[發明專利]一種基于位置的微互助推薦方法

有效

• 申請號: 201710484040.1
• 申請日: 2017-06-23
• 公開（公告）號: CN107391585B
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 丁向華;許家華;顧寧;盧暾
• 申請（專利權）人: 復旦大學
• 主分類號: G06F16/9537
• 分類號: G06F16/9537;H04L29/08
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;陸尤

1.一種基于位置的微互助推薦方法，其特征在于，綜合殘疾人和志愿者互助之間的特點和需求關系，建立結構化的數據來表示各種模型；在模型的基礎之上分析影響用戶接受志愿任務的因素并將其量化表示，完成面向殘疾人和志愿者的推薦策略，針對不同的用戶進行相應的志愿任務推薦；

具體操作步驟如下：

（一）建立結構化數據模型

首先，分析目標用戶，包括用戶的特征，用戶在執行志愿活動時的所需要的各類信息及其特點，根據這些特征和信息建立相應的結構化模型；模型包括用戶模型UserModel、擅長模型Personality、群組模型Group、任務模型Request、推薦模型Recommend、通知模型Notification、角色模型Role；其中：

所述用戶模型UserModel，作為平臺的基礎，以用戶為中心建立自然、高效、有序的用戶界面，以便用戶進行后續相關的發布、接受、反饋、推薦任務信息，采用五元組來表示用戶模型，具體如下：

UserModel = UserID, Personality, Role, Group, Request

其中，UserID表示的是平臺中用戶的唯一標識符，在模型后續有關用戶數據的生成、匯集、反饋的時候中用到的增加、刪除、修改、查找，都需要用這個用戶的唯一標識符作為數據庫的關聯條件；

所述擅長模型Personality，是一個與用戶有關的所有基本信息的集合，包含用戶兩個方面的特征：一方面是每個平臺使用者所具有的客觀屬性，另一方面是體現用戶主觀特征的偏好，具體如下所示：

Personality=UserName, Passwd, Age, Gender, IDNumber, Preference

其中，UserName指的是用戶名，Passwd是用戶設置的密碼，Age是用戶的年齡，Gender是用戶的性別，IDNumber是用戶的編號；Preference是用戶主觀擅長的內容，由用戶自行設置；

所述角色模型Role，用于表示不同的角色所擁有的不同權限，具體如下所示：

Role = RoleType, RoleName

其中，RoleType為角色類型，RoleName為角色名；

所述群組模型Group，它與用戶是多對多的關系，具體如下所示：

Group=GroupID, GroupName, Creator, CreatTime, GroupUserRelation

其中， GroupID為群組編號，GroupUserRelation為群組中存在哪些用戶即關系表，Creator為創建者，CreatTime為創建時間；

所述任務模型Request，用于存儲每個用戶所發布和接受的任務，與用戶也是多對多的關系，具體如下所示：

Request = RequestID, Character, Code, Notification, Recommend

其中，RequestID任務編號，Character為任務基本信息，Code為安全碼，Notification為通知，Recommend為推薦；

所述通知模型Notification，一個任務擁有多個通知，而每個通知對應的則是一個任務，它與任務模型是一對多的關系，具體如下所示：

Notification = NotificationID, RequestID, Content

其中，NotificationID為通知編號，RequestID為通知對應的任務編號，Content為通知內容；

所述推薦模型Recommend，用于存儲系統根據用戶的需求生成的推薦信息，與通知模型類似，它與任務模型也是一對多的關系，具體如下所示：

Recommend= RecommendID, Rec_User, Time, RequestID, Is_Accepted

其中，RecommendID為推薦編號，Rec_User為被推薦用戶，Time為推薦時間，RequestID為被推薦任務編號，Is_Accepted為推薦任務是否被接受；

（二）確定影響推薦的因素，并將其量化

志愿者們是否接受任務的時候，他們的行為即影響推薦的因素包括兩個方面：主觀方面和客觀方面；

主觀方面：是否有能力完成、發布者與我的關系、偏好、加入的群組；

客觀方面：任務距離、懸賞的積分數；

針對這些影響推薦的因素，用戶接受任務后，對其進行排序，從重要到次要分別是：任務距離、是否有能力完成、發布者與我的關系、偏好、加入的群組、懸賞積分；面對這些因素，將其分別量化為客觀的推薦指標；

（三）基于位置的推薦

在獲得了相應的影響每個用戶接受推薦的客觀指標之后，進行相應的任務推薦；推薦的流程為：

（1）輪詢用戶獲取用戶位置信息，由于用戶與任務之間的距離是志愿者是否接受任務最主要考慮的信息，因此，通過不斷地獲取用戶的地理位置信息，計算數據庫中是否存在一公里以內其他人發起的志愿任務，如果存在則轉至下一步，否則不進行推薦；

（2）查詢數據庫，獲取用戶曾經接受過的任務、所加入的群組以及在注冊時填寫的愛好內容；

（3）遍歷步驟（1）中符合要求的所有備選任務，采用分值計算法來計算每個任務的分數；

（4）選出上述分值計算法中分數最大的任務，推薦給相應的用戶。