一种基于中智集的上下文感知兴趣点推荐方法及系统技术方案

本发明专利技术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；本发明专利技术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。

A method and system of context aware interest point recommendation based on Chi Chi set

The invention relates to the field of social media analysis, and discloses a context aware interest point recommendation method and system based on Chi Chi set to fully mine the fuzzy and random information in the user's sign in information to discover the user's preferred interest points; the method of the invention includes obtaining the relevant information of the candidate interest points to be analyzed in the social network, and analyzing the candidate interest points according to the relevant information It can be divided into single dimension attribute information group and multi dimension attribute information group; the information in single dimension attribute information group is transformed into the first Chinese intelligence group by using similarity based Chinese intelligence set, and the information in multi dimension attribute information group is transformed into the second Chinese intelligence group by using emotion recognition based Chinese intelligence set; the Chinese intelligence set matrix is obtained by using the first Chinese intelligence group and the second Chinese intelligence set; the Chinese intelligence set is optimized The candidate interest points sorted by priority are obtained from the matrix, and all the interest points are recommended to users according to the priority order.

【技术实现步骤摘要】
一种基于中智集的上下文感知兴趣点推荐方法及系统
本专利技术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。
技术介绍
随着基于位置的社交网络(Location-BasedSocialNetwork，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。
技术实现思路
本专利技术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，本专利技术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：式中，d(j,g)为兴趣点lj和lg之间的距离,b为核函数的宽度参数，I为指示函数。优选地，所述情感识别度通过vader方法计算得到。优选地，所述S1完成之后，还包括以下步骤：对所述单维属性信息组和所述多维属性信息组进行数据清洗。优选地，所述S3中，采用离差最大法优化所述中智集矩阵。作为一个总的技术方案，本专利技术还提供一种基于中智集的上下文感知兴趣点推荐系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。本专利技术具有以下有益效果：本专利技术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，全面考虑了社交网络中的兴趣点的地理位置、兴趣主题、社会关系、以及流行度属性信息，将兴趣点推荐问题转化成一个多维属性决策问题，充分挖掘了用户签到信息中即模糊又随机的信息，采用基于相似度和基于情感识别度的中智集转化方法，是多种不同结构的属性数据可以通过聚合算子有效融合，能快速且有效地得到按照优先级排序的候选兴趣点。下面将参照附图，对本专利技术作进一步详细的说明。附图说明构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是本专利技术优选实施例的基于中智集的上下文感知兴趣点推荐方法流程图；图2是本专利技术优选实施例的基于中智集的上下文感知兴趣点推荐方法的模型框架图；图3是本专利技术优选实施例的推荐列表长度不同时，本专利技术方法与其他方法的NDCG值变化对比图；图4是本专利技术优选实施例的推荐列表长度不同时，本专利技术方法与基线方法的NDCG值变化对比图。具体实施方式以下结合附图对本专利技术的实施例进行详细说明，但是本专利技术可以由权利要求限定和覆盖的多种不同方式实施。除非另有定义，下文中所使用的所有专业术语与本领域技术人员通常理解的含义相同。本专利技术专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而仅仅是为了便于对相应零部件进行区别。同样，“一个”或者“一”等类似词语不表示数量限制，而是表示存在至少一个。需要说明的是，本专利技术中采用的中智集(neutrosophicset，NS)是对传统模糊集的扩展，采用隶属度、非隶属度和不确定度三个度量来表征模糊决策信息，可以细腻准确地描述客观事物的模糊本质。应当指明的是，本专利技术中，设X为对象集，x为其中任意1个元素(每个元素即为一个待候选的兴趣点)，X上的一个单值中智集(single-valuedneutrosophicset，SVNS)可以由真实程度函数TA(x)，不确定程度函数IA(x)及谬误程度函数FA(x)表示，其中TA(x)，IA(x)，FA(x)∈[0,1]，且0≤TA(x)+IA(x)+FA(x)≤3。一个SVNS表示为A＝{TA(x),IA(x),FA(x)|x∈X}。为简便起见，SVNS中的一个值可以表示为a＝{T,I,F}，a称为单值中智数(single-valuedneutrosophicnumber，SVNN)。设a1＝{T1,I1,F1}和a2＝{T2,I2,F2}是2个单值中智数，则中智数的运算规则如下：(1)λa1＝<1-(1-T1)λ,(I1)λ,(F1)λ>；λ>0。(2)λ>0。(3)(4)(5)a1的补集设a1＝{T1,I1,F1}和a2＝{T2,I2,F2}是2个单值中智数，则a1和a2之间的欧式距离为：设Ai＝<Ti,Ii,Fi>(i＝1,2,…,n)是一组单值中智数，则单值中智加权平均集结(SVNSWA)算子为：ω＝(ω1,ω2,…,ωn)是Ai的权重，并且<本文档来自技高网...

【技术保护点】
1.一种基于中智集的上下文感知兴趣点推荐方法，其特征在于，包括以下步骤：/nS1：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；/nS2：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；/nS3：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。/n

【技术特征摘要】
1.一种基于中智集的上下文感知兴趣点推荐方法，其特征在于，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。


2.根据权利要求1所述的基于中智集的上下文感知兴趣点推荐方法，其特征在于，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。


3.根据权利要求2所述的基于中智集的上下文感知兴趣点推荐方法，其特征在于，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。

【专利技术属性】
技术研发人员：郑美光，李祎，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43