[发明专利]基于用户兴趣度和地理位置的活动推荐方法

说明书

技术领域

本发明涉及一种将社会活动推荐给用户的方法，属于信息网络技术领域。

背景技术

2004年，Facebook在美国诞生，随之社交网站热潮席卷全球，而国内以新浪微博、腾讯微博、人人网等为代表的SNS网站也如雨后春笋般迅速崛起。目前在网上每天都有新的社交网站产生和消失，同时也有大量针对各种兴趣爱好为主题的社交网站，随着Facebook的群组的不断成长，以及互联网的高效性，人们开始意思到建立在兴趣爱好之上的社交产品还有不小的市场潜力可以挖掘。因此一种能够有效地将在线活动和互动转变为线下积极的交流、社交及服务网站孕育而生。这种不同于传统的社交网站，基于活动的社交网站(像Meetup、Plancast、Douban Event等)，用户不仅可以组织和参加活动，也可以评价和分享活动。为了让用户更好地享受这些网站带来的乐趣，活动推荐算法近年来成为了人们研究的热点话题。

Meetup社交网站以全新的方式与他人建立联系，近十年来一直都在促进着有共同兴趣的人们在当地发起见面活动。通过其全球每月25万次见面活动的举办，它使超过700万成员通过共同的兴趣建立起了联系。在Meetup网站中，每一个用户都可以是活动的参与者，又可以是组织者，大量的成员蕴含着海量的活动信息。此外同一群组里的用户有可能是不相识的，基于这种情况，大量的活动信息无法进行分享；而且每天都会有用户进行注册，对于这些新用户仅仅根据注册时填写的interests，无法将更多有价值的活动信息推荐给用户，这不仅造成资源的浪费，也使用户失去了一些潜在朋友。

一些研究扩展了基本的概率隐语义分析(PLSA)模型，基于群组内容信息生成用户和群组之间的社会关系信息。还有一些研究在群组推荐时采用张量分解建立用户、群组和标签的三元关系。这些研究虽然考虑到了异构的社会化关系和活动的地理位置对用户的影响，但基于Meetup网站是group-event结构，用户参与一个活动，必须先要加入该群组。这种特性使得当前的研究不完全适用Meetup网站。

发明内容

为了解决上述问题，本发明提供了一种基于用户兴趣度和地理位置的活动推荐方法，本方法抽取所有的活动信息，基于用户对活动内容的兴趣，及结合活动的地理位置对用户的影响，从海量的活动数据中高效地向用户推荐合适的活动。本发明具体包括下述步骤：

将用户所属群组进行分类，利用Meetup网站开放平台提供的群组、用户、活动接口，通过这些接口抽取相应群组里的群组信息数据、成员数据，以及该群组里的活动信息数据，并将其存储在数据库中，对这些数据进行语料模式匹配预处理操作；

针对这些数据，首先利用矩阵分解模型初步得到用户对于活动的兴趣度，筛选出用户感兴趣的活动数据集；

其次考虑到用户的社会化关系和用户的活跃度，利用用户间的相似相关性，得到用户对于活动的兴趣度，进一步筛选出用户感兴趣的活动数据集；

考虑到活动发生的地理位置对用户是否参与一个活动的影响，对活动发生的地理位置划分区域，考虑用户在该区域内的活跃度，使用优化方法，确定用户最终感兴趣且参与的活动数据集。

进一步，对活动数据集进行预处理的过程具体为：

步骤1.1)获取成员数据集信息；

步骤1.2)初始化所有用户感兴趣的活动向量，设为V；

步骤1.3)获取第一条成员数据信息；

步骤1.4)得到该成员用户的标签信息；

步骤1.5)初始化该用户的感兴趣的活动向量v；

步骤1.6)获取活动数据集信息；

步骤1.7)初始化所有活动兴趣标志为0；

步骤1.8)获取第一条活动数据信息；

步骤1.9)将该活动标签与用户的兴趣标签进行匹配，如果匹配，转步骤1.10)，否则，转步骤1.11)；

步骤1.10)计算匹配次数，并更新为该活动的兴趣标志；

步骤1.11)获取下一条活动数据信息；

步骤1.12)判断是否到达活动数据集末端，若到达，转步骤1.13)，否则，转步骤1.9)；

步骤1.13)删除活动兴趣标志为0的活动数据；

步骤1.14)更新该用户的感兴趣的活动向量v；

步骤1.15)获取下一条成员数据信息；

步骤1.16)判断该用户数据信息是否到达数据集末端，若到达，转步骤1.17)，否则，转步骤1.4)；

步骤1.17)更新所有用户感兴趣的活动向量集V。

进一步，利用矩阵分解模型初步得到用户对于活动的兴趣度的过程具体为：