[發(fā)明專利]一種基于社交網(wǎng)絡(luò)的位置預(yù)測系統(tǒng)及方法

在審

• 申請?zhí)枺?/td>: 201710488445.2
• 申請日: 2017-06-23
• 公開（公告）號: CN107194011A
• 公開（公告）日: 2017-09-22
• 發(fā)明（設(shè)計）人: 尚鳳軍;劉海昇
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06N5/04;G06Q50/00
• 代理公司: 北京國坤專利代理事務(wù)所(普通合伙)11491
• 代理人: 姜彥

技術(shù)領(lǐng)域

本發(fā)明屬于社交網(wǎng)絡(luò)位置預(yù)測技術(shù)領(lǐng)域，尤其涉及一種基于社交網(wǎng)絡(luò)的位置預(yù)測系統(tǒng)及方法。

背景技術(shù)

隨著互聯(lián)網(wǎng)的快速發(fā)展和可定位設(shè)備的大量普及，基于地理位置服務(wù)的網(wǎng)絡(luò)應(yīng)用越來越普及，如定向廣告(targeted advertisement)、跟蹤人口流動、預(yù)防疾病蔓延、網(wǎng)絡(luò)安全、性能優(yōu)化等，地址位置作為一種質(zhì)量極高的信息資源被廣泛應(yīng)用。同時伴隨著在線社交網(wǎng)絡(luò)的發(fā)展，位置服務(wù)和在線社交網(wǎng)絡(luò)逐漸趨于融合，即產(chǎn)生了LBSN。基于位置的LBSN是位置和社交的結(jié)合體，它支持用戶隨時隨地在社交平臺記錄并分享自己的地理信息，它是以通信網(wǎng)絡(luò)為媒介，以智能終端為主要載體的新型平臺。在LBSN中，大量用戶通過簽到向朋友分享位置信息或地理標(biāo)簽。位置社交網(wǎng)絡(luò)讓基于位置的社交成為一種新的社交模式，使得線上社交和線下社交得到有機的結(jié)合，極大的改變了人們的生活方式。社交網(wǎng)絡(luò)催生了許多基于位置的服務(wù)，為了提供更好的服務(wù)，預(yù)測用戶最有可能的下一個位置是非常重要的。如通過預(yù)測用戶下一個位置，商家可以更加有效的投放定向廣告。現(xiàn)有預(yù)測方法有基于GPS軌跡歷史數(shù)據(jù)的位置預(yù)測，有基于社交網(wǎng)絡(luò)簽到數(shù)據(jù)的位置預(yù)測。社交網(wǎng)絡(luò)簽到數(shù)據(jù)和GPS軌跡歷史數(shù)據(jù)有著明顯的區(qū)別。社交網(wǎng)絡(luò)簽到歷史數(shù)據(jù)較稀疏，位置預(yù)測范圍較大。相比于社交網(wǎng)絡(luò)簽到數(shù)據(jù)，連續(xù)記錄的GPS數(shù)據(jù)之間間隔5-10米。但是GPS數(shù)據(jù)僅僅包括經(jīng)度、緯度和時間戳信息，沒有包括語義信息，無法根據(jù)社交關(guān)系進(jìn)行位置預(yù)測。現(xiàn)有的基于社交網(wǎng)絡(luò)的位置預(yù)測主要有運動軌跡的預(yù)測和下一地點的預(yù)測。運動軌跡的預(yù)測相對復(fù)雜，開銷較大，對周期性軌跡預(yù)測表現(xiàn)良好，但是對周期性不明顯的軌跡預(yù)測精度較差。現(xiàn)有基于社交網(wǎng)絡(luò)下一位置預(yù)測假設(shè)下一位置用戶曾經(jīng)訪問過，下一位置僅僅從個人歷史位置中選擇，容易造成“冷啟動”，導(dǎo)致常規(guī)位置預(yù)測良好，非常規(guī)位置預(yù)測精度較低。

綜上所述，現(xiàn)有技術(shù)存在的問題是：現(xiàn)有基于GPS歷史數(shù)據(jù)位置預(yù)測不包含語義信息，無法根據(jù)社交關(guān)系進(jìn)行位置預(yù)測。現(xiàn)有的基于社交網(wǎng)絡(luò)軌跡相似性位置預(yù)測存在運動軌跡預(yù)測相對復(fù)雜，開銷較大，對周期性不明顯的軌跡預(yù)測精度較差，容易造成“冷啟動”。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種基于社交網(wǎng)絡(luò)的位置預(yù)測系統(tǒng)及方法。

本發(fā)明是這樣實現(xiàn)的，一種基于社交網(wǎng)絡(luò)的位置預(yù)測方法，所述基于社交網(wǎng)絡(luò)的位置預(yù)測方法包括以下步驟：

步驟一，爬取社交網(wǎng)絡(luò)簽到數(shù)據(jù)；

步驟二，對爬取的社交網(wǎng)絡(luò)簽到數(shù)據(jù)進(jìn)行預(yù)處理，過濾掉簽到次數(shù)小于平均簽到次數(shù)的數(shù)據(jù)，清洗掉無效的數(shù)據(jù)，利用核平滑插值技術(shù)對簽到數(shù)據(jù)的稀疏性進(jìn)行處理；在f(x)中，若使用鄰域樣本的均值進(jìn)行插值，則使f(x)不平滑，所以使用一個核函數(shù)對估計值平滑；具體使用核加權(quán)平均，公式為：

其中K(.)采用高斯核函數(shù)，可見，離x₀越近的影響力越大，對應(yīng)輸出的權(quán)越大，符合簽到數(shù)據(jù)的實際模擬；

步驟三，結(jié)合常規(guī)位置預(yù)測的輸出概率P_r(loc)和非常規(guī)位置預(yù)測的輸出概率P_u(loc)，預(yù)測下一位置是否為常規(guī)位置；

步驟四，通過常規(guī)位置預(yù)測模塊，得到top-m個位置列表；通過提取分析數(shù)據(jù)采集模塊中采集的非結(jié)構(gòu)化信息，應(yīng)用于top-m位置列表，提高位置預(yù)測精度，得到top-k個位置列表，k<＝m。

進(jìn)一步，所述預(yù)測下一位置是否為常規(guī)位置公式為：

P(loc)＝λPr(loc)+(1-λ)Pu(loc)。

其中Pr(loc)為常規(guī)位置預(yù)測概率，Pu(loc)為非常規(guī)位置預(yù)測概率，λ為調(diào)節(jié)參數(shù)，λ∈{0，1}。

進(jìn)一步，所述常規(guī)位置預(yù)測采用MHMM算法，HMM結(jié)合時間特征和空間特征對位置進(jìn)行預(yù)測。不考慮時間和空間的影響，給定相同的觀測序列，HMM總是得到相同的預(yù)測結(jié)果；考慮到社交用戶的簽到行為受到時間和空間的影響，選用混合HMM算法對下一位置進(jìn)行預(yù)測。

其中C_t+1為t+1時刻的位置類別，S_t為t時刻的觀察序列狀態(tài)，為時間空間向量。

進(jìn)一步，所述非常規(guī)位置預(yù)測結(jié)合構(gòu)建知識圖譜，挖掘社交關(guān)系，采用融合社交關(guān)系的馬爾科夫模型結(jié)合位置推薦系統(tǒng)對非常規(guī)位置進(jìn)行預(yù)測。利用簽到數(shù)據(jù)集構(gòu)建知識圖譜，在知識圖譜上進(jìn)行推理，挖掘相似用戶，基于歷史簽到數(shù)據(jù)并融合相似用戶訓(xùn)練一個馬爾科夫模型對下一位置進(jìn)行預(yù)測。最后將馬爾科夫模型和位置推薦系統(tǒng)結(jié)合在一起，提高位置預(yù)測精度。