[发明专利]多因素影响的兴趣点推荐方法

权利要求书

1.一种多因素影响的兴趣点推荐方法，包括以下步骤：

(1)输入待处理的数据集，使用余弦相似度计算用户u和用户u＇之间的签到相似度CheckSim(u,u＇)，使用杰卡德相似系数计算用户好友相似度，首先根据用户的社交关系数据，构造用户-用户关系矩阵F，其中每个元素F_u,u＇表示两个用户之间是否存在社交关系。为了防止好友数量过少带来的不良影响，引入签到好友的概念。

(2)根据好友相似度计算用户之间的社交相似度FriSim(u,u＇)，文使用词频-逆向文件频率技术表示用户对类别偏好程度，使用皮尔森相关系数，其更关注样本特征数值的大小，而不是相似的特征维度，更适合兴趣点类别偏好相似度的计算，得到用户间兴趣偏好相似度CatSim(u,u＇),j将得到的三种相似度结合计算用户相似度矩阵W。

(3)计算相似度矩阵对应的拉普拉斯矩阵，并将得到的拉普拉斯矩阵规范化L^Sysm，然后计算得到拉普拉斯矩阵对应的特征值，进行从大到小的排序，得到排序序列。

(4)计算本证间隙序列，并寻找本证间隙序列中的第一个极大值，前k个最小特征值对应的特征向量组成新的特征空间，并将每一行当作一个新的具有k个特征的用户并应用K-means聚类算法得到用户分组结果。

(5)针对不同用户的待推荐集合中兴趣点，将兴趣点类别影响力评分、兴趣点地理位置影响力评分、兴趣点访问顺序评分、用户社交关系影响力评分四种因素融合在统一框架中，不同数据集考虑不同的影响因素，得到兴趣点的总吸引力评分，向用户推荐评分较高的兴趣点。

2.根据权利要求所述的一种多因素影响的兴趣点推荐方法，其特征在于，步骤(1)中用户u和用户u＇之间的签到相似度CheckSim(u,u＇)：

用户u和用户u＇之间签到好友关系：

用上述计算方法得到用户之间的签到相似度、签到好友关系。

3.根据权利要求所述的一种多因素影响的兴趣点推荐方法，其特征在于，步骤(2)中通过上述定义，得到用户u和用户u＇之间的社交相似度FriSim(u,u＇)：

用户u和用户u＇之间的兴趣偏好相似度CatSim(u,u＇)

用户相似度矩阵W

W_u,u＇＝α*CheckSim(u,u')+β*CatSim(u,u')+γ*FriSim(u,u')

用上述计算方法得到用户间的社交相似度、兴趣偏好相似度、用户相似度矩阵。

4.根据权利要求所述的一种多因素影响的兴趣点推荐方法，其特征在于，步骤(3)中规范化拉普拉斯矩阵L^Sysm为：

用上述计算方法得到规范化拉普拉斯矩阵。

5.根据权利要求所述的一种多因素影响的兴趣点推荐方法，其特征在于，步骤(4)中计算得到的本证间隙序列为：

E＝{e₁,e₂,e₃,...,e_n-1|e_i＝λ_i-λ_i+1}

本证间隙序列中的第一个极大值为：

用上述计算方法得到本证间隙序列极大值。

6.根据权利要求所述的一种多因素影响的兴趣点推荐方法，其特征在于，步骤(5)中，总吸引力评分为：

Score(u,p)＝CatScore(u,p)^α*GeoScore(u,p)^β*SeqScore(u,p)^γ*FriScore(u,p)^δ,p∈P_u

用上述计算方法得到总吸引力评分。