[发明专利]基于语义聚类的签到热点功能特征识别方法

权利要求书

1.基于语义聚类的签到热点功能特征识别方法，其特征在于，包括以下步骤：

1)获取某社交网站上某一段时间内用户的签到数据，根据所述签到数据确定若干个热点区域；

2)对每个热点区域中的签到数据，利用基于语义相似度的POI聚类算法，进行POI分类；所述基于语义相似度的POI聚类算法包括以下子步骤：

获取签到数据的样本点，调用Word2Vec相似度计算函数，计算样本点的语义相似度，输出相似矩阵W；计算相似矩阵W的第i行元素之和d_i，得到由d_i组成n*n的对角矩阵，即度矩阵D；其中i＝1，2，3...，n，n为样本点个数；

计算拉普拉斯矩阵L＝D-W；计算L的特征值，将特征值从小到大排序，取前k个特征值，并计算前k个特征值的特征向量u₁，u₂，...，u_k；将此k个特征向量组成矩阵U＝{u₁，u₂，...，u_k}，U∈R^n*k；k为聚类簇的数目；

令y_i∈R^k是U的第i行的向量，其中i＝1，2，...，n；将新样本点{y₁，y₂，...，y_n}聚类成{C₁，C₂，...，C_k}；输出簇A₁，A₂，...，A_k，其中A_i＝{j|y_j∈C_i}；

步骤1)中根据所述签到数据确定若干个热点区域包括：

将签到数据反映的行为活动分为三类，分别为高频重访活动、低频重访活动、拍照活动；

采用核密度估计方法，分别对各类型活动下的签到数据，进行热点区域的探测选取：

使用核密度分析工具，输入字段为签到总次数，得到签到活动热点区域结果图；

对于高频重访活动：使用核密度分析工具，输入字段为签到总次数/签到用户数，得到高频重访活动区域结果图，将高频重访活动区域结果图中筛选出的POI点与签到活动热点区域结果图叠加，选取重合匹配的区域作为该类别下的最终热点区域；

对于低频重访活动：使用核密度分析工具，输入字段为签到用户数/签到总次数，得到低频重访活动区域结果图，将低频重访活动区域结果图中筛选出的POI点与签到活动热点区域结果图叠加，选取重合匹配的区域作为该类别下的最终热点区域；

对于拍照活动：以拍照数量作为核密度分析工具的输入字段，得到签到用户数核密度分析结果图，选取该类别下的最终热点区域。

2.根据权利要求1所述的基于语义聚类的签到热点功能特征识别方法，其特征在于，根据所述签到数据确定若干个热点区域包括：

使用核密度分析工具，输入字段为签到数据中的签到总次数，得到签到活动热点区域结果图，在该图中选取若干个热点区域。

3.根据权利要求1-2任一项所述的基于语义聚类的签到热点功能特征识别方法，其特征在于，该方法还包括以下步骤：

将所述某社交网站上某一段时间内用户的签到数据进行POI分类，分为N类后，根据各个热点区域中分到各类的POI数量和占比，形成雷达图进行显示。

4.根据权利要求1所述的基于语义聚类的签到热点功能特征识别方法，其特征在于，步骤2)中，利用k-means聚类方法，将新样本点{y₁，y₂，...，y_n}聚类成{C₁，C₂，...，C_k}。

5.根据权利要求1所述的基于语义聚类的签到热点功能特征识别方法，其特征在于，步骤1)中，在确定热点区域之前，还包括对签到数据进行数据清洗的步骤，清洗掉错误的签到数据。