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

本发明专利技术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。本发明专利技术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。
技术实现思路
本专利技术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，本专利技术采用以下技术方案：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；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Q，判断用户签到数据集是否需要更新，若需要更新则执行步骤6，若不需要更新则将Q作为用户行为推荐模型；步骤6：获取更新的用户签到数据，采用模糊分派方法将更新的用户签到数据映射到多个时间段得到多条更新行为，根据模糊隶属度方程计算每条更新行为的时间相关概率，将每条更新行为的时间相关概率作为新的元素采用增量式的随机游走算法对Q进行扩充，将扩充后的Q作为用户行为推荐模型。基于时空信息的位置推荐方法，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位置类型的时间相关概率Pb；步骤二：对包含步骤一中所有推荐行为的地理空间进行聚类，获得多个区域；步骤三：根据步骤一获得的推荐行为和步骤二得到的区域，获取每个区域中满足各推荐行为的位置的空间吸引力值Ab；步骤四：获取步骤一中访问用户的历史签到数据，根据访问用户的历史签到数据和步骤二中得到的区域，获取访问用户对每个区域中满足推荐时间段的位置的空间吸引力值Au；步骤五：获取访问用户在推荐时间段内对每一区域中满足推荐行为的位置的偏好概率P，P＝Pb*Ab*Au，对P进行从大到小的排序，将前k个P所对应的位置作为访问用户在该实时访问时刻下的推荐位置。进一步的，步骤三中，每个区域中满足各推荐行为的位置的空间吸引力值Ab如式Ⅰ所示：其中，Ab(l|α,b)表示区域α中位置l的满足推荐行为b的空间吸引值，L表示区域α中满足推荐行为b的位置数据集，L-l表示位置数据集L中除位置l外的位置集合，l’表示区域α中除l外满足推荐行为b的任一位置，cl表示位置l被访问的次数。更进一步的，访问用户对每个区域中满足推荐时间段的位置的空间吸引力值Au如式Ⅱ所示：Au(l|u,α,ti)表示了区域α内在ti时间段内，用户u对位置l的个性化偏好程度，其中，Avisited(l|u,α,ti)为用户u对访问过的位置l的个性化偏好程度，Aunvisited(l|u,α,ti)为用户u对未访问过的位置l的个性化偏好程度。更进一步的，Avisited(l|u,α,ti)和Aunvisited(l|u,α,ti)采用式Ⅲ计算：其中，cu,l表示用户u对位置l的访问的次数，cu,l'表示用户u对位置l’的访问的次数，e-dist(l,l')表示距离衰减函数。本专利技术与现有技术相比具有以下技术特点：(1)本专利技术考虑了用户行为在时间层面的相关性，并且融合了不同位置类型的时间影响力。(2)本专利技术考虑了实时的用户访问行为变化，并且提供了实时的用户-行为偏好更新机制用以应对用户不断变化的行为习惯。(3)本专利技术考虑了用户访问行为在地理空间中分布模式，并融合实时的用户行为偏好关系构建个性化的位置推荐模型。附图说明图1为实施例中融合时空信息的个性化位置推荐方法的框架图；图2为个性化位置推荐的准确率对比图本文档来自技高网...

【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；/n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。/n...

【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...

【专利技术属性】
技术研发人员：王欣，任鑫宇，冯筠，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西;61