一種基于位置和社交關(guān)系的群組與地點推薦方法
【專利摘要】本發(fā)明公開了一種基于位置和社交關(guān)系的群組與地點推薦方法。通過對LBSN中的用戶簽到信息的采集，剔除有效性差的地點與用戶數(shù)據(jù)，最終獲得用戶的簽到數(shù)據(jù)。然后利用皮爾森相關(guān)系數(shù)，以用戶間共有的簽到數(shù)據(jù)衡量簽到相似性，計算出用戶間簽到相似度，構(gòu)建用戶簽到相似度網(wǎng)絡(luò)。再根據(jù)簽到相似性網(wǎng)絡(luò)，利用離散粒子群優(yōu)化方法,識別出不同的社區(qū)。然后根據(jù)用戶社交網(wǎng)絡(luò)的帳號，獲取好友列表，形成社區(qū)內(nèi)用戶的社交鄰接關(guān)系，最終生成社交群組，推薦給目標(biāo)用戶并利用協(xié)同過濾的推薦方法對目標(biāo)用戶進(jìn)行地點推薦。本發(fā)明的社區(qū)發(fā)現(xiàn)方法簡單易操作，且劃分社區(qū)的速度快。通過社交群組和地點推薦相結(jié)合的方法，降低了方法的復(fù)雜度，提高了推薦精度。
【專利說明】
一種基于位置和社交關(guān)系的群組與地點推薦方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于專門適用于特定領(lǐng)域的數(shù)據(jù)處理方法，具體涉及一種基于位置和社交 關(guān)系的群組與地點推薦方法。
【背景技術(shù)】
[0002] 隨著智能手機(jī)和定位技術(shù)的發(fā)展，基于位置的社交網(wǎng)絡(luò)(Location Based Social NetW〇rk，LBSN)得到了廣泛的應(yīng)用。這種環(huán)境下，如何在手機(jī)上尋找到用戶需要的有效信息 已經(jīng)成為迫切需要解決的問題。而推薦系統(tǒng)的應(yīng)用可以有效地解決這個問題，為用戶主動 推送其感興趣的事物，如朋友，位置，娛樂項目等。通過與移動社交網(wǎng)絡(luò)的結(jié)合，獲取用戶的 大量屬性信息，如性別，年齡，愛好等，使得推薦系統(tǒng)能夠準(zhǔn)確地預(yù)測用戶感興趣的事物。近 年來，隨著基于位置的社交網(wǎng)絡(luò)的興起，用戶的數(shù)據(jù)信息得到了極大的豐富，可以輕易地獲 取到用戶的簽到信息，推薦系統(tǒng)得到了進(jìn)一步的發(fā)展，因而基于位置的社交網(wǎng)絡(luò)的推薦系 統(tǒng)成為研究的熱點。
[0003] 已有的基于位置的社交網(wǎng)絡(luò)的推薦系統(tǒng)存在如下問題：第一、結(jié)合簽到信息和社 交信息，構(gòu)建相似度網(wǎng)絡(luò)，兩類信息的同步進(jìn)行，使得社交信息對推薦結(jié)果產(chǎn)生較大影響， 推薦精度不高，比如公開號為CN104268171A、名稱為〃基于活動相似和社交信任的社交網(wǎng)好 友推薦系統(tǒng)及方法"的國內(nèi)發(fā)明專利就屬于這種類型。第二、使用傳統(tǒng)的協(xié)同過濾方法，對 每一個用戶都要遍歷整個網(wǎng)絡(luò)，加大了計算復(fù)雜度?，F(xiàn)有技術(shù)中還出現(xiàn)了試圖融合協(xié)同過 濾技術(shù)與社交信息進(jìn)行推薦的系統(tǒng)，比如公開號為CN105184603A、名稱為〃一種融合協(xié)同過 濾算法和位置信息的目標(biāo)地推薦方法"，但還是存在著算法復(fù)雜度大、可擴(kuò)展性差的缺點。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明要解決的技術(shù)問題是針對現(xiàn)有的推薦技術(shù)中存在的推薦精度低、計算復(fù)雜 度高的缺點。
[0005] 為解決上述問題，本發(fā)明提出一種基于位置和社交關(guān)系的群組與地點推薦方法， 包括如下步驟：
[0006] 步驟1:生成社交群組階段；
[0007] 步驟1-1:從基于位置的社交網(wǎng)絡(luò)（LBSN)中得到包含用戶及其簽到地點的簽到數(shù) 據(jù)，從中剔除簽到次數(shù)少于a次的用戶，以及被簽到次數(shù)少于b次的地點，最終得到的簽到數(shù) 據(jù)含有S個用戶，t個地點，用戶集合U= (Ul，U2，…心），地點集合L= ( Il，12，…It)，共計W條簽 到信息，每條簽到信息包含用戶、地點，表示為(m，lP)，其中U 1表示用戶示地點P;
[0008] 步驟1-2:根據(jù)用戶簽到數(shù)據(jù)，以用戶之間簽到數(shù)據(jù)的交集，即對相同地點簽到的 數(shù)據(jù)，通過皮爾森相關(guān)系數(shù)計算，得到的數(shù)值作為用戶之間的簽到相似度權(quán)值，計算出s個 用戶兩兩之間的簽到相似度，構(gòu)建用戶簽到相似性網(wǎng)絡(luò)6。=<1]^>4=( &1〇5><5是6。的矩 陣；
[0009] 步驟1-3:根據(jù)用戶簽到相似度，利用離散粒子群優(yōu)化方法，識別出不同的社區(qū) (community)，社區(qū)集合為C=(ci，c2，···），其中Ci代表第i個社區(qū)；
[0010]步驟1-4:用戶在LBSN中連接其在某種社交網(wǎng)絡(luò)(如Facebook)的帳號，獲取該社交 網(wǎng)絡(luò)中用戶的好友列表，針對任一社區(qū)中的用戶對，用其在該社交網(wǎng)絡(luò)中共同好友數(shù)目標(biāo) 識作為權(quán)值，表示為用戶間的社交親密度，形成社區(qū)內(nèi)用戶的社交鄰接關(guān)系；
[0011]步驟1-5:根據(jù)社交親密度，在目標(biāo)用戶Ut所在的社區(qū)中，選擇與目標(biāo)用戶以的 社交親密度值最大的k-Ι個用戶，生成包含目標(biāo)用戶的人數(shù)為k的社交群組(group)，推薦給 目標(biāo)用戶Ut;
[0012]步驟2:組內(nèi)地點推薦階段；
[0013] 步驟2-1:在群組內(nèi)，根據(jù)用戶簽到相似度，利用協(xié)同過濾方法，對目標(biāo)用戶未簽到 地點進(jìn)行評分預(yù)測；
[0014] 步驟2-2:利用Top-N方法，選出N個評分最高的地點推薦給目標(biāo)用戶。
[0015] 進(jìn)一步，上述步驟1-2還包括以下步驟：
[0016] 在w條簽到信息中，以用戶i對地點p的簽到次數(shù)，即(m，lP)出現(xiàn)的數(shù)目，作為用戶i 對地點P的評分，定義用戶U1對地點U平分為n^p，利用皮爾森相關(guān)系數(shù)計算用戶之間的簽 到相似度，從而計算出S個用戶兩兩之間的簽到相似度，由此構(gòu)建用戶簽到相似性網(wǎng)絡(luò)G。= <U，E>，A=(aij)sxs 是 Gc 的矩陣，
[0017]利用皮爾森相關(guān)系數(shù)計算用戶簽到相似性公式如下：
[0018]
123456 其中m，Uj代表用戶，Llj表示用戶i和用戶j之間共有的簽到地點，『私!表示用戶i對 某一地點1的評分，巧表示U i對共同簽到地點評分的平均值。 2 進(jìn)一步，上述步驟1-3包括： 3
[0021]利用DPSO方法進(jìn)行社區(qū)劃分，在一個多維空間內(nèi)，以粒子群內(nèi)粒子移動的過程模 擬社區(qū)劃分優(yōu)化過程，根據(jù)粒子位置坐標(biāo)劃分社區(qū)，坐標(biāo)維數(shù)等于LBSN中的用戶數(shù)，位置坐 標(biāo)的分量對應(yīng)不同用戶，值相同的分量對應(yīng)的用戶在同一社區(qū)，一個粒子的位置坐標(biāo)對應(yīng) 一種劃分結(jié)果，根據(jù)評價社區(qū)劃分標(biāo)準(zhǔn)的模塊度Q，決定粒子的速度，促使粒子的移動，位置 的改變，得到不同的社區(qū)劃分結(jié)果，進(jìn)而促使粒子向著優(yōu)化社區(qū)劃分即使Q值變大的位置移 動，最終達(dá)到迭代次數(shù)或停止條件時Q取最大值，對應(yīng)坐標(biāo)所代表的社區(qū)劃分方式為最佳的 社區(qū)劃分， 4
[0022]模塊度Q的定義如下： 5
[0023]
6 以同一個社區(qū)內(nèi)所有用戶簽到相似度權(quán)值總和與預(yù)期的所有用戶簽到相似度權(quán) 值總和相減所得值衡量社區(qū)劃分優(yōu)劣，Q越大表示識別出的社區(qū)劃分結(jié)構(gòu)越好，即同一個社 區(qū)內(nèi)所有用戶簽到相似度權(quán)值總和比預(yù)期的大，同一社區(qū)內(nèi)的聯(lián)系比預(yù)期的密切，
[0025]其中&1謙示用戶i與用戶j之間的簽到相似性權(quán)值，Z1= 是A中第i行除了第i 個值之外值的總和，h=ElZl是A中的總和，定義為預(yù)期的用戶i和用戶j之間的簽到 相似度，4表示用戶i所在的社區(qū)，如果用戶i，j在同一社區(qū)，則=1，否則為0，
[0026] 假設(shè)在s維空間中，m個粒子組成一個群體，每個粒子α包含一個s維的位置向量Xa = (Χα,1，Χα,2，···，Xd,S)，速度向量Va=(Va,l，Va,2,…，Va, s)，其中位置向量中的S個分量代表社 交網(wǎng)絡(luò)中的S個用戶，XM表示粒子α中對應(yīng)的用戶Uj，位置向量的每一個分量的取值范圍是 [I，S ]之間的整數(shù)，速度向量的每一個分量的取值為0或1，針對粒子α的位置向量Xa = ( Xa, i， Χα, 2，…，Χα, s )，若Χα, 1 = Χα, 2，則用戶Ul，U2在同一社區(qū)，以此規(guī)則劃分出社區(qū)結(jié)構(gòu)，則每一個粒 子的位置對應(yīng)一種社區(qū)劃分，通過評價社區(qū)劃分標(biāo)準(zhǔn)的模塊度Q，根據(jù)粒子歷史位置記錄 (包含當(dāng)前位置），選擇使Q取最大值的位置為粒子歷史最佳位置Pbesta，再從m個粒子的 Pbesta中選出Q取最大值所對應(yīng)的位置為群體最佳位置Gbest，粒子根據(jù)Pbesta和Gbest調(diào)整 自己目前的速度向量Va，進(jìn)而通過速度調(diào)整改變自身的當(dāng)前位置Xa，通過粒子的不斷移動， 使得模塊度Q不斷增大，反復(fù)迭代直到滿足停止條件為止，此時Gbest對應(yīng)的社區(qū)劃分的模 塊度Q值最大，社區(qū)劃分結(jié)構(gòu)最佳，則Gbest坐標(biāo)對應(yīng)的社區(qū)劃分結(jié)果為最佳結(jié)果，
[0027] 速度向量和位置向量的更新規(guī)則如下：
[0028]
[0029]
[0030] 其中Cl1，d2是加速因子，cU = d2 = 1.494，ω是慣性權(quán)重，根據(jù)PSO中慣性權(quán)重對PSO 搜索能力影響的研究，取ω = 1.05，此時PSO搜索效率和搜索精度較高。η，^是[0，1 ]之間的 隨機(jī)值，Pbesta表示粒子a歷史最佳位置，Gbest表示群體最佳位置。取表示異或運算，如 在喊，若a，b值不同，則為1，否則為0，
[0031]函數(shù)Γ(·)定義如下：
[0032]
[0033]
[0034]
[0035] 其中Θ取[l，s]的任意整數(shù)。如果Xk與Θ相等，貝>J3(Xk，0) = l，否則為〇。當(dāng)Va, j = l時， 返回使函數(shù)取最大值的Θ，即在所有社區(qū)中，將一個社區(qū)內(nèi)所有用戶與用戶j的簽到相似性 權(quán)值求和，X、』等于值最大的社區(qū)內(nèi)用戶所對應(yīng)的坐標(biāo)分量的值，也表明用戶j與該社區(qū)聯(lián) 系最密切。
[0036] 根據(jù)上述描述，應(yīng)用DPSO方法進(jìn)行社區(qū)劃分的具體步驟如下：
[0037] 第一步:將m個粒子的位置向量中各分量隨機(jī)取[I，s]之間的整數(shù)，速度向量中各 分量隨即取〇或1;
[0038]第二步:對每一個粒子a，計算當(dāng)前社區(qū)劃分的模塊度Q。，并根據(jù)模塊度值的大小， 更新該粒子的最佳位置PbesU，更新整個群體的最佳位置Gbest;
[0039] 第三步：更新粒子的位置，計算更新后的模塊度Q'a。若Q7a-Qc^lO'則返回第二 步，否則停止迭代，進(jìn)入第四步；
[0040] 第四步:滿足停止條件后，此時最終的Gbest，即模塊度最大所對應(yīng)的位置。按照坐 標(biāo)分量值相同，則對應(yīng)用戶在同一社區(qū)的規(guī)則，識別出e個社區(qū)。
[0041 ] 進(jìn)一步，上述步驟1-4還包括：
[0042] 根據(jù)社交網(wǎng)絡(luò)中用戶共同好友數(shù)據(jù)，以用戶共同好友數(shù)，作為評價用戶社交親密 度的指標(biāo)。定義用戶m，Uj之間的共同好友數(shù)量I imax為用戶U1與其他用戶共同好友 數(shù)最多的數(shù)量，對此進(jìn)行歸一彳彳
將b作為用戶m，u&間社交親密度，計算兩兩
用戶之間的社交親密度，形成社交親密度矩陣 7中第i行第j列的數(shù)值fu表示用 戶i和用戶j之間的社交親密度。
[0043] 進(jìn)一步，上述步驟1-5包括：
[0044] 選擇目標(biāo)用戶Ut所在的社區(qū)，在社內(nèi)，根據(jù)其他用戶m與目標(biāo)用戶Ut的社 交親密度值，即F中第t行第i列的值fit，求出Qt:中所有用戶與Ut的社交親密度，取最大的k-1個，與目標(biāo)用戶歸為一類，生成為一個群組#u t，推薦給目標(biāo)用戶ut。
[0045] 進(jìn)一步，上述步驟2-1包括：
[0046] 根據(jù)用戶簽到相似性網(wǎng)絡(luò)，利用如下公式對目標(biāo)用戶Ut未簽到的地點込進(jìn)行評分 預(yù)測。
[0047]
[0048] 其中Ut表示目標(biāo)用戶，Ut表示目標(biāo)用戶所在的社交群組內(nèi)用戶集合，Ut'表示社 交群組內(nèi)除了U t以外某個用戶，心t斗表示用戶w對地點^的評分，表示用戶w對其簽 到過所有地點評分的均值。
[0049] 有益效果：
[0050] 1、本發(fā)明采用社區(qū)發(fā)現(xiàn)與劃分群組的方法，先利用位置信息進(jìn)行社區(qū)劃分，再利 用社交信息劃分社交群組。采用分層方式，產(chǎn)生了與目標(biāo)用戶相似的用戶集。該用戶集具有 與目標(biāo)用戶生活區(qū)域相似，且社交聯(lián)系密切的特點，此時再進(jìn)行推薦，將產(chǎn)生較為準(zhǔn)確的推 薦結(jié)果。
[0051] 2、本發(fā)明采用離散粒子群優(yōu)化方法，先對社交網(wǎng)絡(luò)中的用戶進(jìn)行劃分，再進(jìn)行后 續(xù)的推薦，相比于傳統(tǒng)的協(xié)同過濾方法，減小了方法復(fù)雜度，提高了系統(tǒng)的可擴(kuò)展性，使得 本發(fā)明更適用于大數(shù)據(jù)集的社交網(wǎng)絡(luò)。
[0052] 3、本發(fā)明采用社交群組和地點推薦相結(jié)合的機(jī)制，群內(nèi)成員聯(lián)系密切，且具有極 大的相似度。以地點推薦打開用戶間交流的話題，促進(jìn)用戶間的交流，同時由于用戶間現(xiàn)實 距離較近，更能促進(jìn)用戶間線下的交往，是一種擴(kuò)大交友范圍，結(jié)識志趣相投的朋友的方 式。
【附圖說明】
[0053]圖1為本發(fā)明的系統(tǒng)不意圖。
[0054]圖2為生成社交群組的示意圖。
【具體實施方式】
[0055] 以下結(jié)合說明書附圖對本發(fā)明創(chuàng)造作進(jìn)一步詳細(xì)說明。
[0056] 本發(fā)明的使用的主要符號及其含義包括：
[0059]本發(fā)明的目的是提供一種基于位置和社交關(guān)系的群組與地點推薦方法。該方法分 為生成社交群組和組內(nèi)地點推薦兩個階段。在生成社交群組的階段，通過對基于位置的社 交網(wǎng)絡(luò)中的用戶簽到信息的采集，剔除有效性差的地點與用戶數(shù)據(jù)，最終獲得用戶的簽到 數(shù)據(jù)。然后利用皮爾森相關(guān)系數(shù)(Pearson correlation coefficient)，以用戶間共有的簽 至擻據(jù)衡量簽到相似性，計算出用戶間簽到相似度，構(gòu)建用戶簽到相似度網(wǎng)絡(luò)。再根據(jù)簽到 相似性網(wǎng)絡(luò)，利用離散粒子群優(yōu)化方法(DPSO，Discrete Particle Swarm Optimization)， 識別出不同的社區(qū)（community)。然后通過用戶在LBSN中連接其在某種社交網(wǎng)絡(luò)（如 Facebook)的帳號，獲取用戶在該社交網(wǎng)絡(luò)中好友列表，針對任一社區(qū)中的用戶對，用其在 該社交網(wǎng)絡(luò)中共同好友數(shù)目標(biāo)識作為權(quán)值，表示為用戶間的社交親密度，形成社區(qū)內(nèi)用戶 的社交鄰接關(guān)系。再根據(jù)社交親密度，選擇與目標(biāo)用戶的社交親密度值最大的k-Ι個用戶， 生成包含目標(biāo)用戶的人數(shù)為k的社交群組(group)，推薦給目標(biāo)用戶。在組內(nèi)地點推薦階段， 利用協(xié)同過濾的推薦方法對目標(biāo)用戶進(jìn)行地點推薦。
[0060]方法流程：
[0061 ]步驟1:生成社交群組階段；
[0062] 步驟1-1:從基于位置的社交網(wǎng)絡(luò)(LBSN)中得到包含用戶及其簽到地點的簽到數(shù) 據(jù)，從中剔除簽到次數(shù)少于a次的用戶，以及被簽到次數(shù)少于b次的地點，最終得到的簽到數(shù) 據(jù)含有S個用戶，t個地點，用戶集合U= (U1，U2，…心），地點集合L= (Ii，h，…It)，共計w條簽 到信息，每條簽到信息包含用戶、地點，表示為(m，lP)，Ui表示用戶匕^表示地點p;
[0063] 步驟1-2:根據(jù)用戶簽到數(shù)據(jù)，以用戶之間簽到數(shù)據(jù)的交集，即對相同地點簽到的 數(shù)據(jù)，通過皮爾森相關(guān)系數(shù)計算，得到的數(shù)值作為用戶之間的簽到相似度權(quán)值，計算出s個 用戶兩兩之間的簽到相似度，構(gòu)建用戶簽到相似性網(wǎng)絡(luò)6。=<1]^>4=( &^)5&是6。的矩 陣；
[0064] 步驟1-3:根據(jù)用戶簽到相似度，利用離散粒子群優(yōu)化方法，識別出不同的社區(qū) (community)，社區(qū)集合為C=(ci，c2，···），其中Ci代表第i個社區(qū)；
[0065]步驟1-4:用戶在LBSN中連接其在某種社交網(wǎng)絡(luò)(如Facebook)的帳號，獲取該社交 網(wǎng)絡(luò)中用戶的好友列表，針對任一社區(qū)中的用戶對，用其在該社交網(wǎng)絡(luò)的共同好友數(shù)目標(biāo) 識作為權(quán)值，表示為用戶間的社交親密度，形成社區(qū)內(nèi)用戶的社交鄰接關(guān)系；
[0066]步驟1-5:根據(jù)社交親密度，選擇與目標(biāo)用戶的社交親密度值最大的k-Ι個用戶，生 成包含目標(biāo)用戶的人數(shù)為k的社交群組(group)，推薦給目標(biāo)用戶；
[0067]步驟2:組內(nèi)地點推薦階段；
[0068] 步驟2-1:在群組內(nèi)，根據(jù)用戶簽到相似度，利用協(xié)同過濾方法，對目標(biāo)用戶未簽到 地點進(jìn)行評分預(yù)測；
[0069] 步驟2-2:利用Top-N方法，選出N個評分最高的地點推薦給目標(biāo)用戶。
[0070] 本發(fā)明步驟1-2中，在w條簽到信息中，以用戶i對地點p的簽到次數(shù)，即(m，lP)出現(xiàn) 的數(shù)目，作為用戶i對地點P的評分，定義用戶m對地點u平分為n^ p。利用皮爾森相關(guān)系數(shù) 計算用戶之間的簽到相似度，從而計算出s個用戶兩兩之間的簽到相似度，由此構(gòu)建用戶簽 到相似性網(wǎng)絡(luò)6〇 = <1^>4=(&"^3是6。的矩陣。
[0071 ]利用皮爾森相關(guān)系數(shù)計算用戶簽到相似性公式如下：
[0072]
[0073] 其中Ui，Uj代表用戶，Lij表示用戶i和用戶j之間共有的簽到地點，&,!表示用戶i對 某一地點1的評分，表示m對共同簽到地點評分的平均值。
[0074]本發(fā)明步驟1-3中，利用DPSO方法進(jìn)行社區(qū)劃分，在一個多維空間內(nèi)，以粒子群內(nèi) 粒子移動的過程模擬社區(qū)劃分優(yōu)化過程。根據(jù)粒子位置坐標(biāo)劃分社區(qū)，坐標(biāo)維數(shù)等于LBSN 中的用戶數(shù)，位置坐標(biāo)的分量對應(yīng)不同用戶，值相同的分量對應(yīng)的用戶在同一社區(qū)，一個粒 子的位置坐標(biāo)對應(yīng)一種劃分結(jié)果。根據(jù)評價社區(qū)劃分標(biāo)準(zhǔn)的模塊度Q，決定粒子的速度，促 使粒子的移動，位置的改變，得到不同的社區(qū)劃分結(jié)果，進(jìn)而促使粒子向著優(yōu)化社區(qū)劃分即 使Q值變大的位置移動，最終達(dá)到迭代次數(shù)或停止條件時Q取最大值，對應(yīng)坐標(biāo)所代表的社 區(qū)劃分方式為最佳的社區(qū)劃分。
[0075] 模塊度Q的定義如下：
[0076]
[0077] 以同一個社區(qū)內(nèi)所有用戶簽到相似度權(quán)值總和與預(yù)期的所有用戶簽到相似度權(quán) 值總和相減所得值衡量社區(qū)劃分優(yōu)劣，Q越大表示識別出的社區(qū)劃分結(jié)構(gòu)越好。即同一個社 區(qū)內(nèi)所有用戶簽到相似度權(quán)值總和比預(yù)期的大，同一社區(qū)內(nèi)的聯(lián)系比預(yù)期的密切。
[0078]其中&1謙示用戶i與用戶j之間的簽到相似性權(quán)值，Z1= 是A中第i行除了第i 個值之外值的總和，h=ElZl是A中的總和定義為預(yù)期的用戶i和用戶j之間的簽到 相似度。％表示用戶i所在的社區(qū)，如果用戶i，j在同一社區(qū)，則
否則為〇。
[0079] 假設(shè)在s維空間中，m個粒子組成一個群體，每個粒子α包含一個s維的位置向量Xa = (Χα,1，Χα,2，···，Xd,S)，速度向量Va=(Va,l，Va,2,…，Va, s)，其中位置向量中的S個分量代表社 交網(wǎng)絡(luò)中的S個用戶，XM表示粒子α中對應(yīng)的用戶Uj，位置向量的每一個分量的取值范圍是 [I，S ]之間的整數(shù)，速度向量的每一個分量的取值為0或1。針對粒子α的位置向量Xa = ( Xa, i， Χα, 2，…，Χα, s )，若Χα, 1 = Χα, 2，則用戶Ul，U2在同一社區(qū)，以此規(guī)則劃分出社區(qū)結(jié)構(gòu)，則每一個粒 子的位置對應(yīng)一種社區(qū)劃分，通過評價社區(qū)劃分標(biāo)準(zhǔn)的模塊度Q，根據(jù)粒子歷史位置記錄 (包含當(dāng)前位置），選擇使Q取最大值的位置為粒子歷史最佳位置Pbesta。再從m個粒子的 Pbesta中選出Q取最大值所對應(yīng)的位置為群體最佳位置Gbest，粒子根據(jù)Pbesta和Gbest調(diào)整 自己目前的速度向量Va，進(jìn)而通過速度調(diào)整改變自身的當(dāng)前位置Xa。通過粒子的不斷移動， 使得模塊度Q不斷增大。反復(fù)迭代直到滿足停止條件為止，此時Gbest對應(yīng)的社區(qū)劃分的模 塊度Q值最大，社區(qū)劃分結(jié)構(gòu)最佳，則Gbest坐標(biāo)對應(yīng)的社區(qū)劃分結(jié)果為最佳結(jié)果。
[0080] 速度向量和位置向量的更新規(guī)則如下：
[0081]
[0082]
[0083] 其中cU，d2是加速因子，cU = d2 = 1.494，ω是慣性權(quán)重，根據(jù)PSO中慣性權(quán)重對PSO 搜索能力影響的研究，取ω = 1.05，此時PSO搜索效率和搜索精度較高。η，^是[0，1 ]之間的 隨機(jī)值，Pbesta表示粒子a歷史最佳位置，Gbest表示群體最佳位置。Θ表示異或運算，如 a:餅，若a，b值不同，則為1，否則為0。
[0084]函數(shù)Γ(·)定義如下：
[0085]
[0086]
[0087]
[0088] 其中Θ取[l，s]的任意整數(shù)。如果Xk與Θ相等，貝>J3(xk，0) = l，否則為〇。當(dāng)Va, j = l時， 返回使函數(shù)取最大值的Θ，即在所有社區(qū)中，將一個社區(qū)內(nèi)所有用戶與用戶j的簽到相似性 權(quán)值求和，X、』等于值最大的社區(qū)內(nèi)用戶所對應(yīng)的坐標(biāo)分量的值，也表明用戶j與該社區(qū)聯(lián) 系最密切。
[0089]根據(jù)上述描述，應(yīng)用DPSO方法進(jìn)行社區(qū)劃分的具體步驟如下：
[0090] 第一步:將m個粒子的位置向量中各分量隨機(jī)取[I，s]之間的整數(shù)，速度向量中各 分量隨即取〇或1。
[0091] 第二步:對每一個粒子α，計算當(dāng)前社區(qū)劃分的模塊度Qa，并根據(jù)模塊度值的大小， 更新該粒子的最佳位置Pb e s U，更新整個群體的最佳位置Gbe s t。
[0092] 第三步：更新粒子的位置，計算更新后的模塊度V α。若Va-Q^lO'則返回第二 步，否則停止迭代，進(jìn)入第四步。
[0093] 第四步:滿足停止條件后，此時最終的Gbest，即模塊度最大所對應(yīng)的位置。按照坐 標(biāo)分量值相同，則對應(yīng)用戶在同一社區(qū)的規(guī)則，識別出e個社區(qū)。
[0094]本發(fā)明步驟1-4中，根據(jù)社交網(wǎng)絡(luò)中用戶共同好友數(shù)據(jù)，以用戶共同好友數(shù)，作為 評價用戶社交親密度的指標(biāo)。定義用戶m，Uj之間的共同好友數(shù)量u/，為用戶m與 其他用戶共同好友數(shù)最多的數(shù)量，對此進(jìn)行歸一佔
tfu作為用戶m，Uj之間社 交親密度，計算兩兩用戶之間的社交親密度，形成社交親密度矩陣F = 中第i行第 j列的數(shù)值表示用戶i和用戶j之間的社交親密度。
[0095] 本發(fā)明步驟1-5中，選擇目標(biāo)用戶ut所在的社區(qū)。在社區(qū)心￡內(nèi)，根據(jù)其他用戶m 與目標(biāo)用戶Ut的社交親密度值，即F中第t行第i列的值flt，求出S中所有用戶與&的社交親 密度，取最大的k-Ι個，與目標(biāo)用戶歸為一類，生成為一個群組5W，推薦給目標(biāo)用戶u t。
[0096] 本發(fā)明步驟2-1中根據(jù)用戶簽到相似性網(wǎng)絡(luò)，利用如下公式對目標(biāo)用戶Ut未簽到 的地點^進(jìn)行評分預(yù)測。
[0097]
[0098] 其中Ut表示目標(biāo)用戶，Ut表示目標(biāo)用戶所在的社交群組內(nèi)用戶集合，iw表示社 交群組內(nèi)除了 Ut以外某個用戶，％士表示用戶Ut'對地點It^評分，表示用戶U t'對其簽 到過所有地點評分的均值。
[0099] 如圖1所示，本發(fā)明分為生成社交群組和組內(nèi)地點推薦兩個階段。
[0100] 首先，在生成社交群組階段，在簽到數(shù)據(jù)中，剔除簽到次數(shù)少于a次的用戶，以及被 簽到次數(shù)少于b次的地點，最終得到數(shù)據(jù)含有s個用戶，t個地點，共計w條簽到信息。然后利 用皮爾森相關(guān)系數(shù)，以用戶間共有的簽到數(shù)據(jù)衡量簽到相似性，計算出用戶間簽到相似度， 構(gòu)建用戶簽到相似度網(wǎng)絡(luò)G。= <U，E>。
[0101] 再運用離散粒子群優(yōu)化方法劃分出社區(qū)。假設(shè)在s維空間中，m個粒子組成一個群 體，每個粒子CX包含一個S維的位置向量Χα =( Χα, 1，Χα, 2，…，Xa, s )，速度向量Va =( Vci, I，Vci, 2，…， Va,s)，其中位置向量中的S個分量代表社交網(wǎng)絡(luò)中的S個用戶，Xau表示粒子α中對應(yīng)的用戶 Uj，位置向量的每一個分量的取值范圍是[1，S]之間的整數(shù)，速度向量的每一個分量的取值 為0或1。針對粒子α的位置向量Xa= (Xa,：L，Xa,2,…，Xa,s)，若Χα,1 = Χα,2,則用戶Ul，U2在同一社 區(qū)，以此規(guī)則劃分出社區(qū)結(jié)構(gòu)，則每一個粒子的位置對應(yīng)一種社區(qū)劃分，通過評價社區(qū)劃分 標(biāo)準(zhǔn)的模塊度Q，根據(jù)粒子歷史位置記錄(包含當(dāng)前位置），選擇使Q取最大值的位置為粒子 歷史最佳位置Pbesta。再從m個粒子的Pbesta中選出Q取最大值所對應(yīng)的位置為群體最佳位 置Gbest，粒子根據(jù)Pbesta和Gbest調(diào)整自己目前的速度向量Va，進(jìn)而通過速度調(diào)整改變自身 的當(dāng)前位置X a。通過粒子的不斷移動，使得模塊度Q不斷增大。反復(fù)迭代直到滿足停止條件 為止，此時G b e s t對應(yīng)的社區(qū)劃分的模塊度Q值最大，社區(qū)劃分結(jié)構(gòu)最佳，則G b e s t對應(yīng)的社 區(qū)劃分結(jié)果為最佳結(jié)果。具體實施步驟如圖2所示:將m個粒子的位置向量中各分量隨機(jī)取 [l，s]之間的整數(shù)，速度向量中各分量隨即取0或1。對每一個粒子，計算當(dāng)前社區(qū)劃分的模 塊度Q a，并根據(jù)模塊度值的大小，更新該粒子的最佳位置PbesU，更新整個群體的最佳位置 Gbest。更新粒子的位置，計算更新后的模塊度Q\。若Q\-Qa>l(Tg，則重復(fù)上述步驟，否則停 止迭代。滿足停止條件后，此時最終的Gbest，即模塊度最大所對應(yīng)的位置。按照坐標(biāo)分量值 相同，則對應(yīng)用戶在同一社區(qū)的規(guī)則，識別出e個社區(qū)。
[0102] 再通過用戶在LBSN中連接其在某種社交網(wǎng)絡(luò)(如Facebook)的帳號，獲取用戶在該 社交網(wǎng)絡(luò)中好友列表，針對任一社區(qū)中的用戶對，用其在該社交網(wǎng)絡(luò)中共同好友數(shù)目標(biāo)識 作為權(quán)值，表示為用戶間的社交親密度，形成社區(qū)內(nèi)用戶的社交鄰接關(guān)系。再如圖2所示，選 擇目標(biāo)用戶U t所在的社區(qū)^。在社區(qū)^內(nèi)，根據(jù)其他用戶出與目標(biāo)用戶Ut的社交親密度值， 即F中第t行第i列的值f lt，求出％中所有用戶與Ut的社交親密度，取最大的k-Ι個，與目標(biāo) 用戶歸為一類，生成為一個群組，推薦給目標(biāo)用戶ut。
[0103] 在地點推薦階段，根據(jù)用戶簽到相似性網(wǎng)絡(luò)，以社交群組內(nèi)其他用戶對地點的評 分來對目標(biāo)用戶未簽到的地點進(jìn)行評分預(yù)測。再利用Top-N方法，選出N個評分最高的地點 推薦給目標(biāo)用戶。
【主權(quán)項】
1. 一種基于位置和社交關(guān)系的群組與地點推薦方法，其特征在于包括如下步驟： 步驟1:生成社交群組階段； 步驟1-1:從LBSN中得到包含用戶及其簽到地點的簽到數(shù)據(jù)，從中剔除簽到次數(shù)少于a 次的用戶，以及被簽到次數(shù)少于b次的地點，最終得到的簽到數(shù)據(jù)含有s個用戶，t個地點，用 戶集合u= (U1，U2，…山），地點集合L= ( ll，12，…]^)，共計W條簽到信息，每條簽到信息包含 用戶、地點，表示為(Ui，lp)，其中Ui表示用戶i，lP表示地點P; 步驟1-2:根據(jù)用戶簽到數(shù)據(jù)，以用戶之間簽到數(shù)據(jù)的交集，即對相同地點簽到的數(shù)據(jù)， 通過皮爾森相關(guān)系數(shù)計算，得到的數(shù)值作為用戶之間的簽到相似度權(quán)值，計算出s個用戶兩 兩之間的簽到相似度，構(gòu)建用戶簽到相似性網(wǎng)絡(luò)6。=<1]3>4=( &^)%是6。的矩陣； 步驟1-3:根據(jù)用戶簽到相似度，利用離散粒子群優(yōu)化方法，識別出不同的社區(qū)，社區(qū)集 合為C=(C1，C2，···），其中Ci代表第i個社區(qū)； 步驟1-4:用戶在LBSN中連接其在某種社交網(wǎng)絡(luò)的帳號，獲取該社交網(wǎng)絡(luò)中用戶的好友 列表，針對任一社區(qū)中的用戶對，用其在該社交網(wǎng)絡(luò)中共同好友數(shù)目標(biāo)識作為權(quán)值，表示為 用戶間的社交親密度，形成社區(qū)內(nèi)用戶的社交鄰接關(guān)系； 步驟1-5:根據(jù)社交親密度，在目標(biāo)用戶ut所在的社區(qū)中，選擇與目標(biāo)用戶ut的社交親 密度值最大的k-Ι個用戶，生成包含目標(biāo)用戶的人數(shù)為k的社交群組，推薦給目標(biāo)用戶ut; 步驟2:組內(nèi)地點推薦階段； 步驟2-1:在群組內(nèi)，根據(jù)用戶簽到相似度，利用協(xié)同過濾方法，對目標(biāo)用戶未簽到地點 進(jìn)行評分預(yù)測； 步驟2-2:利用Top-N方法，選出N個評分最高的地點推薦給目標(biāo)用戶。2. 根據(jù)權(quán)利要求1所述的一種基于位置和社交關(guān)系的群組與地點推薦方法，其特征在 于，所述步驟1-2包括： 在w條簽到信息中，以用戶i對地點p的簽到次數(shù)，即(m，lp)出現(xiàn)的數(shù)目，作為用戶i對地 點P的評分，定義用戶m對地點U平分為\知，利用皮爾森相關(guān)系數(shù)計算用戶之間的簽到相 似度，從而計算出s個用戶兩兩之間的簽到相似度，由此構(gòu)建用戶簽到相似性網(wǎng)絡(luò)6。=<1]， E〉，A=(aij)sXs 是 Gc 的矩陣， 利用皮爾森相關(guān)系數(shù)計算用戶簽到相似性公式如下：其中Ui，Uj代表用戶，Lij表示用戶i和用戶j之間共有的簽到地點，V!表示用戶i對某一 地點1的評分，巧;表示m對共同簽到地點評分的平均值。3. 根據(jù)權(quán)利要求1所述的一種基于位置和社交關(guān)系的群組與地點推薦方法，其特征在 于，所述步驟1-3包括： 利用DPS0方法進(jìn)行社區(qū)劃分，在一個多維空間內(nèi)，以粒子群內(nèi)粒子移動的過程模擬社 區(qū)劃分優(yōu)化過程，根據(jù)粒子位置坐標(biāo)劃分社區(qū)，坐標(biāo)維數(shù)等于LBSN中的用戶數(shù)，位置坐標(biāo)的 分量對應(yīng)不同用戶，值相同的分量對應(yīng)的用戶在同一社區(qū)，一個粒子的位置坐標(biāo)對應(yīng)一種 劃分結(jié)果，根據(jù)評價社區(qū)劃分標(biāo)準(zhǔn)的模塊度Q，決定粒子的速度，促使粒子的移動，位置的改 變，得到不同的社區(qū)劃分結(jié)果，進(jìn)而促使粒子向著優(yōu)化社區(qū)劃分即使Q值變大的位置移動， 最終達(dá)到迭代次數(shù)或停止條件時Q取最大值，對應(yīng)坐標(biāo)所代表的社區(qū)劃分方式為最佳的社 區(qū)劃分， 模塊度Q的定義如下：以同一個社區(qū)內(nèi)所有用戶簽到相似度權(quán)值總和與預(yù)期的所有用戶簽到相似度權(quán)值總 和相減所得值衡量社區(qū)劃分優(yōu)劣，Q越大表示識別出的社區(qū)劃分結(jié)構(gòu)越好，即同一個社區(qū)內(nèi) 所有用戶簽到相似度權(quán)值總和比預(yù)期的大，同一社區(qū)內(nèi)的聯(lián)系比預(yù)期的密切， 其中&1謙示用戶i與用戶j之間的簽到相似性權(quán)值，Ζι=Σ^^是A中第i行除了第i個值 之外值的總和，h=ElZl是A中的總和，定義為預(yù)期的用戶i和用戶j之間的簽到相似 度，~表示用戶i所在的社區(qū)，如果用戶i，j在同一社區(qū)，則= 1，否則為0， 假設(shè)在s維空間中，m個粒子組成一個群體，每個粒子α包含一個s維的位置向量Χα = (Χα,1，Χα,2,…，Xa,s)，速度向量Va=(Va,l，Va,2,…，Va, s)，其中位置向量中的S個分量代表社交 網(wǎng)絡(luò)中的s個用戶，xu表示粒子α中對應(yīng)的用戶位置向量的每一個分量的取值范圍是 [1，s ]之間的整數(shù)，速度向量的每一個分量的取值為0或1，針對粒子α的位置向量Xa = ( Xa, i， Χα, 2，…，Χα, S )，若Χα, 1 = Χα, 2，則用戶U1，U2在同一社區(qū)，以此規(guī)則劃分出社區(qū)結(jié)構(gòu)，貝每一個粒 子的位置對應(yīng)一種社區(qū)劃分，通過評價社區(qū)劃分標(biāo)準(zhǔn)的模塊度Q，根據(jù)粒子歷史位置記錄 (包含當(dāng)前位置），選擇使Q取最大值的位置為粒子歷史最佳位置Pbesta，再從m個粒子的 Pbestcc中選出Q取最大值所對應(yīng)的位置為群體最佳位置Gbest,粒子根據(jù)Pbestcc和Gbest調(diào)整 自己目前的速度向量Va，進(jìn)而通過速度調(diào)整改變自身的當(dāng)前位置Χα，通過粒子的不斷移動， 使得模塊度Q不斷增大，反復(fù)迭代直到滿足停止條件為止，此時Gbest對應(yīng)的社區(qū)劃分的模 塊度Q值最大，社區(qū)劃分結(jié)構(gòu)最佳，則Gbest坐標(biāo)對應(yīng)的社區(qū)劃分結(jié)果為最佳結(jié)果， 速度向量和位置向量的更新規(guī)則如下：Χα^Χα Θ Va 其中cU，d2是加速因子，cU = d2 = 1.494，ω是慣性權(quán)重，根據(jù)PSO中慣性權(quán)重對PSO搜索能 力影響的研究，取ω = 1.05，此時PS0搜索效率和搜索精度較高，η，^是[0，1 ]之間的隨機(jī) 值，Pbesta表示粒子a歷史最佳位置，Gbest表示群體最佳位置，φ表示異或運算，如a?&若 a，b值不同，則為1，否則為0， 函數(shù)Γ( ·)定義如下： ΧαΘΥα定義如下：其中Θ取[1，s]的任意整數(shù)，如果Xk與Θ相等，貝>J3(xk，0) = l，否則為〇,當(dāng)Va,j = l時，返回 使函數(shù)取最大值的Θ，即在所有社區(qū)中，將一個社區(qū)內(nèi)所有用戶與用戶j的簽到相似性權(quán)值 求和，X'U等于值最大的社區(qū)內(nèi)用戶所對應(yīng)的坐標(biāo)分量的值，也表明用戶j與該社區(qū)聯(lián)系最 密切， 根據(jù)上述描述，應(yīng)用DPSO方法進(jìn)行社區(qū)劃分的具體步驟如下： 第一步:將m個粒子的位置向量中各分量隨機(jī)取[l，s]之間的整數(shù)，速度向量中各分量 隨即取0或1; 第二步:對每一個粒子a，計算當(dāng)前社區(qū)劃分的模塊度Q。，并根據(jù)模塊度值的大小，更新 該粒子的最佳位置PbesU，更新整個群體的最佳位置Gbest; 第三步:更新粒子的位置，計算更新后的模塊度Q、，若Q、_Qa> l〇_g，則返回第二步，否 則停止迭代，進(jìn)入第四步； 第四步:滿足停止條件后，此時最終的Gbest，即模塊度最大所對應(yīng)的位置，按照坐標(biāo)分 量值相同，則對應(yīng)用戶在同一社區(qū)的規(guī)則，識別出e個社區(qū)。4. 根據(jù)權(quán)利要求1所述的一種基于位置和社交關(guān)系的群組與地點推薦方法，其特征在 于，所述步驟1-4包括： 根據(jù)社交網(wǎng)絡(luò)中用戶共同好友數(shù)據(jù)，以用戶共同好友數(shù)，作為評價用戶社交親密度的 指標(biāo)，定義用戶m，Uj之間的共同好友數(shù)量為用戶m與其他用戶共同好友數(shù)最 多的數(shù)量，對此進(jìn)行歸一化將fu作為用戶間社交親密度，計算兩兩用戶 之間的社交親密度，形成社交親密度矩陣F=(f^)sXs，F(xiàn)中第i行第j列的數(shù)值表示用戶i 和用戶j之間的社交親密度。5. 根據(jù)權(quán)利要求1所述的一種基于位置和社交關(guān)系的群組與地點推薦方法，其特征在 于，所述步驟1-5包括： 選擇目標(biāo)用戶ut所在的社區(qū)％，在社區(qū)％A，根據(jù)其他用戶出與目標(biāo)用戶Ut的社交親密 度值，即F中第t行第i列的值flt，求出％中所有用戶與Ut的社交親密度，取最大的k-Ι個，與 目標(biāo)用戶歸為一類，生成為一個群組推薦給目標(biāo)用戶u t。6. 根據(jù)權(quán)利要求1所述的一種基于位置和社交關(guān)系的群組與地點推薦方法，其特征在 于，所述步驟2-1包括： 根據(jù)用戶簽到相似性網(wǎng)絡(luò)，利用如下公式對目標(biāo)用戶ut未簽到的地點1P?行評分預(yù)測，其中Ut表示目標(biāo)用戶，Ut表示目標(biāo)用戶所在的社交群組5%內(nèi)用戶集合，w表示社交群 組內(nèi)除了ut以外某個用戶，"知表示用戶w對地點^的評分，^表示用戶w對其簽到過 所有地點評分的均值。
【文檔編號】G06Q50/00GK106056455SQ201610383668
【公開日】2016年10月26日
【申請日】2016年6月2日
【發(fā)明人】呂如恒, 王玉峰
【申請人】南京郵電大學(xué)