)利用群組的id調(diào)用活動(dòng)接口抽取活動(dòng)信息；
[0089] 步驟2. 3)抽取相應(yīng)群組內(nèi)的活動(dòng)信息；
[0090] 步驟2. 4)在mysql中根據(jù)抽取的活動(dòng)數(shù)據(jù)格式建立表events，將其存入數(shù)據(jù)庫 events 表中。
[0091] 步驟3)如圖3所示，根據(jù)群組的id信息抽取成員數(shù)據(jù)信息：
[0092] 步驟3. 1)獲取群組的group_id信息；
[0093] 步驟3. 2)利用群組的group_id調(diào)用成員接口抽取成員數(shù)據(jù)信息。
[0094] 步驟3. 3)在數(shù)據(jù)庫中將成員數(shù)據(jù)集信息存入members表；
[0095] 步驟4)抽取某一成員用戶參與的所有活動(dòng)信息，參見附圖4 :
[0096] 步驟4. 1)獲取群組的urlname和該群組內(nèi)活動(dòng)的id信息；
[0097] 步驟4. 2)根據(jù)urlname和id抽取參與該活動(dòng)的所有成員member_id信息。
[0098] 步驟4. 3)存儲(chǔ)抽取的活動(dòng)-成員數(shù)據(jù)集信息，放入event-members表；
[0099] 步驟4. 4)結(jié)合協(xié)同過濾的算法的思想，得到用戶參與的所有活動(dòng)信息；
[0100] 步驟4. 5)存儲(chǔ)成員用戶參與的所有活動(dòng)數(shù)據(jù)集信息，存入member-events表； [0101] 步驟5)如圖5所示，預(yù)處理活動(dòng)數(shù)據(jù)集信息的過程為：
[0102] 步驟5. 1)從members表獲取成員數(shù)據(jù)信息，初始化所有用戶感興趣的活動(dòng)向量 V；
[0103] 步驟5. 2)獲取第一條成員數(shù)據(jù)信息；
[0104] 步驟5. 3)得到該成員用戶的topics信息，并初始化該用戶的感興趣的活動(dòng)向量 V ；
[0105] 步驟5. 4)從events表中獲取status = upcoming的活動(dòng)數(shù)據(jù)集信息；
[0106] 步驟5. 5)初始化活動(dòng)數(shù)據(jù)集中所有活動(dòng)興趣標(biāo)志為0 ;
[0107] 步驟5. 6)獲取第一條活動(dòng)數(shù)據(jù)信息；
[0108] 步驟5. 7)判斷該活動(dòng)中description是否包含該成員用戶的topics集中的某一 個(gè)topic，如果包含，轉(zhuǎn)步驟5. 8)，否則，轉(zhuǎn)步驟5. 9);
[0109] 步驟5. 8)計(jì)算包含該用戶topics的個(gè)數(shù)count，并更新該活動(dòng)數(shù)據(jù)的興趣標(biāo)志為 count ；
[0110] 步驟5. 9)獲取下一條活動(dòng)數(shù)據(jù)信息；
[0111] 步驟5. 10)判斷該活動(dòng)數(shù)據(jù)信息是否達(dá)到活動(dòng)數(shù)據(jù)集的末端，如果到達(dá)，轉(zhuǎn)步驟 5. 11)，否則，轉(zhuǎn)步驟5. 7);
[0112] 步驟5. 11)將活動(dòng)興趣標(biāo)志不為0的所有活動(dòng)數(shù)據(jù)加入到該用戶活動(dòng)向量中；
[0113] 步驟5. 12)更新該用戶的感興趣的活動(dòng)向量V ;
[0114] 步驟5. 13)獲取下一條成員數(shù)據(jù)信息；
[0115] 步驟5. 14)判斷該用戶數(shù)據(jù)信息是否到達(dá)用戶數(shù)據(jù)集的末端，如果達(dá)到，轉(zhuǎn)步驟 5. 15)，否則，轉(zhuǎn)步驟5. 3);
[0116] 步驟5. 15)更新所有用戶的感興趣的活動(dòng)向量集V ;
[0117] 步驟6)向量分解得到用戶感興趣的活動(dòng)：
[0118] 步驟6. 1)從members表中獲取成員的所有數(shù)據(jù)集信息；
[0119] 步驟6. 2)獲取第一條成員用戶數(shù)據(jù)信息；
[0120] 步驟6. 3)初始化該用戶的所有topic信息的匹配次數(shù)為0 ;
[0121] 步驟6. 4)根據(jù)用戶的id查詢member-events表，得到該成員用戶參與的所有活 動(dòng)id數(shù)據(jù)集；
[0122] 步驟6. 5)獲取第一條活動(dòng)的id信息；
[0123] 步驟6. 6)根據(jù)活動(dòng)的id查詢?cè)摶顒?dòng)的description信息，并與用戶中所有的 topic進(jìn)行匹配，若包含，則將相應(yīng)的topic信息匹配次數(shù)加 1 ;否則，轉(zhuǎn)步驟6. 7);
[0124] 步驟6. 7)獲取下一條活動(dòng)的id信息，判斷該活動(dòng)數(shù)據(jù)信息是否到達(dá)活動(dòng)數(shù)據(jù)集 的末端，如果到達(dá)，轉(zhuǎn)步驟6. 8)，否則，轉(zhuǎn)步驟6. 6);
[0125] 步驟6. 8)更新該用戶的所有topic信息匹配次數(shù)，并將其存入用戶向量u中；
[0126] 步驟6. 9)獲取下一條成員用戶數(shù)據(jù)信息；
[0127] 步驟6. 10)判斷該用戶數(shù)據(jù)信息是否到達(dá)用戶數(shù)據(jù)集的末端，如果到達(dá)，轉(zhuǎn)步驟 6. 11)，否則轉(zhuǎn)步驟6. 3);
[0128] 步驟6. 11)更新所有用戶向量U ;
[0129] 步驟6. 12)根據(jù)向量分解模型，利用用戶向量U和活動(dòng)向量V，計(jì)算用戶對(duì)活動(dòng)的 興趣度UV ;
[0130] 步驟7)考慮成員用戶的社會(huì)化關(guān)系，計(jì)算用戶間的相似度（如圖6所示）：
[0131] 步驟7. 1)從members表中獲取所有成員數(shù)據(jù)信息；
[0132] 步驟7. 2)獲取第一條成員i數(shù)據(jù)信息；
[0133] 步驟7. 3)計(jì)算該用戶參與的群組數(shù)；
[0134] 步驟7. 4)利用member-events表，計(jì)算出該用戶參與的所有活動(dòng)數(shù)；
[0135] 步驟7. 5)計(jì)算出該用戶平均每個(gè)群組參與的活動(dòng)數(shù)Ei ;
[0136] 步驟7. 6)利用event-members表，查出與該用戶共同參與某一活動(dòng)的用戶集；
[0137] 步驟7. 7)將用戶集存儲(chǔ)到users表中；
[0138] 步驟7. 8)從users表中獲取第一條用戶j數(shù)據(jù)信息；
[0139] 步驟7. 9)計(jì)算該用戶參與的群組數(shù)；
[0140] 步驟7. 10)利用member-events表，計(jì)算出該用戶參與的所有活動(dòng)數(shù)；
[0141] 步驟7. 11)計(jì)算出該用戶平均每個(gè)群組參與的活動(dòng)數(shù)寫；
[0142] 步驟7. 12)根據(jù)members表，抽出用戶i和用戶j共同參與的群組集；
[0143] 步驟7. 13)獲取一個(gè)群組g，
[0144] 步驟7. 14)計(jì)算用戶i在群組g中參與的活動(dòng)數(shù)Ei (g);
[0145] 步驟7. 15)計(jì)算用戶j在群組g中參與的活動(dòng)數(shù)Ej (g);
[0146] 步驟7. 16)計(jì)算出
【主權(quán)項(xiàng)】
1. 一種基于用戶興趣度和地理位置的活動(dòng)推薦方法，其特征在于，包括如下步驟： 將用戶所屬群組進(jìn)行分類，抽取群組里的群組信息數(shù)據(jù)、成員數(shù)據(jù)，以及該群組里的活 動(dòng)信息數(shù)據(jù)，并將其存儲(chǔ)在數(shù)據(jù)庫中，對(duì)這些數(shù)據(jù)進(jìn)行語料模式匹配預(yù)處理操作； 針對(duì)上述數(shù)據(jù)，利用矩陣分解模型初步得到用戶對(duì)于活動(dòng)的興趣度，篩選出用戶感興 趣的活動(dòng)數(shù)據(jù)集； 根據(jù)用戶的社會(huì)化關(guān)系和用戶的活躍度，利用用戶間的相似相關(guān)性，得到用戶對(duì)于活 動(dòng)的興趣度，進(jìn)一步篩選出用戶感興趣的活動(dòng)數(shù)據(jù)集； 對(duì)活動(dòng)發(fā)生的地理位置進(jìn)行區(qū)域劃分，根據(jù)用戶在該區(qū)域內(nèi)的活躍度，使用優(yōu)化方法， 確定用戶最終感興趣且參與的活動(dòng)數(shù)據(jù)集。
2. 根據(jù)權(quán)利要求1所述的方法，其特征是，對(duì)活動(dòng)數(shù)據(jù)集進(jìn)行預(yù)處理的過程具體為： 步驟1. 1)獲取成員數(shù)據(jù)集信息； 步驟1. 2)初始化所有用戶感興趣的活動(dòng)向量，設(shè)為V ; 步驟1. 3)獲取第一條成員數(shù)據(jù)信息； 步驟1. 4)得到該成員用戶的標(biāo)簽信息； 步驟1. 5)初始化該用戶的感興趣的活動(dòng)向量V ; 步驟1. 6)獲取活動(dòng)數(shù)據(jù)集信息； 步驟1. 7)初始化所有活動(dòng)興趣標(biāo)志為O ; 步驟1. 8)獲取第一條活動(dòng)數(shù)據(jù)信息； 步驟1. 9)將該活動(dòng)標(biāo)簽與用戶的興趣標(biāo)簽進(jìn)行匹配，如果匹配，轉(zhuǎn)步驟1. 10)，否則， 轉(zhuǎn)步驟1. 11); 步驟1. 10)計(jì)算匹配次數(shù)，并更新為該活動(dòng)的興趣標(biāo)志； 步驟1. 11)獲取下一條活動(dòng)數(shù)據(jù)信息； 步驟1. 12)判斷是否到達(dá)活動(dòng)數(shù)據(jù)集末端，若到達(dá)，轉(zhuǎn)步驟1. 13)，否則，轉(zhuǎn)步驟1.9); 步驟1. 13)刪除活動(dòng)興趣標(biāo)志為0的活動(dòng)數(shù)據(jù)； 步驟1. 14)更新該用戶的感興趣的活動(dòng)向量V ; 步驟1. 15)獲取下一條成員數(shù)據(jù)信息； 步驟1. 16)判斷該用戶數(shù)據(jù)信息是否到達(dá)數(shù)據(jù)集末端，若到達(dá)，轉(zhuǎn)步驟1. 17)，否則，轉(zhuǎn) 步驟1. 4); 步驟1. 17)更新所有用戶感興趣的活動(dòng)向量集V。
3. 根據(jù)權(quán)利要求2所述的方法，其特征是，利用矩陣分解模型初步得到用戶對(duì)于活動(dòng) 的興趣度的過程具體為： 步驟2. 1)獲取成員的所有數(shù)據(jù)集信息； 步驟2. 2)獲取成員-活動(dòng)數(shù)據(jù)集信息； 步驟2. 3)根據(jù)這些數(shù)據(jù)集得到成員的各個(gè)標(biāo)簽的權(quán)值比重； 步驟2. 4)將其存入用戶向量U中； 步驟2. 5)利用向量分解模型，計(jì)算用戶對(duì)活動(dòng)的興趣度。
4. 根據(jù)權(quán)利要求3所述的方法，其特征是，根據(jù)成員用戶的社會(huì)化關(guān)系，計(jì)算用戶間的 相似度的過程為： 步驟3. 1)獲取所有成員數(shù)據(jù)信息； 步驟3. 2)獲取成員i的第一條數(shù)據(jù)信息； 步驟3. 3)計(jì)算該成員參與的群組數(shù)； 步驟3. 4)計(jì)算出該成員參與的所有活動(dòng)數(shù)； 步驟3. 5)計(jì)算出該成員平均每個(gè)群組參與的活動(dòng)數(shù)； 步驟3. 6)獲取該成員共同參與某一活動(dòng)的用戶集； 步驟3. 7)從用戶集中獲取用戶j的第一條數(shù)據(jù)信息； 步驟3. 8)計(jì)算該用戶參與的群組數(shù)； 步驟3. 9)計(jì)算出該用戶參與的所有活動(dòng)數(shù)； 步驟3. 10)計(jì)算出該用戶平均每個(gè)群組參與的活動(dòng)數(shù)； 步驟3. 11)獲取用戶i和用戶j共同參與的群組集； 步驟3. 12)分別計(jì)算用戶i和用戶j在相同群組中的活躍度； 步驟3. 13)利用皮爾森相關(guān)系數(shù)，計(jì)算用戶i和用戶j之間的相似性； 步驟3. 14)從用戶集中獲取用戶j的下一條數(shù)據(jù)信息； 步驟3. 15)判斷該用戶數(shù)據(jù)信息是否到達(dá)用戶數(shù)據(jù)集末端，若是，轉(zhuǎn)步驟3. 16)，否則， 轉(zhuǎn)步驟3. 8); 步驟3. 16)得到兩用戶之間前k個(gè)最大的相似度，存入表中； 步驟3. 17)獲取成員i的下一條數(shù)據(jù)信息； 步驟3. 18)判斷是否到達(dá)用戶數(shù)據(jù)集末端，若是，轉(zhuǎn)步驟3. 19)，否則，轉(zhuǎn)步驟3. 3); 步驟3. 19)更新Top表。
5. 根據(jù)權(quán)利要求2或3或4所述的方法，其特征是，利用相似相關(guān)性，計(jì)算用戶對(duì)活動(dòng) 的興趣度的過程為： 步驟4. 1)獲取用戶的感興趣的活動(dòng)向量集V ; 步驟4. 2)利用相似相關(guān)性，計(jì)算用戶對(duì)活動(dòng)的興趣度； 步驟4. 3)更新用戶感興趣的活動(dòng)向量集V。
6. 根據(jù)權(quán)利要求4所述的方法，其特征是，基于地理位置的活動(dòng)數(shù)據(jù)集優(yōu)化的過程為： 步驟5. 1)獲取活動(dòng)向量集V ; 步驟5. 2)根據(jù)活動(dòng)的地理位置將其劃分區(qū)域； 步驟5. 3)獲取所有成員數(shù)據(jù)集信息； 步驟5. 4)計(jì)算用戶在某一區(qū)域的活躍度； 步驟5. 5)計(jì)算活動(dòng)屬于某一區(qū)域的概率； 步驟5. 6)計(jì)算用戶對(duì)活動(dòng)的興趣度； 步驟5. 7)更新用戶感興趣的活動(dòng)向量集V ; 步驟5. 8)完成用戶感興趣的活動(dòng)推薦。
【專利摘要】本發(fā)明公開了一種基于用戶興趣度和地理位置的活動(dòng)推薦方法，首先在Meetup API開放平臺(tái)獲取相應(yīng)的權(quán)限，通過群組接口、活動(dòng)接口和成員接口抽取相應(yīng)的群組數(shù)據(jù)信息、活動(dòng)數(shù)據(jù)信息以及成員數(shù)據(jù)信息；其次，根據(jù)抽取的數(shù)據(jù)集信息，利用向量分解模型初步篩選出用戶感興趣的活動(dòng)數(shù)據(jù)集；然后，結(jié)合用戶的社會(huì)化關(guān)系，使用皮爾森相關(guān)系數(shù)，進(jìn)一步篩選出用戶感興趣的活動(dòng)數(shù)據(jù)集；接著，考慮到活動(dòng)發(fā)生的地理位置對(duì)用戶是否參與一個(gè)活動(dòng)的影響，對(duì)活動(dòng)發(fā)生的地理位置劃分區(qū)域，使用優(yōu)化方法，確定用戶最終感興趣且參與的活動(dòng)數(shù)據(jù)集；最后，成地將活動(dòng)信息推薦給相關(guān)的用戶。本發(fā)明方法能夠?qū)崿F(xiàn)從海量的活動(dòng)數(shù)據(jù)中高效地向用戶推薦合適的活動(dòng)。
【IPC分類】G06F17-30
【公開號(hào)】CN104834695
【申請(qǐng)?zhí)枴緾N201510201422
【發(fā)明人】張衛(wèi)豐, 高秋云
【申請(qǐng)人】南京郵電大學(xué)
【公開日】2015年8月12日
【申請(qǐng)日】2015年4月24日