[发明专利]一种基于时空轨迹和社会网络的用户属性预测系统

权利要求书

1.一种基于时空轨迹和社会网络的用户属性预测系统，其特征在于，包括：

数据处理子系统，包括时空轨迹处理模块和社会网络处理模块，时空轨迹处理模块将所有用户的时空轨迹处理成容易进行后续操作的三阶张量形式，社会网络处理模块将所有用户之间的社交关系处理成容易进行后续操作的邻接矩阵形式。

特征提取子系统，降低用户时空轨迹的维度，从用户的时空轨迹数据中提取出有价值的特征，使提取出的特征适用于现有的分类算法；

分类预测子系统，利用用户的隐含特征训练多种分类器，使用已知属性的用户隐含特征训练多种分类器对用户，用目标用户的隐含特征进行预测。

2.根据权利要求1所述基于时空轨迹和社会网络的用户属性预测系统，其特征在于，所述时空轨迹处理模块中，所需的原始的时空轨迹记录包括用户标识，地理位置标示和时间标识，时空轨迹处理模块建立一个元素全为零的三阶张量，其中行数＝用户标识数、列数＝地理位置标识数、管数＝时间段标识数，即三阶张量的每一行代表一个用户，每一列代表一个地点，每一管代表一个时间段。

3.根据权利要求1所述基于时空轨迹和社会网络的用户属性预测系统，其特征在于，所述社会网络处理模块中，所需的数据为用户的社会网络信息，用户的社会网络信息表现为用户间存在的某种关系，对这些信息进行提取，建立一个反映用户间社交关系的邻接矩阵。

4.根据权利要求1所述基于时空轨迹和社会网络的用户属性预测系统，其特征在于，所述特征提取子系统应用非负张量分解(NTF)算法来提取有价值的特征，所述非负张量分解(NTF)算法对时空轨迹张量进行分解，用社会网络信息进行约束，得到三个二阶矩阵，分别代表了每个用户、每个地理位置和每个时间段的隐含特征。

5.根据权利要求4所述基于时空轨迹和社会网络的用户属性预测系统，其特征在于，所述非负张量分解(NTF)算法包括：输入一个张量其中m是用户数量，n是地理位置数量，h是时间段数；输入社会网络矩阵若用户u_i和u_j有社交关系，则A(i,j)＝1，否则A(i,j)＝0，NTF算法将解决如下的优化问题：

上述优化问题也即目标函数，其中O_TRA代表对时空轨迹信息的分解，O_U代表利用社会网络进行约束，U,V,T分别是用户、地理位置和时间段的隐含特征表示，是待学习的非负矩阵，r是隐含特征的维度；表示向量外积；u_:j，v_:j，t_:j分别是矩阵U,V,T的第j列；L＝D-A，α，γ为调节参数。

6.根据权利要求5所述基于时空轨迹和社会网络的用户属性预测系统，其特征在于，所述目标函数的乘法更新规则(multiplicative updating rule)为：

其中X₍₁₎,X₍₂₎,X₍₃₎分别是张量X的模-1，模-2，模-3展开；⊙表示Khatri-Rao乘积；*表示Hadamard乘积，U,V,T矩阵的初始值随机生成，但必须保证非负，最终迭代得到用户的隐含特征矩阵U。

7.根据权利要求1所述基于时空轨迹和社会网络的用户属性预测系统，其特征在于，所述分类预测子系统使用多种分类器对用户属性进行预测，最后综合判断用户属性。