【技术实现步骤摘要】
用户行为推荐模型建立及基于时空信息的位置推荐方法
本专利技术属于数据挖掘以及推荐系统
，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。
技术介绍
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...
【技术保护点】
1.用户行为推荐模型建立方法，其特征在于，包括如下步骤：/n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；/n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；/n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；/n步骤4：构建...
【技术特征摘要】
1.用户行为推荐模型建立方法，其特征在于，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；
步骤4：构建用户行为矩阵，将步骤1的签到数据集中的所有用户和步骤3的行为数据集中的所有行为作为用户行为矩阵的行，将步骤1的签到数据集中的所有用户和步骤3的行为数据集中的所有行为作为用户行为矩阵的列，将步骤3得到的每条行为的时间相关概率填入用户行为矩阵的对应位置；
步骤5：采用带重启的随机游走算法对用户行为矩阵进行迭代更新，至用户行为矩阵收敛时迭代结束，获得迭代完成的用户行为矩阵，将迭代完成的用户行为矩阵作为用户行为推荐模型。
2.如权利要求1所述的用户行为推荐模型建立方法，其特征在于，存在新的签到数据时，采用如下步骤对用户行为推荐模型进行更新：
步骤a：获取新的用户签到数据；
步骤b：采用步骤3中的模糊分派方法将新的用户签到数据映射到多个时间段得到多条新行为，根据步骤3的模糊隶属度方程计算每条新行为的时间相关概率；
步骤c：将每条新行为的时间相关概率作为新的元素加入迭代完成的用户行为矩阵Q中，获得包含新行为的Q；
步骤d：采用增量式的随机游走算法对包含新行为的Q进行扩充，将扩充完成后的矩阵作为用户行为推荐模型。
3.基于时空信息的位置推荐方法，其特征在于，包括如下步骤：
步骤一：获取访问用户和实时访问时刻，将访问用户和实时访问时刻输入权利要求1或2中任一种所述的用户行为预测模型建立方法所得到的用户行为预测模型中，得到k个推荐行为，其中k为正整数，所述的每个推荐行为包括推荐时间段、推荐位置类型和该推荐...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。