于F-measure一类)

$T11F=\frac{1.25\&times;\mathrm{No}.\mathrm{ofrelevantdocsretrieved}}{\mathrm{No}.\mathrm{ofretrieveddocs}+0.25\&times;\mathrm{No}.\mathrm{relevantdocs}}.---\left(34\right)$

现在的研究成果表明，文本过滤或协同推荐的性能可达到0.4左右；而对于仅用分类树作为特征的系统甚至可达0.7。因此对于文本特征、正态分布特征、分类树特征结合起来的系统，以F-measure表征的系统性能应在0.4左右，可满足实用要求。

下面参考附图根据本发明的实施例。

首先参考图1描述用于对用户的位置进行定位和记录用户访问历史的系统的方框图。如图1所示，对移动终端定位及记录访问历史的系统包括设置在服务场所100中的短距离无线通信装置101，移动终端200，网络300，和信息推荐管理设备400。移动终端200通过网络300连接到信息推荐管理设备400。

在本发明中，服务场所100具有向移动终端200提供位置及场所标识的功能。可以在服务场所100中设置短距离无线通信装置101。当移动终端200到达服务场所100附近时，短距离无线通信装置101可响应移动终端200发射的信号得到移动终端200当前的位置信息，向移动终端200发送服务场所100所在的位置和标识数据(也可以只有位置数据)。

移动终端200包括与服务场所100中设置的短距离无线通信装置101进行通信的短距离无线通信装置201，与网络进行长距离通信的长距离无线通信装置202，和显示信息的显示装置(未示出)。短距离无线通信装置201接收短距离无线通信装置101发送的有关服务场所的位置和标识信息，并将其转换成文字信息显示在显示装置上。

在移动终端200中，短距离无线通信装置201把从设置在服务场所100的短距离无线通信装置101接收场所位置及标识数据通过长距离无线通信装置202传送到移动终端中的中继部分203，然后发送到网络300。

网络300包括从移动终端200接收信号的中继部分301，和与移动终端200中的长距离无线通信装置202通信并确定设定通信设备200的位置的无线通信及位置确定装置302。网络300可以是现有网络，例如，CDMA2000 1X网络，或因特网。

当用户的位置不靠近服务场所，或服务场所附近未设置短距离无线通信装置101时，移动终端200中的长距离无线通信装置202与网络300中的无线通信及位置确定装置302保持通信，并由无线通信及位置确定装置302确定移动通信装置200当前所在的位置。例如，可以使用基站，GPS导航设备，或类似设备确定移动通信装置200的位置。无线通信及位置确定装置302将检测到的移动终端200的定位信息发送到信息推荐管理设备400。

信息推荐管理设备400包括接收移动终端200发送的、经网络300的中继部分301转发的场所位置及标识数据的访问记录更新装置401，从网络300的无线通信及位置确定装置302接收移动终端200的位置的所在场所确定装置402，记录用户短时间停留的场所的历史的短时停留历史记录库403，记录用户访问历史的访问历史记录库404，和描述相关场所的地理信息(例如，经度，纬度，高度等)的场所地理信息库405。信息推荐管理设备400将所接收的用户信息转换成表示用户活动的特征的用户模型的数据向量以便于运算操作，存储经转换的用户模型和表示活动场所的特征的场所模型的数据向量，计算用户模型中的特征与场所模型的特征之间的匹配程度，

网络运营商利用网络300中的基站(未示出)与移动设备中内置的长距离无线通信装置302进行通信，从而确定移动终端200所处的位置。该定位信息发送给推荐服务运营商的信息推荐管理设备400。所在场所确定装置402根据移动终端200的定位信息通过查询事先登记在场所地理信息库405中的场所位置的地理信息并进行适当的计算(将在后面说明)，确定该移动终端200所处的场所的标识。然后，将场所标识通过所在场所确定装置402发送到访问记录更新装置401，表明用户对该场所访问了一次。访问记录更新装置401查询短时停留历史记录库403记录的用户的停留历史，根据短时停留历史记录库402记录的历史判断其在该场所的停留时间。以该停留时间为基准来判断用户对该场所的兴趣(及兴趣程度)(将在后面说明)。如果用户对该场所的访问时间超过了预定阈值，则调出该用户的用户模型，通过如上所述的模型表示及用户模型自适应算法将其更新到访问历史记录库404中去(将在后面说明)。

可利用访问历史记录库404中记录的用户模型和场所地理信息库405中用户所在位置的地理信息，对用户模型和场所模型进行匹配计算，根据用户的需要或自动向用户推荐其所在位置的范围内的场所信息。

需要指出的是，网络运营商自己本身可以是推荐服务运营商，在这种情况下可以将二者简单合并在一起，并不影响系统实现的装置构造和流程。

下面参考图2说明根据本发明的信息推荐系统的配置及操作。图2中省略了与图1中重复的，与信息推荐无关的部分，并略去对其的描述。

如图2所示，移动终端200中还包括输入装置204，请求发送装置205，推荐信息接收及解码装置206。

信息推荐管理设备400还包括预订推荐定时器406，信息推荐计算装置407，信息推荐编码及发送装置408。

当用户希望访问某个，或某类场所时，可以通过移动终端200上的输入装置204输入一个请求，主动发出信息推荐请求。请求的内容可以是要求提供某个地理范围内的活动场所，或根据如上面说明的场所属性，要求提供具有一种或多种属性的场所的信息。主动发出的请求通过请求发送装置205发送给网络300，再经网络300转发到信息推荐管理设备400。

信息推荐计算装置407接收到信息推荐请求时，根据检测到的移动终端200的当前位置，调用访问历史记录库404中记录的该相关用户的用户模型，并在场所地理信息库405中查询与用户当前的位置相关联的范围中的有关场所，根据用户模型和所查找的有关场所的地理信息对用户模型与场所属性进行用户模型与场所模型的相似度匹配处理，从而得到要推荐的场所信息。此后，将要推荐的场所信息传送到信息推荐编码及发送装置408。信息推荐编码及发送装置408对接收到的场所信息编码并向用户发送推荐信息流。

移动终端200中的推荐信息接收及解码装置205接收通过网络300传送的推荐信息流，并对接收到的推荐信息解码。然后，在显示装置207上显示所得到的推荐信息。

另外，作为替换，也可以根据推荐服务运营商与用户订立的协议，在信息推荐管理设备400中设定一个预订推荐定时器406，用于以预订的时间间隔产生推荐请求来触发如上所述的信息推荐操作。

下面参考图3描述地理信息库更新及费用发生的过程。图3中省略了信息推荐管理设备中与地理信息更新及费用发生无直接关系的部分，并略去对其的描述。

在进行信息推荐计算并发送给用户的同时，信息推荐计算装置407还同时将发生的费用信息发送给用户计费器410，在用户计费器410中对该相关用户的计费信息进行更新。

场所信息由地理信息管理装置409进行管理与维护，当需要登记、删除、更改有关信息时，通过此装置来对场所地理信息库405进行相应操作。用户提供的场所描述信息包括地点、名称、分类、档次、价位、打折时间段、文字简介及动态活动信息等。

当应广告商要求对场所地理信息库405进行登记、删除、更改等操作时，在广告商计费器411处对相关广告商的计费信息进行更新。在发生了实际的信息推荐及发送时，也可以更新相关广告商的计费信息。

需要指出的是，这两个计费装置随系统集成的变化，即可以设置在信息推荐服务运营商处，也可以设置在网络运营商处。

图4描述了地理信息管理装置409转换场所的地理信息及服务信息的过程。在场所地理信息库405中设置有记录场所信息数据的列表，列表中记录了场所地理信息库405中存储的每个场所的地理信息数据和服务信息。假设场所地理信息库405中已存储了n(n是自然数)个场所的信息，当第n+1个场所需要登记入库时，地理信息管理装置409将客户提供的以自然语言和数字表示的原始格式的场所信息转换成按字节编码的模型格式数据，存放到场所地理信息库405中的场所信息数据列表的第n+1格中。具体的数据转换方法可按上面描述的场所模型转换的方法，生成按公式(7)表示的模型格式的数据向量。

当要删除场所地理信息库405中第n+1个场所的信息时，只需将对应场所的条目在数组中清空即可。而对于查询命令则要在数据中找到相应场所，并将对应数据返回。

图5是描述本发明的信息推荐系统的操作的流程图。下面参考图5说明本实施例的信息推荐系统的操作。

首先，信息推荐系统采集活动场所的信息并对其进行管理(S501)。可以用人工的方式进行分区调查，将服务场所的地理信息(以经度、纬度、高度表示的闭合凸面体)、场所分类(多级)、及文字描述信息进行登记并存储在数据库中；也可利用现有地理信息提供商的数据库。新广告客户可随时入库。数据库的内容进行定期更新，以及按广告客户的合同期限进行更新。该项数据库存在于服务器端。

接下来，用户向信息推荐系统进行登记，根据用户访问过的场所的场所模型建立用户模型(S502)。在步骤S503，由设置在活动场所的短距离无线通信装置101，或网络300确定移动终端200的位置。当用户处在活动场所附近时，由设置在活动场所的短距离无线通信装置101确定移动终端200的位置，当用户未处在活动场所附近时，由网络300中的无线通信及位置确定装置302确定根据移动终端200发射的信号来确定移动终端200的位置。

在步骤S504，判断移动终端200是否进入某个场所。如果在步骤S504判断用户进入了某个场所，则在步骤S505根据短时停留历史记录库402记录的历史判断用户在该场所的停留时间。以该停留时间为基准来判断用户对该场所的兴趣(及兴趣程度)。如果用户对该场所的访问时间大于或等于预定阈值，则在步骤S506调出该用户的用户模型，通过如上所述的模型表示及用户模型自适应算法将其更新到访问历史记录库404中去。如果在步骤S505确定用户在该场所的停留时间小于预定的阈值，则认为用户对该场所不感兴趣，流程返回步骤S503。

如果在步骤S504确定用户未进入活动场所，流程则返回步骤S503，继续检测用户的位置。

另一方面，在步骤S502建立起用户模型后，信息推荐系统还要执行另一个分支处理，即，向用户推荐信息的处理。下面详细说明向用户推荐信息的流程。

在步骤S507，判断用户是否主动请求推荐信息。如果未从用户处接收到对推荐信息的请求，流程则进行到步骤S508，判断是否到达预定的信息推荐定时。如果到达了信息推荐定时，流程则转到步骤S509，计算移动终端的位置，然后在步骤S510中根据用户所在的位置和用户模型进行信息推荐计算。在信息推荐步骤中，调用访问历史记录库404中记录的该相关用户的用户模型，并在场所地理信息库405中查询与用户当前的位置相关联的范围中的有关场所，根据用户模型和所查找的有关场所的地理信息对用户模型与场所属性进行用户模型与场所模型的相似度匹配处理，从而得到要推荐的场所信息。此后，将要推荐的场所信息传送到信息推荐编码及发送装置408。信息推荐编码及发送装置408对接收到的场所信息编码并向用户发送推荐信息流。

此后，在步骤S511，移动终端200中的推荐信息接收及解码装置205接收通过网络300传送的推荐信息流，并对接收到的推荐信息解码。然后，在显示装置203上显示所得到的推荐信息。

如果在步骤S508判断未到达预定的信息推荐定时，流程则返回到步骤S507，等待用户请求信息推荐。

另外，如果在步骤S507确定用户主动请求了信息推荐，流程则进行到步骤S509，执行如上所述的处理。

图6是表示短时停留历史记录的数据转换及计算的示意图。如图6所示，作为本发明的另一个实施例，短时停留历史记录库403可以包括一个短时停留历史记录管理装置4031，用于管理短时停留历史记录库403中的短时停留历史记录。短时停留历史记录库403存储了用户在活动场所中短时停留的记录表。短时停留的记录表是一个数组，其中每一条记录由两个字段组成，一个是场所字段，一个是开始时间字段。场所字段记录对应的场所的名称，开始时间字段记录用户在某场所停留的开始时间。当访问记录更新装置401(图1所示)查询短时停留历史记录库403记录的用户的停留历史时，短时停留历史记录管理装置4031查找用户在对应场所停留的开始时间，计算停留时长并将结果返回给访问记录更新装置401。当访问记录更新装置401发出更新命令时，如果该场所已经存在，则不做任何操作，如果该场所不存在，则在短时停留历史记录库403中添加一条记录，将当前时间作为其“开始时间”；如果某场所的开始时间离当前时间超过了一定的时长阈值，则将该场所对应的记录从短时停留历史记录库403中删去(将数据该位置清空)。此后，通过访问记录更新装置401更新访问历史记录库404中用户的停留超过预定阈值的场所的访问历史模型。

如上所述，根据本发明，可以省略流程中的定时信息推荐过程。作为替换，可根据用户的位置主动向用户发送推荐信息。

上面描述的方法和系统可通过硬件实施，但本发明不限于此，也可通过软件实施本发明的信息推荐方法。

此外，上面描述的方法可以记录在诸如软盘，硬盘，CD-ROM，DVD-ROM之类的计算机可读的记录介质上。

应当注意，上述实施例是本发明的一个优选实施例，但是本发明的实施例并不限于这个实施例，并且可以对本发明进行各种修改和具体化，而不脱离本发明的范围。

Claims (20)

1.一种向移动终端推荐信息的信息推荐系统，包括：

短距离无线通信装置(101)，用于接收移动终端发送的，指示该移动终端所在位置的信号，和向作为推荐对象的移动终端发送指示位置和标识的信号；

信息推荐管理设备，用于将所接收的用户信息转换成表示用户活动的至少一个特征的用户模型，存储经转换的用户模型和表示活动场所的至少一个特征的场所模型，计算用户模型中的特征与场所模型的特征之间的匹配程度，并根据计算的匹配程度确定是否向移动终端推荐场所的特征信息；和

通信网络，用于在移动终端与信息推荐管理设备之间传送通信信号，和确定移动终端的位置。

2.根据权利要求1所述的信息推荐系统，其中所述短距离无线通信装置(101)设置在活动场所。

3.根据权利要求1或2所述的信息推荐系统，其中所述移动终端包括用于与短距离无线通信装置(101)通信的短距离无线通信装置(201)，和与网络通信的长距离无线通信装置(202)。

4.根据权利要求1至3中的任何一项所述的信息推荐系统，其中所述通信网络中包括与移动终端包括的长距离无线通信装置(201)通信，并测量移动终端的坐标以确定移动终端的位置的无线通信及位置确定装置。

5.根据权利要求4所述的信息推荐系统，其中所述信息推荐管理设备包括根据所述无线通信及位置确定装置确定的移动终端的位置来计算移动终端所在位置的活动场所的场所确定装置。

6.根据权利要求1所述的信息推荐系统，其中所述信息推荐管理设备包括记录移动终端对场所的访问历史的访问历史记录库，记录场所的地理信息的场所地理信息库，和记录移动终端在场所中的短时间停留历史的短时停留历史记录库。

7.根据权利要求6所述的信息推荐系统，其中所述场所地理信息库包括用于将原始格式的场所信息转换成按字节编码的模型格式的数据向量的地理信息管理装置。

8.根据权利要求6所述的信息推荐系统，其中所述短时停留历史记录库包括用于管理短时停留历史记录库中的短时停留历史记录的短时停留历史记录管理装置。

9.根据权利要求1至8中的任何一项所述的信息推荐系统，其中所述信息推荐管理设备包括在通过网络接收到移动终端进入一个场所时，确定移动终端在所述场所的停留时间，并在所述停留时间大于或等于预定的停留时间时更新所述访问历史记录库中记录的该移动终端的用户模型的访问记录更新装置。

10.根据权利要求1至9中的任何一项所述的信息推荐系统，其中所述场所模型的所述至少一个特征包括场所名，场所分类，场所档次，场所价位，场所打折时间，场所简介，和场所动态描述。

11.一种向移动终端推荐信息的信息推荐系统，包括：

信息推荐管理设备，用于将所接收的用户信息转换成表示用户活动的至少一个特征的用户模型，存储经转换的用户模型和表示活动场所的至少一个特征的场所模型，计算用户模型中的特征与场所模型的特征之间的匹配程度，并根据计算的匹配程度确定是否向移动终端推荐场所的特征信息；和

通信网络，用于在移动终端与信息推荐管理设备之间传送通信信号，并确定移动终端的位置；

所述移动终端包括：

推荐信息请求发送装置，用于通过所述网络向信息推荐管理设备请求信息推荐；

推荐信息接收及解码装置，用于接收信息推荐管理设备发送的推荐信息，并对接收的信息进行解码以便显示。

12.根据权利要求11所述的信息推荐系统，其中所述信息推荐管理设备包括用于响应移动终端的信息推荐请求，计算所述移动终端的用户模型中记录的用户活动历史特征与移动终端所在区域中的场所的场所模型中的特征的匹配程度的信息推荐计算装置。

13.根据权利要求11或12所述的信息推荐系统，其中所述信息推荐管理设备包括用于在预定时间产生推荐请求，以触发信息推荐过程的预定推荐定时装置。

14.根据权利要求11所述的信息推荐系统，其中所述信息推荐管理设备包括用于对信息推荐计算装置计算的符合推荐要求推荐信息编码并发送编码的推荐信息的信息推荐编码及发送装置。

15.根据权利要求11至15中的任何一项所述的信息推荐系统，其中所述场所模型的所述至少一个特征包括场所名，场所分类，场所档次，场所价位，场所打折时间，场所简介，和场所动态描述。

16.一种向移动终端推荐信息的信息推荐方法，包括步骤：

建立指示活动场所的至少一个特征的场所模型和指示移动终端的活动特征的用户模型；

测量移动终端的位置，确定移动终端所在位置周围的活动场所；

根据移动终端进入活动场所的时间更新所述用户模型；

在移动终端请求信息推荐时，计算与所述移动终端的用户模型中记录的活动特征历史相似的信息并推荐给所述移动终端。

17.一种向移动终端推荐信息的信息推荐方法，包括步骤：

建立指示活动场所的多个特征的场所模型和指示移动终端的活动特征的用户模型；

测量移动终端的位置，确定移动终端所在位置周围的活动场所；

根据移动终端进入活动场所的时间更新所述用户模型；

在到达预定的推荐定时时，计算与所述移动终端的用户模型中记录的活动特征历史相似的信息并推荐给所述移动终端。

18.一种使计算机执行向移动终端推荐信息的信息推荐方法的程序，所述方法包括步骤：

建立指示活动场所的多个特征的场所模型和指示移动终端的活动特征的用户模型的过程；

测量移动终端的位置，确定移动终端所在位置周围的活动场所的过程；

根据移动终端进入活动场所的时间更新所述用户模型的过程；

在移动终端请求信息推荐时，计算与所述移动终端的用户模型中记录的活动特征历史相似的信息并推荐给所述移动终端的过程。

19.一种使计算机执行向移动终端推荐信息的信息推荐方法的程序，所述方法包括步骤：

建立指示活动场所的多个特征的场所模型和指示移动终端的活动特征的用户模型的过程；

测量移动终端的位置，确定移动终端所在位置周围的活动场所的过程；

根据移动终端进入活动场所的时间更新所述用户模型的过程；

在到达预定的推荐定时时，计算与所述移动终端的用户模型中记录的活动特征历史相似的信息并推荐给所述移动终端的过程。

20.一种存储权利要求18或19所述的程序的记录介质。

Images