[发明专利]一种基于中智集的上下文感知兴趣点推荐方法及系统

说明书

本发明涉及社交媒体分析领域，公开了一种基于中智集的上下文感知兴趣点推荐方法及系统，以充分挖掘用户签到信息中既模糊又随机的信息发现用户偏好的兴趣点；本发明方法包括获取社交网络中待分析候选兴趣点的相关信息，根据相关信息将待分析候选兴趣点分为单维属性信息组和多维属性信息组；对单维属性信息组中的信息采用基于相似度的中智集转化得到第一中智集组，对多维属性信息组中的信息采用基于情感识别度的中智集转化得到第二中智集组；根据第一中智集组和第二中智集组得到中智集矩阵；优化中智集矩阵得到按照优先级排序的候选兴趣点，将所有兴趣点按照优先级的先后顺序推荐给用户。

技术领域

本发明涉及社交媒体分析领域，尤其涉及一种基于中智集的上下文感知兴趣点推荐方法及系统。

背景技术

随着基于位置的社交网络(Location-Based Social Network，LBSN)的发展和普及，越来越多的用户以签到记录的形式发布他们签到的兴趣点(Point-of-Interest，POI)的实际位置、访问次数、评价等。典型的是基于位置的社交网站，如Foursquare、Yelp、Gowalla、以及大众点评等，人们利用LBSN可以发现自己感兴趣的POI，对当前访问的POI签到，并与好友分享自己的签到信息和体验。用户面对LBSN中的大量信息时，推荐系统应利用POI与用户签到数据中包含大量有价值的信息，帮助用户发现潜在感兴趣的POI，从而做出满意的决策。与LBSN中的大量POI相对，用户可访问的POI仅占非常小的比例，用户的签到数据是高稀疏的，POI推荐面临数据稀疏性问题。

个性化POI推荐仍然存在诸多难点问题，集中体现在以下几个方面：(1)POI推荐的数据稀疏性使得推荐需要融合多种上下文信息，用户做出POI选择决策应是多维属性共同影响的结果。然而，当前的POI推荐研究中大多数模型所考虑影响用户选择的属性不够全面。(2)由于各种属性数据的异构性，难以设计一个多维属性的统一框架。(3)用户的签到行为背后是一个复杂的决策过程，受到许多上下文信息的影响，不同属性的影响程度也各不相同，需要合理建模这些上下文信息对用户决策的影响以及将它们有效地结合。

因此，如何针对用户单个属性偏好程度难以衡量的问题，建立不同属性的中智集转化模型，并基于充分挖掘用户签到信息中既模糊又随机的信息发现用户偏好的兴趣点成为一个急需解决的问题。

发明内容

本发明目的在于提供一种基于中智集的上下文感知兴趣点推荐方法及系统，以针对用户单个属性偏好程度难以衡量的问题，建立不同属性的中智集转化模型，并基于充分挖掘用户签到信息中既模糊又随机的信息发现用户偏好的兴趣点。

为实现上述目的，本发明提供了一种基于中智集的上下文感知兴趣点推荐方法，包括以下步骤：

S1：获取社交网络中待分析候选兴趣点的相关信息，根据所述相关信息将所述待分析候选兴趣点分为单维属性信息组和多维属性信息组；

S2：对所述单维属性信息组中的信息采用基于相似度的中智集转化得到第一中智集组，对所述多维属性信息组中的信息采用基于情感识别度的中智集转化得到第二中智集组；根据所述第一中智集组和所述第二中智集组得到中智集矩阵；

S3：优化所述中智集矩阵得到按照优先级排序的候选兴趣点，将所有兴趣点按照优先级的先后顺序推荐给用户。

优选地，所述S1中，所述相关信息包括至少四种，分别为地理数据信息、文本数据信息、评论数据信息、以及社交数据信息。

优选地，单维属性信息组由所述地理数据信息和所述文本数据信息组成；多维属性信息组由所述评论数据信息和所述社交数据信息组成。

优选地，所述S2中，所述相似度通过核函数计算得到，其中，相似度的计算公式为：