[发明专利]基于张量分解且顾及上下文语义信息的兴趣点推荐方法

权利要求书

1.一种基于张量分解且顾及上下文语义信息的兴趣点推荐方法，其特征在于，包括以下步骤：

S1：采集用户信息，计算用户社交活跃度用户签到位置活跃度和用户签到时间活跃度并根据用户社交活跃度用户签到位置活跃度和用户签到时间活跃度计算用户活跃度

S2：根据用户信息，计算用户的社交相似度用户的签到位置相似度和用户的签到时间相似度并根据用户的社交相似度用户的签到位置相似度和用户的签到时间相似度计算用户相似度

S3：根据用户活跃度和用户相似度进行用户聚类；

S4：基于用户聚类，根据用户信息，计算签到位置的兴趣点流行度

S5：根据用户信息，计算时间槽热度

所述步骤S5中，时间槽热度的计算公式为：

其中，表示在该时间槽签到的用户数，|U|表示用户总数，表示在该时间槽签到的兴趣点数目，|L|表示兴趣点总数，表示该时间槽被签到的次数，表示所有时间槽被签到的总次数；

S6：根据用户社交活跃度签到位置的兴趣点流行度和时间槽热度构建U-L-T三维张量；

S7：利用tucker分解U-L-T三维张量，得到空缺张量元素的近似值并生成兴趣点推荐列表Top(u,l,N)，完成兴趣点推荐，其中，N表示推荐兴趣点数。

2.根据权利要求1所述的基于张量分解且顾及上下文语义信息的兴趣点推荐方法，其特征在于，所述步骤S1中，用户社交活跃度的计算公式为：

其中，表示每个用户的社交好友数量，|U|表示所有用户数量；

用户签到位置活跃度的计算公式为：

其中，l_j表示第j个地点，表示每个用户所签到过的兴趣点的数量大小，表示在该兴趣点签到的用户数，表示每个用户所签到过的所有兴趣点的用户总数，表示每个用户所签到过的兴趣点的数量，|L|表示兴趣点总数，表示每个用户的签到数，表示该兴趣点被签到的次数，表示每个用户所签到过的所有兴趣点的总签到数；

用户签到时间活跃度的计算公式为：

其中，t_k表示第K个时间槽，表示每个用户所签到过的时间槽的数量大小，表示在该时间槽签到的用户数，表示每个用户所签到过的所有时间槽的用户总数，表示每个用户所签到过的时间槽的数量，|T|表示时间槽总数量，表示每个用户所签到过的所有时间槽的总签到数；

用户活跃度的计算公式为：

3.根据权利要求1所述的基于张量分解且顾及上下文语义信息的兴趣点推荐方法，其特征在于，所述步骤S2中，用户的社交相似度的计算公式为：

其中，表示用户U_i的好友集合，表示用户U_v的好友集合；

用户的签到位置相似度的计算方法包括以下子步骤：

A21：利用K-means聚类算法将所有用户兴趣点划分到K个ROI类中；

A22：根据用户访问各个ROI类的次数分布构建位置矩阵UL_M×K；

A23：基于位置矩阵UL_M×K，计算用户的签到位置相似度

用户的签到时间相似度的计算方法为：根据用户U_i在t个时间槽的签到记录生成用户签到时间矩阵UT_M×t，并基于用户签到时间矩阵UT_M×t计算用户签到时间的相似性用户签到时间矩阵UT_M×t和用户签到时间的相似性的计算公式分别为：

其中，t表示时间槽数，p_i,k为用户U_i在时间槽t_k的归一化签到次数，M表示用户数，i＝1,2,…,M，k＝1,2,…,t，UT_i表示用户U_i在所有时间槽的归一化签到次数向量，UT_v表示用户U_v在所有时间槽的归一化签到次数向量；

所述步骤S2中，用户相似度的计算公式为：