1.一种天气和时间感知的个性化POI序列推荐方法,其特征在于,包括如下步骤:步骤一、数据预处理,把一天的时间划分为五个区间,分别为早上,上午,中午,下午和晚上;统计所有用户的旅行记录,将所有出现过的POI统计到集合A中,A={a1,a2,…an};给定一个用户u,定义他的旅行历史记录为有序序列Su,Su=(a1,ak,…am);
步骤二、POI流行度建模,对所有用户的旅行历史签到数据进行统计,将特定天气特征区间和特定时间区间内的所有用户在POI的签到次数归一化后作为在特定天气特征区间和时间区间内POI的流行度值;
步骤三、用户兴趣建模,实现每个用户对集合A中所有POI的偏好预测;若POIai被用户访问过,则通过特定天气和时间签到次数定义用户在特定天气和时间对ai的兴趣值;若出现的POI没有被用户访问过,则根据用户与用户在相同天气特征和时间区间内对同一POI的签到情况来定义相似用户,基于相似用户得到被推荐用户对未访问过POI的兴趣值;
步骤四、进行天气和时间感知的个性化POI序列推荐,具体包括如下步骤:输入起点POI和推荐序列的限制时间;
结合用户兴趣偏好值和POI的流行度值采用节点选择算法选择当前天气特征区间和时间区间内最优的下一个访问的节点;
根据POI序列推荐算法给用户推荐一条在考虑天气因素和时间因素下,受欢迎、最大化用户兴趣的个性化POI序列。
2.如权利要求1所述的一种天气和时间感知的个性化POI序列推荐方法,其特征在于,在步骤一中,早上表示7点到9点之间,上午表示9点到11点之间,中午表示11点到13点之间,下午表示13点到17点之间,晚上表示17点之后。
3.如权利要求1或2所述的一种天气和时间感知的个性化POI序列推荐方法,其特征在于,在步骤二中,天气特征分为晴朗,多云,降雨以及降雪四类。
4.如权利要求1所述的一种天气和时间感知的个性化POI序列推荐方法,其特征在于,在步骤二中,所述POI的流行度值由所有用户在特定天气和时间区间内在特定地点a签到次数Ocr(a,Tt,Wt)表示,具体定义为:其中,t表示时间,Tt表示当前时间t所在的时间区间,Wt表示t时间的天气特征,ax表示POI节点,Su表示用户u访问过的POI列表;
如果在当前天气特征区间和时间区间内用户u访问过ax为a,则δ(ax=a,Tt,Wt)=1,否则δ(ax=a,Tt,Wt)=0;
将POI流行度Pop进行归一化处理,具体定义为:
5.如权利要求4所述的一种天气和时间感知的个性化POI序列推荐方法,其特征在于,在步骤三中,兴趣偏好值由以下公式表示:其中,如果当前天气特征区间和时间区间内ak被用户u′访问过,δu′(ax=a,Tt,Wt)=1,否则δu′(ax=a,Tt,Wt)=0;
Wu,u′(Tt,Wt)表示在考虑天气因素和时间因素下,用户u和用户u′相似度的估计,它的具体定义如下:Cu(a,Tt,Wt)表示用户u在天气特征区间和时间区间内访问a的情况,如果访问过,Cu(a,Tt,Wt)=1,反之则为0;
对于用户访问过的POI,将用户在特定天气特征和时间区间内访问POI的次数作为用户对访问过的POI的兴趣衡量标准,Intu(a,Tt,Wt)具体定义如下:其中,|Vu(Tt,Wt)|表示用户u在特定天气特征Wt和时间区间Tt内签到总次数。
6.如权利要求5所述的一种天气和时间感知的个性化POI序列推荐方法,其特征在于,在步骤四中,POI序列推荐算法包括如下步骤:a、输入起始地点a1、出发时间t、当前天气特征、用户总的时间预算B以及迭代次数N;
b、初始化两棵相似的树Tvisit和Treward,树的根节点为起始地点a1,子节点是一系列的POI的集合A,树的深度为|A|,其中,Tvisit记录节点在迭代过程中被访问的次数,Treward记录节点在迭代过程中的奖励情况;
初始化list存放每一迭代形成的POI序列;
初始化列表TR用来存放每次迭代形成POI序列的总奖励值;
初始化变量n;
c、判断n是否小于N,若满足,则重复进行步骤d-e;若不满足,则进行步骤f;
d、初始化列表I(tem),用来存放本次迭代的节点选择结果,将a1添加到I(tem),ai←a1,初始化成本cost=0,根据公式R=Pop(ak,Tt,Wt)+Intu(ak,Tt,Wt)计算a1的奖励值R,tR←R;
e、判断成本cost是否小于时间预算B,
若满足,重复进行步骤1)和2);
1)通过API接口访问当前时间的天气特征,将当前时间映射到时间特征区间,根据选择节点算法选择下一个节点aj;
2)将aj添加到I(tem)中, ai←aj,据公式R=Pop(a,Tt,Wt)+Intu(a,Tt,Wt)计算aj的奖励值,更新tR:tR←tR+R,更新时间信息t;
若不满足,将I(tem)结果反向传播到根节点,更新Tvisit,将I(tem)和tR反向传播到根节点,更新Treward将I(tem)添加到list,tR添加到TR,n+1←n;
f、输出TR中最大值对应list中的POI序列。
7.如权利要求6所述的一种天气和时间感知的个性化POI序列推荐方法,其特征在于,在步骤四中,所述选择节点算法包括如下步骤:输入当前时间特征Tt、当前时间对应的天气特征Wt、Tvisit、Treward以及本次迭代形成的部分POI序列I(a1,…);
从Tvisit得到ai被访问次数;
遍历A中剩余的节点aj,其中,aj不属于I(tem),按照公式计算剩余节点的树的上限置信区间UCT
(Upper Confidence Bound applied to Tree)值;
输出剩余节点中UCT值最大的aj。
8.如权利要求6所述的一种天气和时间感知的个性化POI序列推荐方法,其特征在于,在步骤四中,采用对数正态分布来计算ak到am的旅行花费时间 是计算所有用户在aj的平均停留时间。