[发明专利]用户行为推荐模型建立及基于时空信息的位置推荐方法

说明书

本发明属于数据挖掘以及推荐系统技术领域，公开了一种用户行为推荐模型建立及基于时空信息的位置推荐方法。首先学习不同位置类型的时间层面影响程度；其次，将签到数据映射到多个时间段内并构建融合时间相关性的行为数据集；然后实时的更新用户与行为之间的偏好关系；最后研究同一类型位置在地理空间上的聚集现象对用户的吸引程度，融合用户行为的时空信息构建个性化的位置推荐模型，并向每一个用户推荐最合适的位置。本发明的新颖之处在于模型考虑了用户访问行为的时间相关性，此外模型提供了一种实时的行为预测方法，并提供一种新的角度研究位置聚集现象对用户的吸引程度，最终通过融合时空信息提高了个性化位置推荐的准确率。

技术领域

本发明属于数据挖掘以及推荐系统技术领域，具体涉及一种用户行为推荐模型建立及基于时空信息的位置推荐方法。

背景技术

社交媒体数据是用户在社交媒体平台中分享的访问签到数据构成，每一条签到数据由必要的五个元素用户标识、位置标识、访问时间戳、位置经纬度、位置类别组成，社交媒体数据可以有效地记录用户在某一段时间内的行为习惯模式。随着定位技术不断革新以及智能手机的普及，一大批基于位置服务(LBS)的社交媒体平台融入我们的生活。比如，微博、微信、大众点评、Foursquare、Twitter、Facebook等。这些媒体平台的兴起使得用户可以在互联网中分享带有位置标签的信息，比如文字、视频、图片。然而，随着新用户及新位置源源不断地涌入系统，使得用户可能会陷入到数据海洋中，很难做出正确的决定，影响了用户的消费、访问体验。因此急需一种融合时间、空间信息的个性化位置推荐方法将用户不感兴趣的信息进行过滤，减少用户面临的数据负担。

在过去的二十年里，随着数据的大量井喷，针对性的推荐问题一直是一个热门的研究领域。现有的推荐方法大都采用传统的协同过滤算法进行推荐，然而由于用户的社交媒体签到数据是一种稀疏数据，此时协同过滤算法并不能很好的捕获用户和行为之间的关系。此外协同过滤的思想很难对全局性的用户行为关系进行估计，导致了推荐结果的准确率较低。目前有一些采用随机游走的方法可以对用户行为的全局关系进行建模，但是这些方法缺乏对用户实时行为的应对机制，导致推荐的结果往往是过时的行为。此外，现有的方法在建模时忽略了用户行为在时间层面上的相关性，并且由于不同位置类型的签到数据对时间层面的影响各不相同，因此需要一种学习方法去确定不同位置类型时间层面的影响程度，而现有的方法忽略了不同位置类型的不同影响。用户的签到数据除了包含时间信息，还包含用户访问行为的地理空间信息，比如经纬度数据。地理空间的约束确定了用户行为的可达性，而现有的方法往往通过研究用户访问行为在空间层面上的分布情况来估计用户访问位置的可能性。然而，现有的方法都忽略了同一类别的位置在空间上的聚集现象对用户空间访问行为的影响。

综上所述，基于社交媒体数据的行为推荐方法在如下方面有待研究：1.考虑不同位置类型在时间层面上影响程度；考虑用户行为的时间相关性；考虑实时的行为推荐策略；考虑同一类型的位置在地理空间上的聚集现象对用户行为的吸引程度。

发明内容

本发明的目的在于提供一种基于时空信息的用户位置预测模型建立、预测方法及系统，用以解决现有技术中基于社交媒体数据的行为推荐方法未考虑时空信息相关性的问题。

为了实现上述任务，本发明采用以下技术方案：

用户行为推荐模型建立方法，包括如下步骤：

步骤1：获取用户签到数据集，删除用户签到数据集中属于冷启动的签到数据后，得到签到数据集，所述签到数据集中的每条签到数据包括用户、位置、位置类型和签到时间；

步骤2：采用遗传算法计算步骤1得到的签到数据集中的每条签到数据的位置类型对于该签到数据中签到时间的影响程度，得到每种位置类型的时间影响程度；

步骤3：根据步骤2得到的每种位置类型的时间影响程度采用模糊分派方法将每条签到数据映射到多个时间段得到多条行为，获得行为数据集，每条行为包括时间段和位置类型；根据模糊隶属度方程计算每条行为的时间相关概率；