一种融入时间和地理位置信息的地点推荐方法与流程

技术特征：

1.一种融入时间和地理位置信息的地点推荐方法，其特征是按以下步骤进行：

步骤1：获取用户地点签到数据，所述用户地点签到数据的属性包括：用户、地点、地点经度、地点纬度和用户签到时间段；

令所述用户地点签到数据中的所有用户记为U＝{U₁,...,U_u,...U_|U|}，所有地点记为L＝{L₁,...,L_l,...,L_|L|}，所有用户签到时间段记为T＝{1,…,t,...,|T|}；其中|U|为用户的总个数，U_u表示第u个用户；|L|为地点的总个数，L_l表示第l个地点；并有，L_l＝{lat_l,lon_l}，lat_l表示第l个地点L_l的经度，lon_l表示第l个地点L_l纬度；|T|为时间的总个数，t为第t个用户签到时间段；

定义第t个时间段内第u个用户U_u在第l个地点L_l的签到次数为若第t个时间段内第u个用户U_u在第l个地点L_l未签到，则令否则令μ表示第t个时间段内第u个用户U_u在第l个地点L_l的签到总次数；从而得到第u个用户U_u在所有已签到地点的集合和第u个用户U_u在所有未签到地点的集合，并令L_u,a表示第u个用户U_u的第a个已签到地点；令L_u,b表示第u个用户U_u的第b个未签到地点；

步骤2：计算基于地理位置因素的用户到每个未签到地点的概率；

步骤2.1：利用式(1)计算第u个用户U_u在第a个已签到地点L_u,a的签到总次数C_u,a：

$C_{u,a}={\mathrm{\Σ}}_{t=1}^{\left|T\right|}{C}_{u,a}^t---\left(1\right)$

步骤2.2：利用多中心聚类算法对第u个用户U_u的所有已签到地点进行聚类，得到K个聚类结果，其中，第k个聚类结果包括：第u个用户U_u的聚类中心，记为Cen_u＝{cen_u,k}；cen_u,k表示第u个用户U_u的第k个聚类中心，且第u个用户U_u在第k个聚类中心cen_u,k所在类别的签到总次数记为all_u,k；1≤k≤K；

步骤2.3：根据聚类结果计算用户到未签到地点的概率；

步骤2.3.1：计算第u个用户的第b个未签到地点L_u,b和第k个聚类中心之间的距离

步骤2.3.2：利用式(2)计算在第k个聚类结果条件下，第u个用户U_u到第b个未签到地点L_u,b的条件概率P(L_u,b|cen_u,k)：

$P\left(L_{u,b}\right|{\mathrm{cen}}_{u,k})={(1+{\mathrm{dist}}_{b,k}^u)}^{-1}---\left(2\right)$

步骤2.3.3：利用式(3)计算在所有聚类结果条件下，第u个用户U_u到第b个未签到地点L_u,b的概率Pro(U_u,L_u,b)

$\mathrm{Pr}o(U_u,L_{u,b})=\underset{k=1}{\overset{K}{\Σ}}P\left(L_{u,b}\right|{\mathrm{cen}}_{u,k})\×\frac{{\mathrm{all}}_{u,k}}{\underset{k=1}{\overset{K}{\Σ}}{\mathrm{all}}_{u,k}}---\left(3\right)$

步骤3：计算时间感知下地点之间的相似性：

步骤3.1：利用式(4)计算第i个时间段和第j个时间段之间的间距D_i,j：

$D_{i,j}=\left\{\begin{array}{cc}|i-j|,& |i-j|\<\frac{\left|T\right|}{2}\\ \left|T\right|-|i-j|,& |i-j|\>\frac{\left|T\right|}{2}\end{array}\right.---\left(4\right)$

步骤3.2：对于第l个地点L_l，利用式(5)计算第i个时间段和第j个时间段之间的余弦相似度cos_l(i,j)：

${\cos }_l(i,j)=\frac{{\mathrm{\Σ}}_{u=1}^{\left|U\right|}{C}_{u,l}^i\×C_{u,l}^j}{\sqrt{{\mathrm{\Σ}}_{u=1}^{\left(U\right)}{\left(C_{u,l}^i\right)}^2}\×\sqrt{{\mathrm{\Σ}}_{u=1}^{\left|U\right|}{\left(C_{u,l}^j\right)}^2}}---\left(5\right)$

步骤3.3：结合时间段之间的间距和时间段之间的余弦相似度，利用式(6)计算第i个时间段和第j个时间段之间的相似性sim(i,j)：

$sim(i,j)=\exp (-\frac{1}{\mathrm{\λ}}\×(1-\frac{\underset{l=1}{\overset{\left|L\right|}{\Σ}}{\cos }_l(i,j)}{\left|L\right|})\×D_{i,j})---\left(6\right)$

式(6)中，λ为调整参数；

步骤3.4：根据各时间段之间的相似性，利用式(7)对第t个时间段内第u个用户U_u在第b个未签到地点L_u,b的签到次数进行填补，得到填补后的签到次数

式(7)中，h表示所有用户签到时间段T中，除第t个时间段之外的任一时间段；对于第a个已签到的地点L_u,a，令赋值给

步骤3.5：根据填补后的签到数据，利用式(8)计算时间感知下第m个地点L_m和第n个地点L_n之间的相似性sim(L_m,L_n)，1≤m,n≤|L|：

步骤4：综合考虑时间和地理位置信息，预测用户在未签到地点的签到次数；

步骤4.1：设定每个地点的邻近地点数目K；对于第u个用户U_u的第b个未签到地点L_u,b，根据地点L_u,b与其它地点的时间感知下的相似性，将相似性排名前K位的地点依次放入地点L_u,_b的邻近集合NL_u,b中，得到邻近集合表示第u个用户U_u在第b个未签到地点L_u,b的第d个邻近地点，令第u个用户U_u在第d个邻近地点的签到次数为

步骤4.2：利用式(9)预测第u个用户U_u在第b个未签到地点L_u,b的可能签到次数Pre(U_u,L_u,b)；

$\mathrm{Pr}e(U_u,L_{u,b})=\frac{\underset{d=1}{\overset{K}{\Σ}}{\tilde{C}}_{u,b}^d\×sim(L_{u,b},L_{u,b}^d)\×\mathrm{Pr}o(U_u,L_{u,b})}{\underset{d=1}{\overset{K}{\Σ}}sim(L_{u,b},L_{u,b}^d)\×\mathrm{Pr}o(U_u,L_{u,b})}---\left(9\right)$

步骤5：设定用户推荐的地点数目为N；将第u个用户U_u在所有未签到地点的可能签到次数进行降序排序，并选取排名前N个地点推荐给第u个用户U_u。