[发明专利]面向位置社交网络的基于模糊聚类的具有时间感知的位置推荐方法

说明书

本发明公开了一种面向位置社交网络的基于模糊聚类的具有时间感知的位置推荐方法，包括：步骤一、获取用户签到数据信息，包括用户信息、位置信息和时间信息；步骤二、通过所述位置信息提取访问位置地理特征，通过所述时间信息提取用户时间特征，根据所述访问位置地理特征和所述用户时间特征得到用户特征向量后，得到基于用户模糊聚类算法的位置推荐；根据所述时间信息和所述位置信息计算各个位置在各个时间段的位置吸引力后，得到基于位置吸引力的位置推荐；步骤三、根据所述位置推荐通过协同过滤方法预测时间感知下用户对每个未签到的访问值；步骤四、给定目标用户和时间，筛选所述每个未签到的访问值Top‑N的位置，对用户进行推荐。

技术领域

本发明涉及社交网络中的位置推荐领域，具体涉及一种面向位置社交网络基于模糊聚类的具有时间感知的位置推荐方法。

背景技术

在海量信息背景下，推荐系统可以根据用户喜好实现信息筛选，有效地解决信息多载的问题，推荐系统可以解决信息过载的问题，已引起业界的广泛关注，位置推荐是基于位置的社交网络(LBSN：Location based Social Network)中的一个应用，旨在为用户推荐可能感兴趣的地理位置，是实现用户的个性化需求和解决信息过滤问题的重要手段。

LBSN是位置服务与传统社交网络融合后的一种新社交网络，它记录了用户在真实世界中的位置移动轨迹，在日常社交场景中需要有合适的推荐方法通过分析用户交互行为，挖掘用户和位置存在的关联关系，但对用户推荐地点时，除了考虑用户本身的兴趣，同时在为用户进行推荐时应充分考虑时效性，假设推荐系统能够分析出某用户酷爱看书，但是却是在晚间向用户推荐图书馆，也不会获得很高的用户满意度；因此为用户进行特定时间下位置推荐，可满足用户不同时间的不同需求，更为后续的路径规划、位置隐私保护等研究打下坚实理论基础。

虽然基于位置社交网络中涵盖了丰富的上下文信息(如用户社交因素，位置标签评论信息、时间因素和地理因素)，但如何有效的利用这些信息和协同过滤算法相结合提高推荐的准确性引发学者们广泛关注和研究；Ren等人提出了基于上下文的概率矩阵分解方法应用于位置推荐，设计了一个融合地理信息，社交关系的兴趣度相关模型，上述模型可以为用户提供合适的位置推荐结果，但由于没有考虑时间因素的影响，无法实现在特定时间下向用户推荐位置；Yuan等人提出了一种考虑时间片影响的基于用户协同过滤算法，作者将空间影响与平滑增强技术相结合以提高推荐的性能；此外，他们开发了一种偏好传播算法以增强推荐性能，该算法使用地理-时间影响感知图来模拟签入记录，但由于签入数据集的密度低，基于小时的时间片方法会导致数据更加稀疏，而且他们只考虑用户在不同时间片的偏好差异，没有考虑到连续时间片下用户签到的相似性，没有对用户进行除相似度以外的分析以进一步提高推荐结果的准确率；Si提出对用户进行划分，仅根据用户总签到情况，将用户分成积极和不积极用户，在各用户群中进行基于协同过滤的位置推荐，这样的用户群划分较为单一，没有根据用户不同行为，对用户进行模糊划分。上述方法仅仅从基于位置社交网络所提供的上下文信息中的单个因素或几个组合关系中获取推荐结果，另外，对用户进行聚类分析以及对上下文信息的综合利用仍存在提升空间，对用户在特定时间进行位置推荐的准确性仍有待提高。

同时，协同过滤(Collaborative Filtering)技术是个性化推荐应用最早和最为成功的技术之一，基于协同过滤的方法是基于用户在地点的签到记录来进行个性化位置推荐，现有理论虽然可以为个性化地点推荐系统的构建提供理论基础和实践指导，但是仍然存在诸多缺陷与不足：

(1)当前基于位置社交网络中的推荐算法主要实现向单用户推荐合适的位置，然而没有综合考虑时间、地理位置等上下文信息对位置推荐的影响，在一定程度上制约了推荐时效性和准确性；

(2)基于用户协同过滤方法，没有考虑用户的群体特征，在相似群组中为用户进行推荐，而是基于所有用户的相似度对目标用户进行推荐，这样会让那些并不相关的用户也加入推荐评判中，并进一步增加计算的复杂度；