一种基于地理位置的社区服务推荐方法

摘要

本发明公开了一种基于地理位置的社区服务推荐方法，其特征是应用于由移动终端、社区服务平台和社区数据中心组成的推荐系统中；社区服务平台包括：统一身份认证平台、GIS平台、服务推荐平台和日志服务平台；社区数据中心包括：社区基础库和包含m个服务产品的社区服务产品库。本发明能在考虑用户便捷性以及服务产品质量的基础上，快速获得符合用户需求的推荐列表，从而提高推荐效率和准确性。

说明书

技术领域

本发明涉及属于个性化推荐领域，具体地说是一种基于地理位置的社区服务推荐方法。

背景技术

在现有技术中，最常见的个性化推荐方法有基于用户的协同过滤推荐方法、基于地理位 置位置的推荐以及基于用户满意度的推荐。其中，基于用户的协同过滤推荐方法计算用户的 相似度，并基于“邻居”用户群计算推荐，在用户的历史偏好的数据上计算用户的相似度。 基于地理位置的推荐主要是通过GPS定位，依据服务产品与用户的地理位置远近进行推荐；基 于用户满意度的推荐主要是根据历史用户对服务产品的满意程度进行排序。但是基于用户的 协同过滤推荐方法无法对新注册用户进行合适的推荐；基于地理位置的推荐没有考虑到用户 对服务产品的评价，忽视了服务产品的质量；而基于用户满意度的推荐则忽视了服务产品与 用户之间的距离，没有考虑到用户的便捷性，因此，现有技术中缺乏一种针对新注册用户的 个性化推荐方法。

发明内容

本发明为了克服现有技术存在的不足之处，提供一种基于地理位置的社区服务推荐方法， 以期能在考虑用户便捷性以及服务产品质量的基础上，快速获得符合用户需求的推荐列表， 从而提高推荐效率和准确性。

本发明为解决技术问题采用如下技术方案：

本发明一种基于地理位置的社区服务推荐方法，其特点是应用于由移动终端、社区服务 平台和社区数据中心组成的推荐系统中；所述社区服务平台包括：统一身份认证平台、GIS 平台、服务推荐平台和日志服务平台；所述社区数据中心包括：社区基础库和包含m个服务 产品的社区服务产品库；

所述推荐方法是按如下步骤进行：

步骤一、所述移动终端获取用户的身份信息并发送给所述社区服务平台；所述社区服务 平台对所接收到的身份信息利用所述统一身份认证平台进行身份验证，对通过身份验证的用 户在所述社区数据中心的社区基础库中创建用户信息；并将所述用户信息和身份信息进行绑 定；从而使得用户成为社区中的居民；

步骤二、所述社区服务平台中的GIS平台获取所述居民自身的位置坐标(x₀,y₀)，再根据 居民所设定的服务产品类型，从所述社区服务产品库中选取相应的居民周围服务产品，并获 取所述选取的居民周围服务产品的位置坐标集合{(x₁,y₁),(x₂,y₂),...,(x_i,y_i),...,(x_n,y_n)}；(x_i,y_i) 表示所述位置坐标集合中第i个服务产品的位置坐标；1≤i≤n≤m；

步骤三、所述服务推荐平台从所述日志服务平台中获取历史评价等级，并通过推荐算法 获得居民周围服务产品的推荐列表，从而发送给所述居民的移动终端。

本发明所述的基于地理位置的社区服务推荐方法的特点也在于，所述步骤三中的推荐算 法是按如下步骤进行：

步骤3.1、利用式(1)获得第i个服务产品的距离系数k_i：

$k_i=\frac{\max \left\{d_i\right\}-d_i}{\max \left\{d_i\right\}-\min \left\{d_i\right\}}---\left(1\right)$

式(1)中，d_i表示第i个服务产品的位置坐标(x_i,y_i)与居民自身的位置坐标(x₀,y₀)之间的 距离，并有：

$d_i=\sqrt{{(x_i-x_0)}^2+{(y_i-y_0)}^2}---\left(2\right)$

步骤3.2、获取所有N个居民对第i个服务产品的历史评价等级，记为{s₁,s₂,...,s_u,...,s_v}， s_u表示第u个等级；并有：s₁＜s₂＜…＜s_u＜…＜s_v；0＜u＜v；对所述历史评价等级 {s₁,s₂,...,s_u,...,s_v}设定相应的基础推荐概率；记为{p₁,p₂,...,p_u,...,p_v}，p_u表示第u个等级s_u的 基础推荐概率；并有：p₁＜p₂＜…＜p_u＜…＜p_v；p_u∈[0,1]；

步骤3.3、构建居民周围服务产品推荐识别框架θ＝{a,b}，a表示推荐，b表示不推荐； 利用式(3)获得所有N个居民中第j个居民对第i个服务产品的推荐概率p^(a)_ji，1≤j≤N：

${p^{\left(a\right)}}_{\mathrm{ji}}=\frac{{2k}_i\times p_{\mathrm{ji}}}{k_i+p_{\mathrm{ji}}}---\left(3\right)$

式(3)中，p_ji表示第j个居民对第i个服务产品的基础推荐概率； p_ji∈{p₁,p₂,...,p_u,...,p_v}，并有：

p^(a)_ji+p^(b)_ji＝1    (4)

式(4)中，p^(b)_ji表示第j个居民对第i个服务产品的不推荐概率；

步骤3.4、利用式(5)获得第i个服务产品的最终推荐概率R_i：

$R_i=\frac{\underset{1\le j\le N}{\Pi }{p^{\left(a\right)}}_{\mathrm{ji}}}{\underset{1\le j\le N}{\Pi }{p^{\left(a\right)}}_{\mathrm{ji}}+\underset{1\le j\le N}{\Pi }{p^{\left(b\right)}}_{\mathrm{ji}}}---\left(5\right)$

步骤3.5、重复步骤3.1-步骤3.4，从而获得n个居民周围服务产品的最终推荐概率 {R₁,R₂,…,R_i…,R_n}并进行降序排序，从而获得所述推荐列表。

与已有技术相比，本发明有益效果体现在：

本发明根据所设定服务产品类型与各服务产品的坐标，通过计算得到距离并引入距离系 数，再根据各历史用户对服务产品的评价等级转换为相应的基础推荐概率，将距离系数与基 础推荐概率通过设置的函数转化得到各历史用户对所设定的服务产品的推荐概率，最后将所 有历史居民对服务产品的推荐概率进行融合得到各服务产品的最终推荐概率，并采用降序算 法给出服务推荐列表，在考虑居民与服务产品距离同时，也将历史用户对服务产品的评价纳 入推荐需要考虑的另一重要因素，而且也能够对新居民用户进行恰当的服务推荐，从而提高 了推荐的可靠性、有效性，避免了只考虑单一因素给推荐带来的片面性，推荐结果更为合理 高效。

附图说明

图1是本发明建立社区服务推荐方法结构示意图；

图2是本发明社区服务推荐方法的流程示意图。

具体实施方式

本实施例中，如图1所示，一种基于地理位置的社区服务推荐方法，是应用于由移动终 端、社区服务平台和社区数据中心组成的推荐系统中；社区服务平台包括：统一身份认证平 台、GIS平台、服务推荐平台和日志服务平台；社区数据中心包括：社区基础库、如人口库， 地理库，以及包含m个服务产品的社区服务产品库；

推荐方法是按如下步骤进行：

步骤一、移动终端获取用户的身份信息并发送给社区服务平台；社区服务平台对所接收 到的身份信息利用统一身份认证平台进行身份验证，对通过身份验证的用户在社区数据中心 的社区基础库中创建用户信息；并将用户信息和身份信息进行绑定；从而使得用户成为社区 中的居民；其目的是为了保证该推荐系统的服务对象是该社区居民；

步骤二、社区服务平台中的GIS平台获取居民自身的位置坐标(x₀,y₀)，比如该居民坐标 为(0,0)；再根据居民所设定的服务产品类型，如“酒店”，从社区服务产品库中选取相应 的居民周围服务产品，并获取选取的居民周围服务产品的位置坐标集合 {(x₁,y₁),(x₂,y₂),...,(x_i,y_i),...,(x_n,y_n)}；(x_i,y_i)表示位置坐标集合中第i个服务产品的位置坐 标；1≤i≤n≤m；假设该附近只有四家酒店{T₁,T₂,T₃,T₄}，其位置坐标分别为(2,0)、(3，4)、 (0,7)、(6,8)；

步骤三、服务推荐平台从日志服务平台中获取历史评价等级，并通过推荐算法获得居民 周围服务产品的推荐列表，从而发送给居民的移动终端，具体地，如图2所示，推荐算法是 按如下步骤进行：

步骤3.1、利用式(1)获得第i个服务产品的距离系数k_i：

$k_i=\frac{\max \left\{d_i\right\}-d_i}{\max \left\{d_i\right\}-\min \left\{d_i\right\}}---\left(1\right)$

式(1)中，d_i表示第i个服务产品的位置坐标(x_i,y_i)与居民自身的位置坐标(x₀,y₀)之间的 距离，并有：

$d_i=\sqrt{{(x_i-x_0)}^2+{(y_i-y_0)}^2}---\left(2\right)$

本实施例中，计算得到d₁＝2、d₂＝5、d₃＝7、d₄＝10、k₁＝1、k₂＝0.625、k₃＝0.375、k₄＝0；

步骤3.2、获取所有N个居民对第i个服务产品的历史评价等级，记为{s₁,s₂,...,s_u,...,s_v}， s_u表示第u个等级；并有：s₁＜s₂＜…＜s_u＜…＜s_v；0＜u＜v；对历史评价等级{s₁,s₂,...,s_u,...,s_v} 设定相应的基础推荐概率；记为{p₁,p₂,...,p_u,...,p_v}，p_u表示第u个等级s_u的基础推荐概率； 并有：p₁＜p₂＜…＜p_u＜…＜p_v；p_u∈[0,1]；

假设有5个居民A、B、C、D、E住过{T₁,T₂,T₃,T₄}这些酒店，并对其按照五星等级进行 评价，历史评价数据如下表一所示：

表一

  T₁T₂T₃T₄A 4 3 5 3 B 3 4 4 4 C 2 3 5 4 D 4 5 3 3

E 3 3 2 4

其中五星表示推荐概率为1；四星表示推荐概率为0.8；三星表示推荐概率为0.6；二星 表示推荐概率为0.4；一星表示推荐概率为0.2；无星表示推荐概率为0。居民A、B、C、D、 E对这四家的基础推荐则可以转换成以下矩阵形式：

矩阵中的a_ij表示第i个对第j个产品的基础推荐概率；

步骤3.3、构建居民周围服务产品推荐识别框架θ＝{a,b}，a表示推荐，b表示不推荐； 利用式(3)获得所有N个居民中第j个居民对第i个服务产品的推荐概率p^(a)_ji，1≤j≤N：

${p^{\left(a\right)}}_{\mathrm{ji}}=\frac{{2k}_i\times p_{\mathrm{ji}}}{k_i+p_{\mathrm{ji}}}---\left(3\right)$

式(3)中，p_ji表示第j个居民对第i个服务产品的基础推荐概率； p_ji∈{p₁,p₂,...,p_u,...,p_v}，并有：

p^(a)_ji+p^(b)_ji＝1    (4)

式(4)中，p^(b)_ji表示第j个居民对第i个服务产品的不推荐概率；

式(3)的主要意义是为了将用户与服务之间的距离和历史用户对服务的评价融合起来形 成推荐概率，此外在融合之初考虑融合后公式的合理性，特将距离系数0-1标准化，保证融 合后的概率在[0,1]之间。将上述示例中的数据代入式(3)可得居民A、B、C、D、E对 {T₁,T₂,T₃,T₄}的推荐概率如表二和表三所示：

表二

表三

步骤3.4、利用式(5)获得第i个服务产品的最终推荐概率R_i：

$R_i=\frac{\underset{1\le j\le N}{\Pi }{p^{\left(a\right)}}_{\mathrm{ji}}}{\underset{1\le j\le N}{\Pi }{p^{\left(a\right)}}_{\mathrm{ji}}+\underset{1\le j\le N}{\Pi }{p^{\left(b\right)}}_{\mathrm{ji}}}---\left(5\right)$

步骤3.5、重复步骤3.1-步骤3.4，从而获得n个居民周围服务产品的最终推荐概率 {R₁,R₂,…,R_i…,R_n}并进行降序排序，从而获得推荐列表。

本实施例中，通过计算得到最终{T₁,T₂,T₃,T₄}的推荐概率分别为$R_{T_1}=0.87,R_{T_2}=0.97,$$R_{T_3}=0.46,R_{T_4}=0,R_{T_2}>R_{T_1}>R_{T_3}>R_{T_4},$故推荐列表应为{T₂,T₁,T₃,T₄}。