一种基于签到特征的用户位置分类方法及系统的制作方法
【技术领域】
[0001] 本发明属于社交网络数据挖掘技术领域，更具体地，涉及一种基于签到特征的用 户位置分类方法及系统。
【背景技术】
[0002] 基于位置的社交网络是随着智能手机的流行而出现的一种新应用。在基于位置的 社交网络里面，用户可以通过"签到"这一操作来让他的好友知道他具体什么时候在哪儿。 因此，从用户的"签到"轨迹中，不仅可以洞察到用户的移动行为，还能了解到用户个人的偏 好。目前，基于用户"签到"轨迹的工作可以分为两种，即位置预测与位置推荐。位置预测 的任务是在给定用户历史"签到"轨迹以及当前"签到"场所的情况下，对用户下一个可能的 "签到"场所进行预测。这项工作代表了对用户移动行为规律的捕获，可以服务于城市规划， 传染病的预防以及移动通信网络里面的资源管理等。与位置预测不同，位置推荐主要致力 于捕获用户个人的位置偏好，然后基于用户的偏好，推荐用户去一些流行场所进行"签到"。 位置推荐可以服务于移动市场，针对性的广告推荐等领域。与现有的位置预测和位置推荐 工作不同，本发明致力于为用户的"签到"场所进行分类。基于对用户"签到"数据的观察与 分析，结果证明了用户频繁"签到"场所的个数一般限定在两到三个。这些被用户频繁"签 到"的场所在很大程度上不仅主导了用户自身的移动行为，而且还反映了用户个人的偏好。 比如，某一用户每周五下班之后都会去体育馆。从这一现象就可以推断出该用户喜欢运动， 并且每周五下班之后不是从公司径直回家，而是先去体育馆健身。因此，通过对用户的"签 到"场所分类，及时地识别这些频繁"签到"的场所，可以帮助改善一系列基于用户位置的服 务和应用。然而，在目前的研宄中，还未出现对用户的"签到"场所进行分类的工作。
【发明内容】
[0003] 针对现有技术的缺陷以及基于位置的服务的改进需求，本发明提供了一种基于用 户"签到"特征的位置分类方法，其目的在于及时地对用户的"新签到"场所进行分类，以识 别出用户在将来是否会频繁在该场所进行"签到"，从而用来进一步改进基于位置的服务或 应用。
[0004] 为了实现上述目的，按照本发明的一个方面，提供了一种基于用户"签到"特征的 位置分类方法，该方法包括以下步骤：
[0005] (1)针对用户u'当前的"签到"场所c'，查询其是否已出现在u'的历史"签到" 位置集里面，如果该场所已在历史"签到"位置集里面，不需要再进行分类处理；如果不在， 则需要对该场所做进一步位置分类处理；
[0006] (2)针对用户U'当前的"签到"结果，基于社交网络全局用户知识域，进行用户 "签到"特征的提取。
[0007] (3)针对用户u'当前的"签到"结果，基于用户好友知识域，进行用户"签到"特 征的提取。
[0008] (4)针对用户u'当前的"签到"结果，基于用户个人的知识域，进行用户"签到"特 征的提取。
[0009] (5)应用SVM分类模型到所提取的"签到"特征集，实现对用户"签到"场所c'的 分类，其中一类分类结果表示该用户u'将来不会在该位置频繁地签到，另一类表示相反的 情况。
[0010] 进一步地，所述步骤（2)包括以下子步骤：
[0011] (2-1)根据所有用户的历史"签到"轨迹，计算所有用户在场所c'的历史"签到" 频率HCF，HCF为所有用户过去在场所c'平均每天的签到次数；
[0012]
【主权项】
1. 一种基于"签到"特征的用户位置分类方法，其特征在于，所述方法包括以下步骤： (1) 针对用户U'当前的"签到"场所C'，查询其是否已出现在U'的历史"签到"位 置集里面，如果该场所已在历史"签到"位置集里面，则不需要再进行分类处理；如果不在， 则需要对该场所做进一步位置分类处理； (2) 针对用户u'当前的"签到"结果，基于社交网络全局用户知识域，进行用户"签到" 特征的提取； (3) 针对用户u'当前的"签到"结果，基于用户好友知识域，进行用户"签到"特征的 提取； (4) 针对用户u'当前的"签到"结果，基于用户个人的知识域，进行用户"签到"特征 的提取； (5) 应用SVM分类模型到所提取的"签到"特征集，实现对用户"签到"场所c'的分类； 其中一类表示该用户u'将来不会在该位置频繁地签到，另一类表示相反的情况。
2. 根据权利要求1所述的用户位置分类方法，其特征在于，步骤（2)包括以下子步骤： (2-1)根据所有用户的历史"签到"轨迹，计算所有用户在场所c'的历史"签到"频率 HCF，HCF为所有用户过去在场所c'平均每天的签到次数； (2-2)根据所有用户的历史"签到"轨迹，计算所有用户在c'附近设定地域范围以内 所有场所的历史"签到"频率HCFN，HCFN为所有用户过去在c'附近设定地域范围以内所有 场所平均每天的签到次数； (2-3)根据所有用户的历史"签到"轨迹，计算所有用户在场所c'最近一个月的历史 "签到"频率RCF，RCF为所有用户在过去一个月内平均每天在场所c'的签到次数； (2-4)根据所有用户的历史"签到"轨迹，计算所有用户在c'附近设定地域范围以内 所有场所的最近一个月的历史"签到"频率RCFN，RCFN为所有用户过去一个月内平均每天 在c'附近设定地域范围以内所有场所的签到次数。
3. 根据权利要求1或2所述的用户位置分类方法，其特征在于，步骤（3)包括以下子步 骤： (3-1)根据好友的历史"签到"轨迹，计算用户u'的所有好友在场所c'处的历史"签 到"频率HCF'，HCF'为该用户的所有好友过去在场所c'平均每天的签到次数； (3-2)根据好友的历史"签到"轨迹，计算用户u'的所有好友在c'附近设定地域范围 以内所有场所的历史"签到"频率HCFN'，HCFN'为该用户的所有好友过去在c'附近设定 地域范围以内所有场所平均每天的签到次数； (3-3)根据好友的历史"签到"轨迹，计算用户u'的所有好友在场所c'处最近一个月 的历史"签到"频率RCF'，RCF'为该用户的所有好友在过去一个月内平均每天在场所c' 的签到次数； (3-4)根据好友的历史"签到"轨迹，计算用户u'的所有好友在c'附近设定地域范围 以内所有场所的最近一个月的历史"签到"频率RCFN'，RCFN'为该用户的所有好友过去一 个月内平均每天在c'附近设定地域范围以内所有场所的签到次数。
4. 根据权利要求1或2所述的用户位置分类方法，其特征在于，步骤4包括以下子步 骤： (4-1)根据用户个人的历史"签到"轨迹，计算用户u'的总体历史"签到"频率HCF"， HCF"为该用户在过去平均每天的签到次数； (4-2)根据用户个人的历史"签到"轨迹，计算用户u'在场所c'附近的历史"签到"频 率HCFN"，HCFN"为该用户过去在场所c'附近设定地域范围以内平均每天的签到次数； (4-3)根据用户个人的历史"签到"轨迹，计算用户u'在最近一个月内的历史"签到" 频率RCF"，RCF"为该用户在过去一个月内平均每天的签到次数； (4-4)根据用户个人的历史"签到"轨迹，计算用户u'场所c'附近最近一个月内的历 史"签到"频率RCFN"，RCFN"为该用户在过去一个月平均每天在场所c'附近设定地域范 围以内的签到次数； (4-5)根据用户个人的历史"