[发明专利]一种结合出行兴趣与社交偏好的POI推荐方法

权利要求书

1.一种结合出行兴趣与社交偏好的POI推荐方法，其特征在于，包括以下步骤：

步骤一：首先根据LBSN中用户历史POI数据分布学习用户出行行为，利用变阶马尔科夫算法根据当前位置预测用户未来出行访问的POI；

步骤二：利用用户提供的文本信息提取主题向量构建社交关联的兴趣相似；

步骤三：再利用出行序列构造异构出行信息网络，通过随机游走的SimRank方法建立出行行为的兴趣相似；

步骤四：综合社交兴趣相似分析和出行行为相似分析，进而确定相似群体；

步骤五：结合步骤一预测的用户未来出行访问的POI以及用户的相似群体产生候选POI集合，通过计算兴趣度发现TOP-N个用户最可能去的POI。

2.根据权利要求1所述的一种结合出行兴趣与社交偏好的POI推荐方法，其特征在于，步骤一的具体过程如下：

(1)首先利用用户一天的出行兴趣点来建立一条兴趣点序列，POI序列的定义为：Seq_Loc＝loc₀→...→loc_i→...→loc_h，

其中loc_i代表某一个位置点，loc_i＝(lat,lon,check_in_time,POI_i,POI_category_j)；其中lat,lon表示位置的经度，纬度；check_in_time表示签到的时间；POI_i,POI_category_j是在兴趣点集合中的某一个具体的兴趣点名称与POI类别；Seq＝{(id,Seq_Loc)|id＝1,2,...,m}，id唯一标识了用户u每一条轨迹，Seq为某个用户的所有出行序列集合；

(2)其次利用变阶马尔科夫算法进行下一个出行目的地预测，具体的实施过程如下：

假设用户u的历史到访兴趣点集POI＝{POI₁,...,POI_i,...,POI_w}，

其中POI_i表示兴趣点名称，w表示到访兴趣点总数；

在一条兴趣点序列Seq_Loc中，若给定位置loc_n+1∈POI，则loc_n+1的N阶上下文模型，指的是Seq_Loc中以loc_n为目的地，且长度为N的序列，即通过在Seq中搜索与具有相同长度的轨迹，在每个上下文模型中都添加一个初始频度为N-1阶的逃逸码，根据满足条件的轨迹次数来预测位置loc_n+1在紧邻时间的兴趣点中出现概率；

对于兴趣点序列Seq_Loc，用P_i表示用户到达目的地POI_i的概率，则用如下公式(1)进行计算；

P_i＝P(loc_n+1|Seq_Loc) (1)

当Seq中包含位置POI_i的上下文模型预测POI_i的出现概率P_i为并停止计算；当Seq中没有时，逃逸码频度减1，同时上下文模型更改为并计算逃逸码预测概率再次统计的出现次数，当Seq中能匹配到时，输出的出现概率是如此重复统计，直至逃逸码频度为1；如公式(2)所示：

其中，0kN

其中表示Seq中以POI_i为目的地的上下文模型出现个数；表示Seq中以不同目的地的上下文模型出现的总数；表示Seq中匹配上下文模型的不同目的地的集；表示Seq中匹配上下文模型的不同目的地的类型总数；表示上下文模型的逃逸码频度；表示上下文模型的逃逸码预测概率；

系统中的每个兴趣点都对应分别的POI类别，下一个出行兴趣点预测的目的是，推荐给用户与预测概率最大的兴趣点具有相同POI类别的POI。