(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211174747.X (22)申请日 2022.09.26 (71)申请人 南京工业职业 技术大学 地址 210023 江苏省南京市栖霞区仙林大 学城羊山北路1号 (72)发明人 朱俊　韩立新　李振旺　徐逸卿　 梁太波　汪洋　李树　 (74)专利代理 机构 南京锐恒专利代理事务所 (普通合伙) 32506 专利代理师 陈思 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9536(2019.01) G06F 16/9537(2019.01) G06Q 50/00(2012.01) (54)发明名称 一种基于社交关系融合位置动态流行度和 地理特征的兴趣点推荐方法 (57)摘要 本发明公开了一种基于社交关系融合位置 动态流行度和地理特征的兴趣点推荐方法， 包 括： 整理签到数据集和社交关系数据集， 生成三 维评分矩阵及二维关系矩阵； 删除评分矩阵中的 弱相关行和 弱相关列， 为各目标用户生成个性化 评分矩阵， 计算基于友谊关系的预测评分； 计算 各兴趣点基于时间感知的动态 流行度； 基于幂律 分布模型挖掘地理特征对兴趣点访问概率的影 响； 综合考虑用户社交关系、 位置动态流行度和 地理距离影响， 融合基于友谊的预测评分、 兴趣 点动态流行度以及基于距离的访问概率， 生成最 终预测评分。 本发明根据用户历史访问兴趣、 用 户之间社交关系、 位置 之间地理距离和在当前时 间下位置流行度为用户实时推荐若干个 兴趣点， 具有重要实际应用价 值。 权利要求书5页 说明书15页 附图9页 CN 115408618 A 2022.11.29 CN 115408618 A 1.一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法， 其特征在 于， 所述方法包括如下步骤： 步骤1： 收集、 整理原始签到数据集和社交关系数据集， 分别将其转换成用户 ‑时间‑兴 趣点三维评分矩阵以及二维关系矩阵； 步骤2： 选取基于位置的社交网络 中某活跃用户作为推荐服务对象， 为该目标用户删除 评分矩阵中的弱相关行和弱相关列， 改进传统的基于用户的协同过滤算法， 为目标用户生 成基于友谊的预测评分； 步骤3： 统计各个兴趣点在每个时间槽内的被访问次数， 将其同时与兴趣点在所有时间 的总访问次数和所有兴趣点在某时间的被访问次数进 行比较， 计算各个兴趣点基于时间感 知的动态流行度； 步骤4： 根据签到数据集中位置的经纬度信息， 计算不同兴趣点之间的地理距离， 基于 幂律分布模型挖掘地理特 征对兴趣点访问概 率的影响； 步骤5： 综合考虑用户社交关系、 位置动态流行度和地理距离对用户访 问行为的影响， 融合基于友谊的预测评分、 兴趣点的动态流行度以及基于距离的访问概率， 为目标用户生 成未访问地址的最终预测评分， 对所有未访问地址按最终预测评分排序， 为 目标用户提供 排名靠前的若干个地址组成的推荐列表； 步骤6： 使用精确率Precision、 召回率Recall和综合精度指标F1作为推荐系统的准确 性评价指标， 对比所述推荐方法与其他相关的经典推荐方法的预测准确度， 评价所提出技 术的适用性和有效性。 2.根据权利要求1所述的一种基于社交关系融合位置动态流行度和地理特征的兴趣点 推荐方法， 其特 征在于， 所述 步骤1包括： 步骤1‑1： 整理原始签到数据集C， 获得n条签到记录， 记作C＝{c1,c2,…,cn}， 签到数据 集C中的所有用户形成用户集合U， 所有兴趣点形成地址集合L， 用户数量和兴趣点数量分别 记作NU和NL， 对签到记录中的签到时间进 行取整， 将 离散的签到时间转换为24个时间槽， 时 间槽集合T＝{0,1,2, …,23}； 步骤1‑2： 在签到数据集C中统计某用户u在时间槽t时访问某地址l的次数， 若签到次数 为0， 则用户u在时间槽t时对地址l的评分ru,t,l为0， 否则， ru,t,l＝1， 汇总所有评分， 形成用 户‑时间‑兴趣点三维评分矩阵R＝{ru,t,l}， 其中， u∈U， t∈[0,23]， l∈L， U和L分别是用户集 合和兴趣点 集合； 步骤1‑3： 整理原始的社交关系数据集F， 获得m条社交关系记录， 记作F＝{f1,f2,…, fm}， 将每一条社交关系记录形式化为<用户ux， 用户uy>二元组， x∈[1,NU]， y∈[1,NU]， NU是 数据集中所有用户的数量； 步骤1‑4： 构建二维用户社交关系矩阵S＝{sxy}： 该矩阵的行数和列数均为用户数量NU， x∈[1,NU]， y∈[1,NU]， 其元素sxy代表了用户ux 与uy之间是否存在社交关系。 3.根据权利要求1所述的一种基于社交关系融合位置动态流行度和地理特征的兴趣点权　利　要　求　书 1/5 页 2 CN 115408618 A 2推荐方法， 其特 征在于， 所述 步骤2包括： 步骤2‑1： 确定位置 社交网络中某目标用户ua作为推荐 服务对象， 搜索社交关系矩阵S中 目标用户ua所在的行， 获取该行 中元素值为1的列号， 形成目标用户ua的朋友集合Fa， Fa集合 中的元素个数记为Fnuma， 同时记录下该行中元素值为0的列号， 形成与目标用户ua无社交关 系的用户集 合UnFa； 在用户‑时间‑兴趣点三维评分矩阵R中， 若用户ui∈UnFa， 则在R中删除用户ui的评分信 息， 得到删除与目标用户ua无社交关系的用户， 即弱相关行后的评分矩阵R1＝{ri',t,j}， i'∈ [1,Fnuma]， t∈[0,23]， j∈[1,NL]， 其中i'表示用户编号， t表示时间槽的值， j表示地址编 号， Fnuma表示目标用户ua的朋友个数， NL表示兴趣点总数， ri',t,j表示用户ui'在时间槽t时 对地址lj的评分； 通过社交关系的筛选， 有效降低了原始评分矩阵R的行规模， 即|i'|＝Fnuma<<NU， NU表 示用户总数； 步骤2‑2： 在评分矩阵R1中， 逐个计算每个地址在所有时间槽内的评分总和， 若评分总和 等于0， 则表示目标用户ua的所有朋友在任何时间内均未访问过此地址， 将该地址加入到 unvisit_Fa集合中； 若地址lj∈unvisit_Fa， 则在R1中删除lj的评分信息， 得到删除无关地址， 即弱相关列后 的评分矩阵R2＝{ri',t,j'}， i'∈[1,Fnuma]， t∈[0,23]， j'∈[ 1,NL‑|unvisit_Fa|]， 其中i' 表示用户编号， t表示时间槽的值， j'表示地址编号， Fnuma表示目标用户ua的朋友个数， NL表 示兴趣点总数， |unvisit_Fa|表示目标用户的所有朋友均未访问过的地址数量， ri',t,j'表示 用户ui'在时间槽t时对地址lj'的评分； 通过无关地址的删除， 在评分矩阵R1的基础上进一步降低了列规模， 即|j'|＝NL ‑| unvisit_Fa|<<NL， NL表示用户总数； 步骤2‑3： 基于预处理后的评分矩阵R2计算目标用户ua与其朋友用户之间的评分相似 度， 若用户v∈Fa， 则目标用户ua和用户v的评分相似度为： 其中， ua是推荐系统当前服务的目标对象， v为目标用户ua的一个朋友用户， t是某个时 间槽， T是时间槽集合， L是所有兴趣点用集合， unvisit_Fa表示目标用户ua的所有朋友在任 何时间内均未访问过的地址集合， 和rv,t,l分别表示用户ua和用户v在时间t时对兴趣 点l的评分； 步骤2‑4： 改进传统的基于用户的协同过滤算法， 利用数据压缩后的评分矩阵R2， 基于社 交关系计算目标用户ua在tr时访问兴趣点 l的预测评分： 其中， ua是推荐系统当前服务的目标对象， tr是当前推荐时间对应的时间槽， l是位置社 交网络中目标用户尚未访问过的一个兴趣点， unvisit_Fa表示目标用户ua的所有朋友在任权　利　要　求　书 2/5 页 3 CN 115408618 A 3