[发明专利]一种基于本地轨迹的兴趣点推荐方法

说明书

技术领域

本发明属于电子领域，尤其涉及一种基于本地轨迹的兴趣点推荐方法。

背景技术

随着众多移动社交网络的位置签到、位置共享以及位置标识等功能的应用普及，基于位置的社交网络(LBSNs)吸引了越来越多的用户，比如Foursquare、Gowalla、Facebook place。给用户推荐一些有吸引力的位置(POIs)也变得十分流行。POI推荐不仅能帮助用户探索新位置以丰富他们的经历，还能帮助移动社交网站增加收入。

最近几年，许多大学和研究机构对POI推荐展开了深入研究。其中从用户角度探索签到数据的地理特性是一个不可忽视的方面。比较好的方法是利用签到位置的地理影响，这也是备受关注的研究热点之一。研究人员使用幂律分布建模用户的签到行为，如图1a和1b所示。如图1所示，已有工作直观上认为同一个用户访问的POIs之间的签到概率与距离服从幂律分布。然后，他们提出用幂律分布建模用户的签到概率与签到位置之间的距离，这些位置被同一个用户访问。具体的公式如下：

y＝a·x^b

这里的a和b表示幂律分布的参数，可以通过最小二乘法求这两个参数。x表示同一个用户访问的任意两个位置之间的距离，y表示该用户的签到概率。

最后，他们利用朴素贝叶斯方法实现POI推荐。将用户已经访问的位置作为先验概率。对于一个候选新位置l_j，用户u_i和他所访问的位置集合L_i。通过以下的公式计算用户u_i在位置l_j签到的可能性概率：

P[d(l_j,l_y)]＝a·d(l_j,l_y)

这里的d(l_j,l_y)表示两个位置之间的距离。为了进行POI推荐，将所有的该用户未访问过的位置根据签到可能性概率P[l_j|L_i]排序，并返回概率最大的c个候选位置给用户。

现有的推荐技术主要是根据同一个用户访问的任意两个位置的距离来使用幂律分布建模地理影响。这种做法有如下可能的不足：

1.远距离位置的作用被夸大。在实际生活中，用户往往会到远处旅行。但是这些位置用户很少访问第二次。

2.忽略了用户的签到频率。用户对于某些位置的访问频率很大，而对另一些位置仅仅访问一次。而在朴素贝叶斯公式中，这些区别无法体现。

从真实数据集的分析中，我们发现定期的短距离移动主要发生在用户生活或者工作的城市。而且用户在这个城市的签到位置相对于其他地区多。基于这一发现，我们提出了本地轨迹移动模型LTMM，它利用幂率分布建模用户在本地活动区域内对不同轨迹距离的移动概率。

发明内容

为解决上述问题，本发明提供了一种基于本地轨迹的兴趣点推荐方法，相比如传统的基于协同过滤的POI推荐方法和基于地理影响朴素贝叶斯的推荐方法，本专利可以提高POI推荐的精确度和召回率。它能帮助基于位置的社交网站提升用户体验，还能提高收益。

为达到上述技术效果，本发明的技术方案是：

一种基于本地轨迹的兴趣点推荐方法，包括如下步骤:

步骤一、找出用户的中心位置；

步骤二、根据中心位置确定用户的本地活动区域；

步骤三、统计用户在本地活动区域内的移动轨迹；

步骤四、计算用户在不同距离的移动概率；

步骤五、对用户的本地活动区域内未访问的位置计算签到概率；

将候选位置根据签到概率排序，并返回概率最大的c个候选位置给用户作为推荐结果，k为设定的阈值。

进一步的改进，所述中心位置的确定方法如下:选择用户的移动轨迹的某点为圆心,以R为半径确定圆形区域，用户访问圆形区域内所有位置的频率之和F最大的位置即为中心位置。

进一步的改进，所述中心位置的计算方法如下：