[发明专利]面向LBS的基于马尔可夫预测算法的个性化推荐方法

权利要求书

1.一种面向LBS基于Markov预测的个性化推荐方法，其特征在于：所述方法包括以下步骤：

步骤A：数据预处理，将原始的网页数据解析为文本格式的数据，然后进行数据填充，采用如下算法：

(1)构造用户项目评分矩阵；

(2)遍历用户项目评分矩阵，统计对项目i和对项目j有评分记录的数目，得到集合set；

(3)遍历集合set，采用下式计算集合set中元素与项目j的平均差值：

式中u_i为用户u对i的评分，u_j为用户u对j的评分，I为对项目i和项目j评分用户集，number(u)为集合的数目；

(4)采用下式计算用户u对项目j的预测评分p(u)_j以进行填充，

式中number(i,j)为集合的数目；

步骤B：使用用户的情境信息来表示用户的兴趣点，从而对用户兴趣点的预测转化为对用户情境的预测；

步骤C：利用Markov预测算法对用户兴趣点进行预测：利用对用户兴趣点的评分对情境进行分类，记录用户情境转移情况，并根据用户的情境转移情况形成一个时间观察序列，进而使用Markov预测算法预测用户下一个时刻的用户的情境信息；

步骤D：融合用户情境的地理位置信息，计算用户兴趣点的相似度，根据用户兴趣点的相似度进一步选择最近邻居集，得到更加精确的推荐列表。

2.根据权利要求1所述的个性化推荐方法，其特征在于：所述步骤A中利用爬虫工具获取网页的信息并以XML文件的形式保存在本地硬盘。

3.根据权利要求1所述的个性化推荐方法，其特征在于：所述步骤C中对用户兴趣点进行预测具体为：

(1)采集实验数据

收集用户近段时间的用户兴趣点转移的信息：把用户某段时间内的活动可以看作一个时间序列，需要记录用户在特点的时间段所处的情境；

(2)处理实验数据

得到用户该段时间内用户兴趣点转移的矩阵信息，并统计用户在对应时间段的所在就餐情境的次数，计算出用户在某段时间区间内出现在某一个兴趣点出现的总数；

(3)计算用户状态转移概率

统计出每个状态出现的次数，以及统计各个状态之间转移的次数，再根据公式P(E_i→E_j)＝P(Ej/Ei)＝P_ij计算用户状态转移概率，其中，E_i、E_j分别是一个事物的第i和第j个状态，P_ij是用户状态转移概率矩阵P的第i行第j列元素，由此可以得到用户状态转移概率矩阵P；

(4)计算出状态概率π

根据递推公式：

计算出状态概率π，式中p是事物的初始状态。

4.根据权利要求1所述的个性化推荐方法，其特征在于：所述步骤D中用户兴趣点的相似度与用户所处的情境信息有着紧密的联系，根据情境的具体属性融合到余弦相似度的计算公式中，得到相似度的计算公式：

式中α，β为权重值，取值0到1，contex为用户兴趣点的相关信息。