[发明专利]一种基于个体行为和群体兴趣的兴趣地点推荐方法及装置

说明书

本发明涉及一种基于个体行为和群体兴趣的兴趣地点推荐方法及装置，属于地点推荐领域。该方法首先通过分析用户的个体行为，确定用户未来将会去到哪一类别的地点，然后通过对用户进行特征提取来对用户进行群体的划分，接着对用户所在群体中属于第一步中确定的地点类别的地点进行排序，从而为用户推荐具体地点。本发明综合考虑用户的个体行为，用户所在群体的兴趣以及用户签到地点之间的距离关系，利用地点类别作为连接个体行为和群体兴趣的桥梁，从而挖掘用户兴趣并进行推荐，其意义在于，本发明与现有技术相比，不仅能够提高推荐的质量，并且也大幅度减少了推荐算法的时间复杂度，提高了推荐效率。

技术领域

本发明涉及一种兴趣地点推荐方法及装置，特别涉及一种基于用户历史行为和小组兴趣的地点推荐方法及装置，属于地点推荐技术领域。

背景技术

随着移动互联网技术的不断发展和手机等智能终端设备的普及，以及在线社交网络服务的逐渐完善，使得人类使用互联网的方式产生了深刻变革——由简单信息搜索和网页浏览转向网上社会关系的构建与维护、基于社会关系的信息创造、交流和共享。用户可以通过移动设备和社交网络分享他们目前所在的地点，并对此地点进行相关的评论，而这些行为都因为移动互联网技术的普及而变得轻而易举，由此导致的结果是信息的数量呈爆发式的增长。因此，如何从大量的信息中获取用户最感兴趣的内容就变得十分重要。而这就是推荐系统需要进行的工作。

在现有的研究中，地点推荐所使用的主流技术是：利用协同过滤的算法为用户推荐相关地点。而在这其中又主要分为两个部分：基于用户的协同过滤和基于矩阵分解模型的协同过滤。在基于用户的协同过滤中，通过利用用户对某一地点的打分来形成用户的特征向量，然后使用皮尔逊相关性公式计算不同用户的相似度，找到与待推荐用户相似的用户，最后将与待推荐用户相似的用户去过的而待推荐用户没有去过的地点作为候选地点进行推荐。在基于矩阵分解模型的协同过滤算法中，会形成一个用户和地点之间的评分矩阵，通过矩阵分解再还原的技术估算出矩阵中丢失的评分值，就可以预测用户对未去过地点的评分值。除了协同过滤相关算法外，还有利用用户社交网络的文本特征挖掘用户兴趣并进行推荐的相关研究。

但是，在采用基于用户协同过滤相关算法时，对于新用户，容易因用户历史数据空白造成冷启动等问题而导致推荐效果不佳。而基于矩阵分解的推荐算法中，用户以及地点数量众多，但是用户个人的数据稀少，这就会导致评分矩阵的维度多但数据稀疏，从而造成推荐效果不佳并且运算效率底下的问题。

发明内容

本发明的目的是为了解决在进行地点推荐时因数据稀疏而造成的推荐效果不佳和效率低下的问题，在兴趣地点推荐领域提供了一种基于个体行为特性和群体兴趣的地点推荐方法及装置。该方法能够利用个体行为特性确定用户下一步将会去往什么类型的地点，再根据用户所在群体信息对该类型的具体地点进行排序，从而为用户推荐出最符合要求的具体的兴趣地点。由于在确定用户将会出现的地点时，本发明使用地点的类型来代替具体的地点，从而大幅度减少了算法的时间复杂度，并且群体兴趣的加入，也使得更多的推荐信息被加入到推荐系统中，提高了推荐的效果。

本发明的思想是，首先，通过对用户历史签到数据的分析，计算出每个用户的具有马尔科夫性质的地点状态转移矩阵，结合该转移矩阵和用户目前所在位置，推断出用户下一次将会出现在哪一类型的地点中；其次，根据用户的特征对用户进行群体的划分，在确定用户下次出现的地点类别的情况下对用户所在群体中该类别的具体地点进行排序，从而挑选出排名靠前的具体地点推荐给用户。

本发明的具体实现步骤如下：

一种基于个体行为的地点类别预测方法，该方法包括以下步骤：

步骤一、获取用户的历史签到数据，并将用户的签到地点按时间进行排序；

步骤二、通过使用地点分类信息将用户签到的具体地点转换为地点的类别序号；