1.兴趣点预测和推荐中的用户时空相似性度量方法,包括以下步骤:
步骤一:预处理数据;
步骤二:度量时空同现模式相似性;
步骤三:度量用户时空相似性。
2.根据权利要求1所述的兴趣点预测和推荐中的用户时空相似性度量方法,所述预处理数据的步骤包括:
步骤一:分组计数用户签到数据;
步骤二:形成签到频度方体CheckinCube。
3.根据权利要求1所述的兴趣点预测和推荐中的用户时空相似性度量方法,所述度量时空同现模式相似性的步骤包括:步骤一:投影(降维)签到频度方体CheckinCube,得到签到频度数组TimePoi;
步骤二:计算签到之间的时间贴近度TimeSimilarity(t,s)和兴趣点之间的位置贴近度LocationSimilarity(p,q);
步骤三:判断数组TimePoi元素之间是否是一对时空同现模式;
步骤四:计算时空同现模式的相似性PatternSimilarity(TimePoi(t,p),TimePoi(s,q))。
4.根据权利要求1所述的兴趣点预测和推荐中的用户时空相似性度量方法,所述度量用户时空相似性的步骤包括:
步骤一:选择(切片)签到频度方体CheckinCube,得到用户u的签到频度数组TimePoi(u);
步骤二:判断数组TimePoi(u)和TimePoi(v)元素之间是否是用户u和用户v的一对时空同现模式,并得到时空同现模式的相似性PatternSimilarity(TimePoi(u)(t,p),TimePoi(v)(s,q));
步骤三:计算用户u和用户v的签到兴趣点的最相似时空同现模式及其相似性MaxPatternSimilarity(TimePoi(u)(t,p),TimePoi(v))和MaxPatternSimilarity(TimePoi(v)(s,q),TimePoi(u));
步骤四:计算用户u和用户v的签到兴趣点的最相似时空同现模式的权重
MaxPatternWeight(TimePoi(u)(t,p),TimePoi(v))和MaxPatternWeight(TimePoi(v)(s,q),TimePoi(u));
步骤五:计算用户u和用户v的时空相似性UserSimilarity(u,v),得到用户相似矩阵UserUser。
5.根据权利要求1所述的兴趣点预测和推荐中的用户时空相似性度量方法,其特征在于:所述预处理数据,根据用户编号User_ID、签到时间Checkin_Time、兴趣点编号POI_ID,将用户签到数据分组计数,得到每个用户在某个时间对某个兴趣点的签到频度数据,形成一个包括用户、签到时间、兴趣点三个维度的签到频度方体CheckinCube,方体中的每个非零元素CheckinCube(u,t,p)=i>0表示用户u在时间t对兴趣点p签到了i次。
6.根据权利要求1所述的兴趣点预测和推荐中的用户时空相似性度量方法,其特征在于:所述度量时空同现模式相似性,将签到频度方体CheckinCube在签到时间维和兴趣点维进行投影(降维),得到所有用户在某个时间对某个兴趣点的签到频度数据,形成一个包括签到时间、兴趣点两个维度的签到频度数组TimePoi,数组中的每个非零元素TimePoi(t,p)=i>0表示所有用户在时间t对兴趣点p共计签到了i次。根据时间阈值tt(00),计算两个兴趣点p和q的位置贴近度LocationSimilarity(p,q)。基于签到时间贴近度和兴趣点位置贴近度,判断两个非零元素(模式)TimePoi(t,p)和TimePoi(s,q)是否是一对时空同现模式。如果TimePoi(t,p)和TimePoi(s,q)是一对时空同现模式,计算它们的相似性PatternSimilarity(TimePoi(t,p),TimePoi(s,q))。
7.根据权利要求1所述的兴趣点预测和推荐中的用户时空相似性度量方法,其特征在于:所述度量用户时空相似性,将签到频度方体CheckinCube在用户维进行选择(切片),得到用户u在某个时间对某个兴趣点的签到频度数据,形成一个包括签到时间、兴趣点两个维度的用户u的签到频度数组TimePoi(u),数组中的每个非零元素TimePoi(u)(t,p)=i>0表示(u)用户u在时间t对兴趣点p签到了i次。根据TimePoi (t,p)对应的元素(模式)TimePoi(t,p)和TimePoi(v)(s,q)对应的元素(模式)TimePoi(s,q)是否是一对时空同现模式,判断两个元素(模式)TimePoi(u)(t,p)和TimePoi(v)(s,q)是否是用户u和用户v的一对时空同现模式。如果TimePoi(u)(t,p)和TimePoi(v)(s,q)是用户u和用户v的一对时空同现模式,计算它们的相(u) (v)似性PatternSimilarity(TimePoi (t,p),TimePoi (s,q))。根据用户u和用户v的时空同现模式及其相似性,计算用户u和用户v的签到兴趣点的最相似时空同现模式及其相似性MaxPatternSimilarity(TimePoi(u)(t,p),TimePoi(v))和MaxPatternSimilarity(TimePoi(v)(s,q),TimePoi(u))。根据用户u和用户v的兴趣点签到频率,计算用户u和用户v的签到兴趣点的最相似时空同现模式的权重MaxPatternWeight(TimePoi(u)(t,p),TimePoi(v))和MaxPatternWeight(TimePoi(v)(s,q),TimePoi(u))。最后,基于用户u和用户v的所有签到兴趣点的最相似时空同现模式的相似性和权重,计算用户u和用户v的时空相似性UserSimilarity(u,v),得到用户相似矩阵UserUser。