[发明专利]一种基于位置社交网络的商家推荐的优化方法

权利要求书

1.一种基于位置社交网络的商家推荐的优化方法，其特征在于，所述方法包括如下步骤：

步骤1、构建原多源信息融合模型CoSoLoRec，包含内容，社交和位置信息；

步骤2、基于生活方式相似的社交关系信息进行建模，即在CoSoLoRec中社交关系信息建模阶段,采用基于用户的协同过滤的方法来预测商家对用户的吸引力，通过LDA算法引入带有生活方式属性的内容计算用户间的相似度；

步骤3、采用余弦相似度进行度量；

步骤4、采用改进的杰卡德相关系数进行度量。

2.根据权利要求1所述的基于位置社交网络的商家推荐的优化方法，其特征在于：所述方法的步骤1中的原多源信息融合模型包含个人兴趣和距离，用下式来表示：

Probability＝(p_ex+p_im)×((1-λ)p_l+λp_f)

其中p_im表示隐式兴趣概率，p_ex表示显示兴趣概率，p_l和p_f分别表示地理上距离影响概率和基于好友心理上的影响概率，λ是用来调整地理距离与心理距离在贡献概率中的比重大小。

3.根据权利要求1所述的一种基于位置社交网络的商家推荐的优化方法，其特征在于：所述方法的步骤2中，所述计算用户间的相似度的具体步骤如下：

(1)将用户的日常生活与文档主题生成模型进行类比，即将用户的日常生活模拟为文档，将生活方式作为主题，将活动作为词；

(2)采用概率主题模型来从“生活文档”中发现用户隐藏的“生活方式向量”；

(3)用户间生活方式的相似度定义为用户间整体生活方式向量的相似度与主要生活方式向量相似度相乘的形式。

4.根据权利要求3所述的一种基于位置社交网络的商家推荐的优化方法，其特征在于所述方法的步骤3中所述整体生活方式向量的生成具体包括：将用户的日常生活与文档主题生成模型进行类比，即将用户的日常生活模拟为文档，将生活方式作为主题，将活动作为词，采用概率主题模型来从“生活文档”中发现用户隐藏的“生活方式向量”，具体如下：令w＝[w₁,w₂....w_w]表示一组活动，其中w_i是第i个活动，w是活动的总数，令z＝[z₁,z₂....z_z]表示一组生活方式，其中z_i是第i种生活方式，z是生活方式的总数，令d＝[d₁,d₂....d_n]表示一组生活文档，其中d_i是第i个生活文档，n是用户总数，p(w_i|d_k)表示在生活文档d_k中出现活动w_i的概率，p(w_i|z_j)表示在生活方式z_j中出现活动w_i的概率，p(z_j|d_k)表示在生活文档中d_k中出现生活方式z_j的概率，根据概率主题模型，则有：

p(wi|dk)=Σj=1Zp(wi|zj)p(zj|dk)]]>

p(w_i|d_k)可以通过使用生活文档d_k的“活动袋”模型容易地得到，计算：

p(wi|dk)=fk(wi)Σi=1Wfk(wi)]]>

f_k(w_i)表示活动w_i在生活文档d_k中出现的频次，将给定的所有用户的生活文档进行矩阵分解为：p(w|d)＝p(w|z)p(z|d)

p(w|d)＝[p(w|d₁),p(w|d₂),...p(w|d_n)]是活动-生活文档矩阵，其包含在每个生活文档上每个活动出现的概率，p(w|d_k)＝[p(w₁|d_k),p(w₂|d_k),...p(w_w|d_k)]^T是活动-生活文档矩阵中的第k列，表示用户k的生活文档d_k上各个活动出现的概率，

p(w|z)＝[p(w|z₁),p(w|z₂),...p(w|z_z)]是活动-生活方式矩阵，表示在每个生活方式上每个活动出现的概率，p(w|z_k)＝[p(w₁|z_k),p(w₂|z_k),...p(w_w|z_k)]^T是活动-生活方式矩阵中的第k列，表示用户k的生活方式z_k上各个活动出现的概率。

p(z|d_k)＝[p(z₁|d_k),p(z₂|d_k),...p(z_z|d_k)]^T是生活方式-生活文档矩阵，其包含每个生活方式在每个生活文档上出现的概率，据此获得所有用户的生活方式向量：

L_i＝[p(z₁|d_i),p(z₂|d_i),...p(z_z|d_i)]和L_i′＝[p(z₁|d_i′),p(z₂|d_i′),...p(z_z|d_i′)]分别表示用户i和用户i′的生活方式向量。