[发明专利]基于内存计算框架、融合社交及时空数据的位置推荐方法

说明书

本发明提出一种基于内存计算框架、融合社交及时空数据的位置推荐方法，搭建形成包含master主机和slave从机的集群，处理用户签到数据得到用户签到矩阵；从社交网络中去获取用户的社交好友关系数据，得到用户之间的社交关系矩阵；对社交环境进行分析和量化；构建推荐模型，对用户签到矩阵按时间进行拆分，将多种社交因素作为约束条件对矩阵进行分解，得到用户隐特征矩阵和位置隐特征矩阵，将用户隐特征矩阵和位置隐特征矩阵进行合并预测用户在每个时间状态下的签到偏好矩阵，采用投票方案将不同时间状态下的预测矩阵合并为统一的位置偏好预测矩阵；将得到的位置偏好预测矩阵的数据提取，输出分析结果。该方法计算速度快，准确性高。

技术领域

本发明涉及计算机领域，具体涉及一种基于内存计算框架、融合社交及时空数据的位置推荐方法。

背景技术

随着城市快速发展，餐厅、影院等线下服务地点日益增加，极大丰富了人们的生活体验。然而琳琅满目的位置地点也增加了用户的选择成本，因此一种解决信息过载并改善用户体验的有效方法即提供个性化位置推荐方法被提出。

由于位置社交网络包含大量的位置，基于位置服务的推荐技术可以使用户更容易找到符合自己偏好的位置。因此，位置推荐有利于人们探索城市中的新地带，提高城市生活质量。特别是当用户身处在一个陌生环境的时候。也可以利用位置推荐为实体商店发现潜在客户，并为这些客户提供相关广告，促使客户访问商店，从而提高商家的利润。位置推荐还可以为用户推荐符合个人偏好的旅行路线，帮助用户避免信息过载、节约行程安排时间，以及提高旅行意愿，推动旅游业的发展。因为位置推荐能够过滤无用信息，也能提高服务商的利润，为大众、商家和旅行者带来便利和利益，所以，在位置社交网络中，为用户进行位置推荐是尤为重要的。

发明内容

为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种基于内存计算框架、融合社交及时空数据的位置推荐方法，该方法计算速度快，准确性高。

为了实现本发明的上述目的，本发明提供了一种基于内存计算框架、融合社交及时空数据的位置推荐方法，包括以下步骤：

第一步，搭建形成包含master主机和slave从机的集群，将用户签到表数据导入master主机中，由master主机进行分割，并将数据的预处理任务分派给slave从机，同时追踪slave从机上的分布式计算，收集slave从机的反馈信息进行汇总统计，得到用户签到矩阵CI^t；

第二步，从社交网络中去获取用户的社交好友关系数据，并对用户签到矩阵CI^t和用户的社交好友关系数据进行整理，得到用户之间的社交关系矩阵SN；

第三步，对社交环境进行分析，具体包括建立基于时间状态的社交圈、利用用户签到矩阵CI^t和签到日志分析和量化个人偏好、个人偏好相似度、用户之间的社交信任以及社交亲近度；

第四步，对签到矩阵进行拆分并分解，得到用户隐特征矩阵U^t和位置隐特征矩阵L，并构建推荐模型目标函数得到用户隐特征矩阵U^t和位置隐特征矩阵L，将用户隐特征矩阵U^t和位置隐特征矩阵L进行合并预测用户在每个时间状态t下的签到偏好矩阵采用投票方案将不同时间状态下的预测矩阵合并为统一的位置偏好预测矩阵

第五步，位置偏好预测矩阵的数据，转换成可视化的形式，并输出分析结果。

本发明利用Apache Spark内存计算框架对庞大的用户历史签到历史记录数据进行处理以及利用Spark上的矩阵库进行矩阵运算，提高计算效率，提升算法在处理海量数据情况下的速度和容错能力，提高了给用户推荐位置的准确性和快速性。

进一步的，所述第二步包括以下几个步骤：