[发明专利]融合多元上下文信息的个性化地点推荐方法及设备

说明书

本发明提供了融合多元上下文信息的个性化地点推荐方法及设备，包括：1、获取地理标签照片数据；2、地理标签照片多元上下文信息挖掘，通过对地点流行度、地点流行度波动、空间距离、基于用户的协同过滤以及基于用户评论的文本相似度等上下文信息的评估，分别计算出其对应的分数；3、基于排序学习的个性化地点推荐模型，在对个性化地点推荐问题进行转化的基础上，构建“用户‑地点”相关性特征向量，并采用排序学习方法建立地点推荐模型；4、根据3中模型，选取预测值排名前n个性化地点进行推荐，生成推荐结果并对推荐结果进行评价。本发明可以有效提高个性化地点推荐的准确率和召回率。

技术领域

本发明涉及用户推荐系统技术领域，具体的涉及融合多元上下文信息的个性化地点推荐方法。

背景技术

个性化地点推荐可以为人们提供很好的基于地理位置的服务，现有的方法在地点推荐方面取得了一定的推荐效果，但还存在着一定的不足：首先，协同算法仅利用用户的签到地点进行推荐，但由于用户签到地点的稀疏性，使得相邻用户的搜索不够准确，推荐精度较差；其次，现有理论中计算空间距离影响下用户访问候选地点概率时，无差别地利用了所有用户的所有签到地点信息，未考虑不同用户出行距离差异这一个性化因素；最后，基于线性模型的方法通过人工调参确定参数，然而随着影响因素的增长，依靠人工的经验去拟合出一个合理的排序模型将变得不现实。

发明内容

本发明要解决的技术问题在于，针对上述目前现有个性化地点推荐方法存在精度较差以及未考虑用户差异的不足，提供融合多元上下文信息的个性化地点推荐方法及设备解决上述技术缺陷。

融合多元上下文信息的个性化地点推荐方法，结合两类VGI数据，实现城市功能区自动识别，包括以下四个步骤：

步骤1、从Flickr网站获取地理标签照片数据，并对地理标签照片数据进行预处理；

步骤2、对步骤1中进行预处理后的地理标签照片数据进行地理标签照片多元上下文信息挖掘，挖掘的信息包括地点流行度、地点流行度波动、用户空间距离、协同过滤以及文本相似度上下文信息；

步骤3、利用排序学习算法框架，融合步骤2中挖掘出的多元上下文信息构建个性化地点推荐模型；

步骤4、根据步骤3中得到的模型生成推荐结果及结果评价。

进一步的，步骤1中具体包括以下步骤：

S1、从Flickr网站下载研究区地理标签照片数据；

S2、采用均值漂移聚类算法对地理标签照片数据进行聚类；

S3、采用以下准则对数据用户进行过滤：该用户至少去过6个地点；用户在每个地点拍摄的照片平均数量不少于2张；照片文本评论中至少含有3个文本标签。

进一步的，步骤2中具体包括以下步骤：

S1、地点流行度评估

采用如下公式计算地点流行度：

式中，SP(j)为地点j的流行度，U_j为访问过地点j的用户集合，为用户u在地点j拍摄的照片数量，使用log(x+1)对每个用户的照片数量进行加权；

S2、地点流行度波动评估

计算方法如下：首先将时间按照月份进行划分，统计该地点在各个月份的照片数量组成向量，地点j的流行度波动向量表示为：

式中，SPF(j)为地点j的流行度波动向量，为地点j在月份t的照片数量，最后，对向量SPF(j)进行归一化，得到：

地点j在月份t的流行度值SPF(j,t)用表示；