[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

摘要

本发明提出了一种面向LBS的基于马尔可夫预测算法的个性化推荐方法，使用Slope One算法进行数据填充，解决稀疏性问题，将Markov预测法与协同过滤推荐相结合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预测法预测用户下一个时刻的用户的情境信息，在实际生活中，情境的地理位置对用户兴趣点的转移有着重要的影响，因此在使用协同过滤推荐相关技术计算用户情境的相似度的过程中，也充分结合地理位置对相似度的影响，从而大幅度提高了向用户推荐情景的质量，由此可见本发明改进的推荐算法相对于传统的推荐算法有着很大的优势，有助于提高推荐的质量。

主权项

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。