本發(fā)明屬于網(wǎng)絡(luò)方法領(lǐng)域，更具體地說，本發(fā)明涉及一種基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法。
背景技術(shù)：
移動通信網(wǎng)的發(fā)展，為用戶提供了一個更加豐富多彩的移動網(wǎng)絡(luò)服務(wù)平臺，實現(xiàn)了用戶對網(wǎng)絡(luò)信息資源隨時隨地的獲取與推送，使得為用戶提供無處不在的移動網(wǎng)絡(luò)服務(wù)成為可能。尤其是移動社會化網(wǎng)絡(luò)的興起，為用戶在網(wǎng)絡(luò)信息服務(wù)、共享、評論等方面提供了極大的幫助。與此同時，服務(wù)類型與服務(wù)內(nèi)容的日新月異，有限的移動網(wǎng)絡(luò)資源和硬件資源，為移動用戶帶來嚴重的移動信息過載問題。如何從浩瀚的移動網(wǎng)絡(luò)環(huán)境中發(fā)現(xiàn)用戶真正感興趣的信息資源，豐富并滿足移動用戶對信息的個性化需求，逐漸成為移動通信網(wǎng)絡(luò)中個性化服務(wù)領(lǐng)域亟待解決的技術(shù)難題。
技術(shù)實現(xiàn)要素：
本發(fā)明所要解決的問題是提供一種基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法。
為了實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案為：
一種基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法，包括如下步驟：
(1)建立移動用戶基于位置的偏好模型
以時間-位置為主線，在訓練數(shù)據(jù)中提取用戶隨時間-位置變動而導致的不同網(wǎng)絡(luò)服務(wù)集；
(2)基于位置的相似度計算
在基于位置的所有用戶全局偏好矩陣P中，首先利用公式計算出任意兩個移動用戶之間的基于位置的相似度，并將所有位置上的任意兩個移動用戶之間的平均相似度視為這兩個用戶之間的全局相似度，從而計算出整個訓練集上的所有用戶之間的全局相似度矩陣Sim；
(3)移動用戶之間直接信任值的計算
①刪除訓練集中對所有網(wǎng)絡(luò)服務(wù)評價記錄為空的用戶，抽取訓練集中對所有網(wǎng)絡(luò)服務(wù)信息評價記錄非空的所有用戶，作為組成整個通信信任網(wǎng)絡(luò)的用戶群U；
②根據(jù)用戶x對用戶y的信任值公式，計算與該用戶存在直接通信關(guān)系的信任值，并寫入直接信任矩陣Tr1中；
③對U中每一個用戶，執(zhí)行②，得到完整的直接信任矩陣Tr1；(4)相似矩陣與信任矩陣的融合
將信任關(guān)系信息引入到協(xié)同過濾推薦算法中，用用近鄰選擇方法中的Top-N方法進行融合；
(5)產(chǎn)生預測
通過預測公式得出預測用戶對任意網(wǎng)絡(luò)服務(wù)項目的興趣度。
優(yōu)選的，所述步驟(1)中建立移動用戶基于位置的偏好模型的步驟為：
①對于一個移動用戶ux，根據(jù)二元組公式，在某一地理位置Lx上提取該用戶使用的網(wǎng)絡(luò)服務(wù)集合Sx，得到該用戶在這個位置上使用的網(wǎng)絡(luò)服務(wù)特征PL1＝(Lx，Sx)；
②這個時間周期內(nèi)的其他不同位置上，執(zhí)行步驟Step①，提取用戶ux在這些位置上使用的網(wǎng)絡(luò)服務(wù)特征PL2.,,,,,PLM；
③在所有的時間周期內(nèi)，執(zhí)行步驟Step①和Step②，若在不同時間周期內(nèi)的相同位置上，用戶ux使用了相同的網(wǎng)絡(luò)服務(wù)項目，則計算該用戶對該項網(wǎng)絡(luò)服務(wù)的平均評價值為該用戶在所有時間周期內(nèi)對該網(wǎng)絡(luò)服務(wù)的整體評價；否則，將一個時間周期上使用的網(wǎng)絡(luò)服務(wù)評價作為該用戶在所有時間周期內(nèi)對該網(wǎng)絡(luò)服務(wù)的整體評價；
④對所有的移動用戶，重復執(zhí)行③，提取他們在整個訓練集上的全局偏好矩陣P。
優(yōu)選的，所述二元組公式為P＝(L,S)，S是一個關(guān)于移動用戶使用的網(wǎng)絡(luò)服務(wù)項目的多維向量，表示用戶在某一位置L上使用的網(wǎng)絡(luò)服務(wù)。
優(yōu)選的，所述步驟(3)中還包括移動用戶之間間接信任值的計算。
優(yōu)選的，所述移動用戶之間間接信任值的計算步驟為：
①從用戶的直接信任矩陣Tr1中查找出用戶ux的所有直接好友用戶集Frienfsx；
②計算用戶ux對其好友用戶集Frienfsx中的每一個用戶的信任值及用戶ux對其所有好友用戶的平均信任值；
③設(shè)用戶ux的任意一個好友uy∈Frienfsx，uz∈Frienfsy是用戶uy的一個直接信任好友，從直接信任矩陣Tr1中，計算出用戶uz的所有直接信任好友對其的平均信任值；
④根據(jù)公式計算出用戶ux對用戶uz的間接信任關(guān)系，并將其寫入間接信任矩陣UTr1稱為第1層間接信任矩陣；
⑤對于所有用戶集U中除ux外的其他用戶，依次執(zhí)行①、②和③，計算出所有用戶之間的第1層間接信任值，并寫入間接信任矩陣UTr1；
⑥對于第1層間接信任關(guān)系中的所有用戶，依次執(zhí)行①、②、③和④，計算出所有用戶之間的第2間接信任矩陣UTr2，同理可以計算出第3層、第4層的間接信任矩陣UTr3、UTr4；
⑦將上述步驟中計算得到的各個層次的間接信任矩陣UTr1，UTr2
，UTr3和UTr4依次寫入矩陣Tr2中，從而形成最終的信任矩陣Tr。
優(yōu)選的，所述平均信任值的公式為
有益效果：本發(fā)明提供了一種基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法，把它們應(yīng)用于基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦過程中，于位置的相似度引入到網(wǎng)絡(luò)服務(wù)推薦選擇的過程中，并與信任度相結(jié)合，構(gòu)成基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法。該方法有效提高了網(wǎng)絡(luò)服務(wù)的推薦的準確性和可靠性，同時緩解了推薦過程中可能存在的數(shù)據(jù)稀疏性以及冷啟動問題。
具體實施方式
一種基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法，包括如下步驟：
(1)建立移動用戶基于位置的偏好模型
以時間-位置為主線，在訓練數(shù)據(jù)中提取用戶隨時間-位置變動而導致的不同網(wǎng)絡(luò)服務(wù)集，所述建立移動用戶基于位置的偏好模型的步驟為：
①對于一個移動用戶ux，根據(jù)二元組公式，在某一地理位置Lx上提取該用戶使用的網(wǎng)絡(luò)服務(wù)集合Sx，得到該用戶在這個位置上使用的網(wǎng)絡(luò)服務(wù)特征PL1＝(Lx，Sx)，所述二元組公式為P＝(L,S)，S是一個關(guān)于移動用戶使用的網(wǎng)絡(luò)服務(wù)項目的多維向量，表示用戶在某一位置L上使用的網(wǎng)絡(luò)服務(wù)；
②這個時間周期內(nèi)的其他不同位置上，執(zhí)行步驟Step①，提取用戶ux在這些位置上使用的網(wǎng)絡(luò)服務(wù)特征PL2.,,,,,PLM；
③在所有的時間周期內(nèi)，執(zhí)行步驟Step①和Step②，若在不同時間周期內(nèi)的相同位置上，用戶ux使用了相同的網(wǎng)絡(luò)服務(wù)項目，則計算該用戶對該項網(wǎng)絡(luò)服務(wù)的平均評價值為該用戶在所有時間周期內(nèi)對該網(wǎng)絡(luò)服務(wù)的整體評價；否則，將一個時間周期上使用的網(wǎng)絡(luò)服務(wù)評價作為該用戶在所有時間周期內(nèi)對該網(wǎng)絡(luò)服務(wù)的整體評價；
④對所有的移動用戶，重復執(zhí)行③，提取他們在整個訓練集上的全局偏好矩陣P；
(2)基于位置的相似度計算
在基于位置的所有用戶全局偏好矩陣P中，首先利用公式計算出任意兩個移動用戶之間的基于位置的相似度，并將所有位置上的任意兩個移動用戶之間的平均相似度視為這兩個用戶之間的全局相似度，從而計算出整個訓練集上的所有用戶之間的全局相似度矩陣Sim；
(3)移動用戶之間信任值的計算
1)直接信任值的計算
①刪除訓練集中對所有網(wǎng)絡(luò)服務(wù)評價記錄為空的用戶，抽取訓練集中對所有網(wǎng)絡(luò)服務(wù)信息評價記錄非空的所有用戶，作為組成整個通信信任網(wǎng)絡(luò)的用戶群U；
②根據(jù)用戶x對用戶y的信任值公式，計算與該用戶存在直接通信關(guān)系的信任值，并寫入直接信任矩陣Tr1中；
③對U中每一個用戶，執(zhí)行②，得到完整的直接信任矩陣Tr1；
2)間接信任值的計算
①從用戶的直接信任矩陣Tr1中查找出用戶ux的所有直接好友用戶集Frienfsx；
②計算用戶ux對其好友用戶集Frienfsx中的每一個用戶的信任值及用戶ux對其所有好友用戶的平均信任值，所述平均信任值的公式為
③設(shè)用戶ux的任意一個好友uy∈Frienfsx，uz∈Frienfsy是用戶uy的一個直接信任好友，從直接信任矩陣Tr1中，計算出用戶uz的所有直接信任好友對其的平均信任值；
④根據(jù)公式計算出用戶ux對用戶uz的間接信任關(guān)系，并將其寫入間接信任矩陣UTr1稱為第1層間接信任矩陣；
⑤對于所有用戶集U中除ux外的其他用戶，依次執(zhí)行①、②和③，計算出所有用戶之間的第1層間接信任值，并寫入間接信任矩陣UTr1；
⑥對于第1層間接信任關(guān)系中的所有用戶，依次執(zhí)行①、②、③和④，計算出所有用戶之間的第2間接信任矩陣UTr2，同理可以計算出第3層、第4層的間接信任矩陣UTr3、UTr4；
⑦將上述步驟中計算得到的各個層次的間接信任矩陣UTr1，UTr2
，UTr3和UTr4依次寫入矩陣Tr2中，從而形成最終的信任矩陣Tr
(4)相似矩陣與信任矩陣的融合
將信任關(guān)系信息引入到協(xié)同過濾推薦算法中，用用近鄰選擇方法中的Top-N方法進行融合；
(5)產(chǎn)生預測
通過預測公式得出預測用戶對任意網(wǎng)絡(luò)服務(wù)項目的興趣度。
本發(fā)明提供了一種基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法，把它們應(yīng)用于基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦過程中，于位置的相似度引入到網(wǎng)絡(luò)服務(wù)推薦選擇的過程中，并與信任度相結(jié)合，構(gòu)成基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法。該方法有效提高了網(wǎng)絡(luò)服務(wù)的推薦的準確性和可靠性，同時緩解了推薦過程中可能存在的數(shù)據(jù)稀疏性以及冷啟動問題。
以上所述僅為本發(fā)明的實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。