本發(fā)明屬于社交網(wǎng)站好友推薦技術(shù)領(lǐng)域，具體涉及一種基于線上線下雙重社交關(guān)系的活動推薦系統(tǒng)及方法。

背景技術(shù)：

隨著互聯(lián)網(wǎng)和移動定位設(shè)備發(fā)展，出現(xiàn)了一種新型社交網(wǎng)絡(luò)應(yīng)用——基于事件社交網(wǎng)EBSN(Event based on Social Networks)；借助該應(yīng)用平臺，用戶可以創(chuàng)建、發(fā)布和組織社交事件，比如組織學(xué)術(shù)會議、舉行正式聚會、募集抗災(zāi)基金、以及分發(fā)商品優(yōu)惠券等。由于EBSN不僅包含傳統(tǒng)社交網(wǎng)的線上交互(online interactions)操作，而且還包含頗具價(jià)值的線下交互(offline interactions)操作，因此使得虛擬與物理雙重的社交交互變得易于融合。目前，EBSN的典型代表有：Meetup、Google+Events、Groupon和豆瓣等。下面以Meetup應(yīng)用為例，說明通過活動所能體現(xiàn)出的EBSN特點(diǎn)；

Meetup中的活動主要包含以下若干屬性。

●時(shí)間(time)：事件的開始時(shí)間和結(jié)束時(shí)間，時(shí)間一般由活動的組織者(organizer)決定。

●位置(venue)：事件的舉辦地點(diǎn)，通常和事件屬性、事件時(shí)間等因素相關(guān)。

●已報(bào)名參加人數(shù)(went)：包括已經(jīng)報(bào)名參加事件的人以及參加人數(shù)。

●事件名稱(name)：活動的名稱，通常是活動的主題描述。

●事件組名稱(group)：發(fā)起該事件的組織。

●描述(description)：事件的具體描述。

從上述活動特點(diǎn)可以看出，Meetup用戶之間存在著線上同組關(guān)系和線下同活動關(guān)系，而這種雙重社交關(guān)系主要由以下兩個(gè)屬性來體現(xiàn)。

●組：在Meetup中有不同主題的組，組由組內(nèi)用戶構(gòu)成。組有自己的主題、組織者等，用戶和組是多對一的關(guān)系。對于參加了同一個(gè)組的用戶而言，他們具有線上同組關(guān)系。

●活動：活動與用戶是多對多關(guān)系，即同一活動可以有不同用戶參加，同一用戶也可以參加不同活動。當(dāng)不同用戶參加同一活動時(shí)，那么他們就具有線下同活動關(guān)系。

在傳統(tǒng)社交活動推薦算法中，比如基于用戶偏好或線上好友關(guān)系的活動推薦算法，除了考慮活動和用戶基本屬性(如活動主題、活動時(shí)間、活動地點(diǎn)、用戶偏好、活動代價(jià)等)外，大都基于好友關(guān)系進(jìn)行活動推薦。但前已述及，在EBSN中，有些應(yīng)用的用戶之間不存在明確好友關(guān)系，比如典型的Meetup應(yīng)用，因此基于用戶偏好或者好友關(guān)系的傳統(tǒng)活動推薦算法就不能直接用于EBSN活動推薦。但幸運(yùn)地是，EBSN具有線上同組、線下同活動雙重社交關(guān)系，而該雙重社交關(guān)系又在某種程度上間接體現(xiàn)了一種潛在的社交好友關(guān)系，如果該關(guān)系能得以充分利用，就可以有效解決EBSN因缺乏好友關(guān)系所導(dǎo)致的活動推薦可用關(guān)鍵因素不足問題。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于線上線下雙重社交關(guān)系的活動推薦系統(tǒng)及方法，將線上同組、線下同活動綜合納入活動推薦的評分確定中，并得到了最優(yōu)推薦參數(shù)，從而提高了目標(biāo)社交網(wǎng)站活動推薦的準(zhǔn)確度，本發(fā)明創(chuàng)新性地提出了潛在好友關(guān)系概念，并在發(fā)現(xiàn)用戶好友基礎(chǔ)上，輔以用戶歷史活動等屬性來對綜合計(jì)算和評價(jià)活動分值，從而選出更合適的活動推薦給目標(biāo)用戶，旨在提高EBSN活動推薦準(zhǔn)確率。

一種基于線上線下雙重社交關(guān)系的活動推薦系統(tǒng)，該系統(tǒng)包括：數(shù)據(jù)采集清洗模塊、活動統(tǒng)計(jì)分析模塊、活動相似度獲取模塊、雙重社交關(guān)系影響因子獲取模塊、用戶潛在好友發(fā)現(xiàn)模塊和用戶感興趣活動推薦模塊，其中，

數(shù)據(jù)采集清洗模塊：用于采用數(shù)據(jù)采集清洗模塊獲取目標(biāo)社交網(wǎng)站的活動數(shù)據(jù)集，并將活動數(shù)據(jù)集進(jìn)行數(shù)據(jù)清洗操作后存儲；所述的活動數(shù)據(jù)集，包括：事件活動名稱、事件活動開始時(shí)間、事件活動結(jié)束時(shí)間、事件活動舉辦地點(diǎn)、事件活動組名稱、事件活動報(bào)名人數(shù)和事件活動描述；

活動統(tǒng)計(jì)分析模塊：用于根據(jù)數(shù)據(jù)采集清洗模塊中存儲的數(shù)據(jù)，對目標(biāo)城市的用戶及其所參加的活動進(jìn)行數(shù)據(jù)分類匯總，并進(jìn)行可視化結(jié)果展示；

活動相似度獲取模塊：用于確定目標(biāo)用戶與社交網(wǎng)站線上任意一項(xiàng)活動的相似情況，具體包括：將目標(biāo)用戶的地理經(jīng)度和緯度轉(zhuǎn)換成平面距離，根據(jù)平面距離計(jì)算目標(biāo)用戶所在地與社交網(wǎng)站舉辦活動所在地點(diǎn)間物理位置的相似度；獲取目標(biāo)用戶標(biāo)簽與社交網(wǎng)站活動庫中每項(xiàng)活動標(biāo)簽的相似度；獲取目標(biāo)用戶已參加的組與社交網(wǎng)站舉辦活動所屬組之間的相似度；

雙重社交關(guān)系影響因子獲取模塊：用于結(jié)合線下活動確定目標(biāo)用戶與其他任意一個(gè)用戶間的雙重社交關(guān)系影響因子值，具體包括：獲取目標(biāo)用戶與其他任意一個(gè)用戶間的標(biāo)簽相似度、獲取目標(biāo)用戶與其他任意一個(gè)用戶間的活動所在組的相似度、獲取目標(biāo)用戶與其他任意一個(gè)用戶間的歷史線下活動相似度，通過設(shè)定權(quán)重值的方式，根據(jù)用戶對間的標(biāo)簽相似度、活動所在組的相似度和歷史線下活動相似度，確定該對用戶間雙重社交關(guān)系影響因子值；

用戶潛在好友發(fā)現(xiàn)模塊：用于根據(jù)用戶間雙重社交關(guān)系影響因子值獲取目標(biāo)用戶的潛在好友集合；

用戶感興趣活動推薦模塊：用于結(jié)合潛在好友集合中好友社交影響得分和目標(biāo)用戶與社交網(wǎng)站線上任意一項(xiàng)活動的相似情況，向目標(biāo)用戶推薦令其感興趣的活動，具體包括；獲取當(dāng)社交網(wǎng)站舉辦活動時(shí)，潛在好友集合中任一好友對目標(biāo)用戶的雙重社交影響得分，進(jìn)而獲取目標(biāo)用戶的全部潛在好友對其的社交影響得分；通過設(shè)定權(quán)重值的方式，結(jié)合獲取的目標(biāo)用戶與社交網(wǎng)站線上任意一項(xiàng)活動的相似情況，確定目標(biāo)用戶潛在好友向目標(biāo)用戶推薦感興趣活動的綜合影響分值；按從大到小順序?qū)C合影響分值進(jìn)行排序；取前所需個(gè)數(shù)結(jié)果作為令目標(biāo)用戶感興趣的活動向其推薦。

采用基于線上線下雙重社交關(guān)系的活動推薦系統(tǒng)進(jìn)行的推薦方法，包括以下步驟：

步驟1、在樣本采集時(shí)間范圍和地點(diǎn)范圍內(nèi)，采用數(shù)據(jù)采集清洗模塊獲取目標(biāo)社交網(wǎng)站的活動數(shù)據(jù)集，并將活動數(shù)據(jù)集進(jìn)行數(shù)據(jù)清洗操作后存儲；

所述的活動數(shù)據(jù)集，包括：事件活動名稱、事件活動開始時(shí)間、事件活動結(jié)束時(shí)間、事件活動舉辦地點(diǎn)、事件活動組名稱、事件活動報(bào)名人數(shù)和事件活動描述；

步驟2、采用活動統(tǒng)計(jì)分析模塊，對目標(biāo)城市的用戶及其所參加的活動進(jìn)行數(shù)據(jù)分類匯總，并進(jìn)行可視化結(jié)果展示；

步驟3、采用活動相似度獲取模塊，確定目標(biāo)用戶與社交網(wǎng)站線上任意一項(xiàng)活動的相似情況；具體步驟如下：

步驟3-1、將目標(biāo)用戶的地理經(jīng)度和緯度轉(zhuǎn)換成平面距離，根據(jù)平面距離計(jì)算目標(biāo)用戶所在地與社交網(wǎng)站舉辦活動所在地間物理位置的相似度；

步驟3-2、獲取目標(biāo)用戶標(biāo)簽與社交網(wǎng)站活動庫中每項(xiàng)活動標(biāo)簽的相似度；

步驟3-3、獲取目標(biāo)用戶已參加的組與社交網(wǎng)站舉辦活動所屬組之間的相似度；

步驟4、采用雙重社交關(guān)系影響因子獲取模塊，結(jié)合線下活動確定目標(biāo)用戶與其他任意一個(gè)用戶間的雙重社交關(guān)系影響因子值，具體步驟如下：

步驟4-1、獲取目標(biāo)用戶與其他任意一個(gè)用戶間的標(biāo)簽相似度；

步驟4-2、獲取目標(biāo)用戶與其他任意一個(gè)用戶間的活動所在組的相似度；

步驟4-3、獲取目標(biāo)用戶與其他任意一個(gè)用戶間的歷史線下活動相似度；

步驟4-4、通過設(shè)定權(quán)重值的方式，根據(jù)用戶對間的標(biāo)簽相似度、活動所在組的相似度和歷史線下活動相似度，確定該對用戶間雙重社交關(guān)系影響因子值；

步驟5、采用用戶潛在好友發(fā)現(xiàn)模塊，根據(jù)用戶間雙重社交關(guān)系影響因子值獲取目標(biāo)用戶的潛在好友集合；

步驟6、采用用戶感興趣活動推薦模塊，結(jié)合潛在好友集合中好友社交影響得分和目標(biāo)用戶與社交網(wǎng)站線上任意一項(xiàng)活動的相似情況，向目標(biāo)用戶推薦令其感興趣的活動，具體步驟如下；

步驟6-1、獲取當(dāng)社交網(wǎng)站舉辦活動時(shí)，潛在好友集合中任一好友對目標(biāo)用戶的雙重社交影響得分；

步驟6-2、反復(fù)執(zhí)行步驟6-1，獲取目標(biāo)用戶的全部潛在好友對其的社交影響得分；

步驟6-3、通過設(shè)定權(quán)重值的方式，結(jié)合步驟3中獲取的目標(biāo)用戶與社交網(wǎng)站線上任意一項(xiàng)活動的相似情況，確定目標(biāo)用戶潛在好友向目標(biāo)用戶推薦感興趣活動的綜合影響分值；

步驟6-5、按從大到小順序?qū)C合影響分值進(jìn)行排序；

步驟6-6、取前所需個(gè)數(shù)結(jié)果作為令目標(biāo)用戶感興趣的活動向其推薦。

步驟4-2所述的獲取目標(biāo)用戶與其他任意一個(gè)用戶間的活動所在組的相似度，具體公式如下：

S_g(u_i，u_j)＝(G(u_i)∩G(u_j))/(G(u_i)∪G(u_j)) (1)

其中，(G(u_i)∩G(u_j))表示一對用戶u_i和u_j間活動所在組集合的交集，即相同活動組集合；(G(u_i)∪G(u_j))表示u_i和u_j間活動所在組集合的并集，即二者間所有的活動組集合；S_g(u_i，u_j)表示用戶u_i和用戶u_j間的活動組相似度。

步驟4-3所述的獲取目標(biāo)用戶與其他任意一個(gè)用戶間的歷史線下活動相似度，具體公式如下：

S_h(u_i，u_j)＝(H(u_i)∩H(u_j))/(H(u_i)∪H(u_j)) (2)

其中，(H(u_i)∩H(u_j))表示一對用戶u_i和u_j間歷史活動集合的交集，即相同歷史活動集合；(H(u_i)∪H(u_j))表示u_i和u_j間歷史活動集合的并集，即二者間所有的歷史活動集合；S_h(u_i，u_j)表示用戶u_i和用戶u_j間的歷史活動相似度。

步驟5所述的采用用戶潛在好友發(fā)現(xiàn)模塊，根據(jù)用戶間雙重社交關(guān)系影響因子值獲取目標(biāo)用戶的潛在好友集合，具體步驟如下；

步驟5-1、按從大到小順序?qū)τ脩魧﹂g雙重社交關(guān)系影響因子值進(jìn)行排序；

步驟5-2、取前所需個(gè)數(shù)結(jié)果作為目標(biāo)用戶的潛在好友集合。

步驟6-1所述的獲取當(dāng)社交網(wǎng)站舉辦活動時(shí)，潛在好友集合中任一好友對目標(biāo)用戶的雙重社交影響得分；

具體公式如下：

其中，表示潛在好友集合中任一好友對目標(biāo)用戶u_i的雙重社交影響得分，a_z表示社交網(wǎng)站舉辦的活動，表示好友已參加的活動。

步驟6-2所述的獲取目標(biāo)用戶的全部潛在好友對其的社交影響得分；

具體公式如下：

其中，S_s(u_i，(LF(u_i)，a_z))表示目標(biāo)用戶的全部潛在好友對其的社交影響得分，LF(u_i)表示目標(biāo)用戶u_i的潛在好友集合，a_z表示社交網(wǎng)站舉辦的活動，表示好友已參加的活動。

步驟6-3所述的通過設(shè)定權(quán)重值的方式，結(jié)合步驟3中獲取的目標(biāo)用戶與社交網(wǎng)站線上任意一項(xiàng)活動的相似情況，確定目標(biāo)用戶潛在好友向目標(biāo)用戶推薦感興趣活動的綜合影響分值；

具體公式如下：

S(u_i，a_z)＝m·S_d(u_i，a_z)+q·S_t(u_i，a_z)+n·S_g(u_i，a_z)+p·S_s(u_i，(LF(u_i)，a_z)) (5)

其中，S(u_i，a_z)表示目標(biāo)用戶潛在好友向目標(biāo)用戶推薦感興趣活動的綜合影響分值，m、n、p和q分別為權(quán)重調(diào)整系數(shù)，S_d(u_i，a_z)表示用戶u_i所在地和活動a_z舉辦地的距離相似度，S_t(u_i，a_z)表示目標(biāo)用戶u_i和活動a_z的標(biāo)簽相似度，S_g(u_i，a_z)表示目標(biāo)用戶u_i所在組和活動a_z所在組相似度，S_s(u_i，(LF(u_i)，a_z))表示目標(biāo)用戶的全部潛在好友對其的社交影響得分，a_z表示社交網(wǎng)站舉辦的活動。

本發(fā)明優(yōu)點(diǎn)：

在社交網(wǎng)活動推薦系統(tǒng)中，用戶好友的偏好對向目標(biāo)用戶推薦令其感興趣的活動有非常重要的借鑒作用，但EBSN中卻不存在明確的好友關(guān)系，因此傳統(tǒng)的活動推薦算法對EBSN典型應(yīng)用之一的Meetup應(yīng)用來說就不再適用了。為此，本發(fā)明提出一種基于online-offline雙重社交關(guān)系的活動推薦系統(tǒng)及方法，旨在將虛擬社交關(guān)系與物理社交活動相融合，從而提高推薦服務(wù)質(zhì)量，同時(shí)也在一定程度上彌補(bǔ)了EBSN活動推薦中好友關(guān)系不足的缺陷。具體而言，優(yōu)點(diǎn)如下：

首先，針對EBSN好友關(guān)系不夠明確的問題，本發(fā)明利用線上同組、線下同活動雙重社交關(guān)系，實(shí)現(xiàn)了目標(biāo)用戶潛在好友發(fā)現(xiàn)策略，提供了將傳統(tǒng)活動推薦算法移植到EBSN推薦系統(tǒng)的可用性實(shí)施手段；

其次，基于本發(fā)明發(fā)現(xiàn)的目標(biāo)用戶其潛在好友的活動偏好等，可以比較準(zhǔn)確地向目標(biāo)用戶推薦令其感興趣的活動，提高了EBSN推薦系統(tǒng)的服務(wù)質(zhì)量；

此外，本發(fā)明還提供用戶社交活動統(tǒng)計(jì)分析功能，可根據(jù)用戶選擇的區(qū)域，以可視化友好界面形式展現(xiàn)該地區(qū)社交活動統(tǒng)計(jì)分析結(jié)果，為其他應(yīng)用提供有參考價(jià)值的信息支撐。

附圖說明

圖1為本發(fā)明一種實(shí)施例的基于線上線下雙重社交關(guān)系的活動推薦系統(tǒng)結(jié)構(gòu)圖；

圖2為本發(fā)明一種實(shí)施例的基于線上線下雙重社交關(guān)系的活動推薦方法流程圖；

圖3本發(fā)明一種實(shí)施例的針對美國舊金山地區(qū)的活動分布圖；

圖4本發(fā)明一種實(shí)施例的Meetup應(yīng)用中參加活動人數(shù)統(tǒng)計(jì)分析圖；

圖5本發(fā)明一種實(shí)施例的不同參數(shù)下推薦活動準(zhǔn)確率測試圖，其中，圖(a)為參數(shù)m取不同值的測試結(jié)果示意圖，圖(b)參數(shù)n取不同值的測試結(jié)果示意圖，圖(c)為參數(shù)p取不同值的測試結(jié)果示意圖，圖(d)為參數(shù)q取不同值的測試結(jié)果示意圖；

圖6本發(fā)明一種實(shí)施例的不同參數(shù)下推薦活動召回率測試圖，其中，圖(a)為參數(shù)m取不同值的測試結(jié)果示意圖，圖(b)參數(shù)n取不同值的測試結(jié)果示意圖，圖(c)為參數(shù)p取不同值的測試結(jié)果示意圖，圖(d)為參數(shù)q取不同值的測試結(jié)果示意圖；

圖7本發(fā)明一種實(shí)施例的單個(gè)因素對活動推薦影響的測試圖；

圖8本發(fā)明一種實(shí)施例在最優(yōu)參數(shù)下的活動推薦準(zhǔn)確率測試圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明一種實(shí)施例做進(jìn)一步說明。

本發(fā)明實(shí)施例中，如圖1所示，基于線上線下雙重社交關(guān)系的活動推薦系統(tǒng)，該系統(tǒng)包括：數(shù)據(jù)采集清洗模塊、活動統(tǒng)計(jì)分析模塊、活動相似度獲取模塊、雙重社交關(guān)系影響因子獲取模塊、用戶潛在好友發(fā)現(xiàn)模塊和用戶感興趣活動推薦模塊；

本發(fā)明實(shí)施例中，數(shù)據(jù)采集清洗模塊用于采用數(shù)據(jù)采集清洗模塊獲取目標(biāo)社交網(wǎng)站的活動數(shù)據(jù)集，并將活動數(shù)據(jù)集進(jìn)行數(shù)據(jù)清洗操作后存儲；所述的活動數(shù)據(jù)集，包括：事件活動名稱、事件活動開始時(shí)間、事件活動結(jié)束時(shí)間、事件活動舉辦地點(diǎn)、事件活動組名稱、事件活動報(bào)名人數(shù)和事件活動描述；

本發(fā)明實(shí)施例中，活動統(tǒng)計(jì)分析模塊用于根據(jù)數(shù)據(jù)采集清洗模塊中存儲的數(shù)據(jù)，對目標(biāo)城市的用戶及其所參加的活動進(jìn)行數(shù)據(jù)分類匯總，并進(jìn)行可視化結(jié)果展示；

本發(fā)明實(shí)施例中，調(diào)用Google Map API函數(shù)進(jìn)行統(tǒng)計(jì)分析結(jié)果的可視化顯示。首先，選擇感興趣的城市；其次，根據(jù)Meetup舉辦某項(xiàng)活動所處位置確定坐標(biāo)點(diǎn)；接下來，統(tǒng)計(jì)在該地點(diǎn)參與該項(xiàng)活動的用戶數(shù)，并調(diào)用circle函數(shù)畫圓。其中，圓半徑大小和所著顏色要根據(jù)用戶參與活動的數(shù)量來決，比如，可用[1-10)、[10-100)、[100-1000)代表三個(gè)數(shù)量范圍，而每個(gè)范圍分別著不同顏色；最后，在每種度量范圍下，數(shù)據(jù)個(gè)數(shù)越多，圓的半徑就越大。

本發(fā)明實(shí)施例中，活動相似度獲取模塊用于確定目標(biāo)用戶與社交網(wǎng)站線上任意一項(xiàng)活動的相似情況，具體包括：將目標(biāo)用戶的地理經(jīng)度和緯度轉(zhuǎn)換成平面距離，根據(jù)平面距離計(jì)算目標(biāo)用戶所在地與社交網(wǎng)站舉辦活動所在地點(diǎn)間物理位置的相似度；獲取目標(biāo)用戶標(biāo)簽與社交網(wǎng)站活動庫中每項(xiàng)活動標(biāo)簽的相似度；獲取目標(biāo)用戶已參加的組與社交網(wǎng)站舉辦活動所屬組之間的相似度；

本發(fā)明實(shí)施例中，雙重社交關(guān)系影響因子獲取模塊用于結(jié)合線下活動確定目標(biāo)用戶與其他任意一個(gè)用戶間的雙重社交關(guān)系影響因子值，具體包括：獲取目標(biāo)用戶與其他任意一個(gè)用戶間的標(biāo)簽相似度、獲取目標(biāo)用戶與其他任意一個(gè)用戶間的活動所在組的相似度、獲取目標(biāo)用戶與其他任意一個(gè)用戶間的歷史線下活動相似度，通過設(shè)定權(quán)重值的方式，根據(jù)用戶對間的標(biāo)簽相似度、活動所在組的相似度和歷史線下活動相似度，確定該對用戶間雙重社交關(guān)系影響因子值；

本發(fā)明實(shí)施例中，用戶潛在好友發(fā)現(xiàn)模塊用于根據(jù)用戶間雙重社交關(guān)系影響因子值獲取目標(biāo)用戶的潛在好友集合；

本發(fā)明實(shí)施例中，用戶感興趣活動推薦模塊用于結(jié)合潛在好友集合中好友社交影響得分和目標(biāo)用戶與社交網(wǎng)站線上任意一項(xiàng)活動的相似情況，向目標(biāo)用戶推薦令其感興趣的活動，具體包括；獲取當(dāng)社交網(wǎng)站舉辦活動時(shí)，潛在好友集合中任一好友對目標(biāo)用戶的雙重社交影響得分，進(jìn)而獲取目標(biāo)用戶的全部潛在好友對其的社交影響得分；通過設(shè)定權(quán)重值的方式，結(jié)合獲取的目標(biāo)用戶與社交網(wǎng)站線上任意一項(xiàng)活動的相似情況，確定目標(biāo)用戶潛在好友向目標(biāo)用戶推薦感興趣活動的綜合影響分值；按從大到小順序?qū)C合影響分值進(jìn)行排序；取前所需個(gè)數(shù)結(jié)果作為令目標(biāo)用戶感興趣的活動向其推薦。

本發(fā)明實(shí)施例中，采用基于線上線下雙重社交關(guān)系的活動推薦系統(tǒng)進(jìn)行的推薦方法，方法流程圖如圖2所示，包括以下步驟：

步驟1、在樣本采集時(shí)間范圍和地點(diǎn)范圍內(nèi)，采用數(shù)據(jù)采集清洗模塊獲取Meetup社交網(wǎng)的活動數(shù)據(jù)集，并將活動數(shù)據(jù)集進(jìn)行數(shù)據(jù)清洗操作后存儲；所述的活動數(shù)據(jù)集，包括：事件活動名稱、事件活動開始時(shí)間、事件活動結(jié)束時(shí)間、事件活動舉辦地點(diǎn)、事件活動組名稱、事件活動報(bào)名人數(shù)和事件活動描述；

本發(fā)明實(shí)施例中，數(shù)據(jù)采集的是Meetup社交網(wǎng)中美國舊金山附近的用戶及其相關(guān)活動數(shù)據(jù)，時(shí)間范圍從2006年8月31日到2016年2月21日；實(shí)驗(yàn)數(shù)據(jù)采集的Meetup空間范圍是一個(gè)從(36.1，-120)到(38.0，-123)的矩形范圍；該范圍可用數(shù)據(jù)包含了347,685個(gè)用戶個(gè)數(shù)，68,371個(gè)線上組，1,176,010個(gè)線下活動。原始數(shù)據(jù)包含用戶數(shù)據(jù)和活動數(shù)據(jù)兩類數(shù)據(jù)，其中用戶數(shù)據(jù)主要有用戶位置、偏好標(biāo)簽、組標(biāo)簽、組成員、參加過的活動等屬性；活動數(shù)據(jù)主要有活動位置、活動舉辦時(shí)間、活動描述、活動標(biāo)簽、舉辦活動的組、已經(jīng)報(bào)名參加活動人數(shù)等屬性。

本發(fā)明實(shí)施例中，假定Meetup有3個(gè)用戶存在，即u₁、u₂和u₃，他們各自相關(guān)信息如表1所示。令u₁是本專利要推薦活動的目標(biāo)用戶，其參加歷史活動相關(guān)信息如表2所示，Meetup舉辦活動相關(guān)信息如表3所示，現(xiàn)在需要為目標(biāo)用戶u₁推薦令其感興趣的活動；

表1 Meetup相關(guān)用戶信息

表2用戶歷史活動信息

表3 Meetup將要舉辦活動信息

步驟2、采用活動統(tǒng)計(jì)分析模塊，對目標(biāo)城市的用戶及其所參加的活動進(jìn)行數(shù)據(jù)分類匯總，并進(jìn)行可視化結(jié)果展示；

本發(fā)明實(shí)施例中，圖3給出了美國舊金山地區(qū)用戶活動隨地點(diǎn)變化的分布情況；在圖3中，圓的面積大小代表該地區(qū)舉辦活動的頻繁度，通過標(biāo)注圓不同顏色的方式表示不同活動種類，從圖3中可以發(fā)現(xiàn)，活動的舉辦是有地區(qū)性的；比如，水上活動的舉辦地大部分處于沿海地區(qū)；而旅行活動則更頻繁地選擇在郊區(qū)舉辦，等等。這也充分表明活動舉辦地與活動偏好是有直接關(guān)系的；

本發(fā)明實(shí)施例中，圖4展示了Meetup中參加活動人數(shù)分布情況；從圖4可以看出，大部分活動只有少數(shù)人參加，能吸引很多人參加的大型活動相對較少，因此參加活動人數(shù)與活動數(shù)之間呈現(xiàn)明顯的重尾分布；

步驟3、采用活動相似度獲取模塊，確定目標(biāo)用戶與社交網(wǎng)站線上任意一項(xiàng)活動的相似情況；具體步驟如下：

步驟3-1、將目標(biāo)用戶的地理經(jīng)度和緯度轉(zhuǎn)換成平面距離，根據(jù)平面距離計(jì)算目標(biāo)用戶所在地與Meetup網(wǎng)站舉辦活動所在地間物理位置的相似度；

本發(fā)明實(shí)施例中，平面距離計(jì)算公式如下：

其中，Dis tan ce(L(u_i)，L(a_z))表示用戶u_i和活動a_z間的平面距離，表示用戶u_i的弧度值，λ表示經(jīng)度差，β表示緯度差，γ表示地球半徑(γ＝6378.137公里)；

本發(fā)明實(shí)施例中，目標(biāo)用戶所在地與社交網(wǎng)站舉辦活動所在地間物理位置的相似度，計(jì)算公式如下：

S_d(u_i，a_z)＝1/(Dis tan ce(L(u_i)，L(a_z))+1) (7)

其中，u_i表示第i個(gè)目標(biāo)用戶；a_z表示Meetup活動庫A_m中第z個(gè)活動，即a_z∈A_M；S_d(u_i，a_z)表示用戶u_i所在地和活動a_z舉辦地的距離相似度；

本發(fā)明實(shí)施例中，將用戶所在位置和活動舉辦地點(diǎn)所在位置的經(jīng)緯度帶入公式(6)，求得L(u_i)和L(a_z)間的平面距離分別為：D(L(u_i)，L(a_D))＝0，D(L(u_i)，L(a_E))＝0.638，D(L(u_i)，L(a_F))＝0.87；其中z＝D、E、F分別表示“聯(lián)誼會”、“學(xué)生教育問題討論”和“英語讀書會”等活動；

本發(fā)明實(shí)施例中，將平面距離帶入計(jì)算公式(7)，求得目標(biāo)用戶u₁與Meetup所舉辦的任意一項(xiàng)活動間的物理位置相似度為：

步驟3-2、獲取目標(biāo)用戶標(biāo)簽(Tag)與Meetup網(wǎng)站活動庫中每項(xiàng)活動標(biāo)簽的相似度；

計(jì)算公式如下：

S_t(u_i，a_z)＝(T(u_i)∩T(a_z))/(T(u_i)∪T(a_z)) (8)

其中，T(u_i)表示u_i的標(biāo)簽集合，T(a_z)表示活動庫第z項(xiàng)活動的標(biāo)簽集合，(T(u_i)∩T(a_z))表示u_i標(biāo)簽集合與第z項(xiàng)活動的標(biāo)簽集合的交集，即相同標(biāo)簽。(T(u_i)∪T(a_z))表示u_i標(biāo)簽集合與第z項(xiàng)活動的活動類別標(biāo)簽集合的并集，即用戶u_i和活動a_z具有的全部標(biāo)簽集合；St(u_i，a_z)表示u_i和a_z的標(biāo)簽相似度；

本發(fā)明實(shí)施例中，由于A_m＝{D，E，F(xiàn)}，a₁＝D，a₂＝E，a₃＝F，T(u₁)＝{教育，閱讀，英語}，T(a₁)＝{社交，交友}，T(a₂)＝{學(xué)生，教育}，T(a₃)＝{閱讀，英語}，則根據(jù)公式(8)可計(jì)算出目標(biāo)用戶u₁與a_z的標(biāo)簽相似度為：S_t(u₁，a₁)＝(T(u₁)∩T(a₁))/(T(u₁)∪T(a₁))＝0/5＝0，S_t(u₁，a₂)＝(T(u₁)∩T(a₂))/(T(u₁)∪T(a₂))＝1/4＝0.25，S_t(u₁，a₃)＝(T(u₁)∩T(a₃))/(T(u₁)∪T(a₃))＝2/3＝0.67；

步驟3-3、獲取目標(biāo)用戶u_i已參加的組與Meetup網(wǎng)站舉辦活動所屬組之間的相似度；

計(jì)算公式如下：

其中，表示u_i已參加的活動組集合，G(a_z)表示Meetup舉辦第z項(xiàng)活動所屬的組；如果G(a_z)是的子集，即Meetup舉辦的活動所屬組包含在用戶已參加的活動組集合中，則二者之間的相似度為1，即否則，二者之間的相似度為0，即

本發(fā)明實(shí)施例中，由于目標(biāo)用戶u₁已參加的組集合而Meetup舉辦活動所屬組集合G(a_z)＝{G₁，G₂}，滿足因此根據(jù)公式(9)可計(jì)算出組相似度為：

步驟4、采用雙重社交關(guān)系影響因子獲取模塊，結(jié)合線下活動確定目標(biāo)用戶與其他任意一個(gè)用戶間的雙重社交關(guān)系影響因子值，具體步驟如下：

步驟4-1、獲取目標(biāo)用戶與其他任意一個(gè)用戶間的標(biāo)簽相似度；

計(jì)算公式如下：

S_t(u_i，u_j)＝(T(u_i)∩T(u_j))/(T(u_i)∪T(u_j)) (10)

其中，(T(u_i)∩T(u_j))表示一對用戶u_i和u_j間的標(biāo)簽集合的交集，即相同標(biāo)簽集合；(T(u_i)∪T(u_j))表示u_i和u_j間的標(biāo)簽集合的并集，即二者間的所有標(biāo)簽集合；S_t(u_i，u_j)表示u_i和u_j的標(biāo)簽相似度；

本發(fā)明實(shí)施例中，由于T(u₁)＝{教育，閱讀，英語}，T(u₂)＝{教育，思維，數(shù)學(xué)，學(xué)生}，T(u₃)＝{閱讀，跑步，游泳}，則根據(jù)公式(10)可計(jì)算出任意一對用戶間的標(biāo)簽相似度為：S_t(u₁，u₂)＝(T(u₁)∩T(u₂))/(T(u₁)∪T(u₂))＝1/6＝0.167，S_t(u₁，u₃)＝(T(u₁)∩T(u₃))/(T(u₁)∪T(u₃))＝1/5＝0.25；

步驟4-2、獲取目標(biāo)用戶與其他任意一個(gè)用戶間的活動所在組的相似度，具體公式如下：

S_g(u_i，u_j)＝(G(u_i)∩G(u_j))/(G(u_i)∪G(u_j)) (1)

其中，(G(u_i)∩G(u_j))表示一對用戶u_i和u_j間活動所在組集合的交集，即相同活動組集合；(G(u_i)∪G(u_j))表示u_i和u_j間活動所在組集合的并集，即二者間所有的活動組集合；S_g(u_i，u_j)表示用戶u_i和用戶u_j間的活動組相似度；

本發(fā)明實(shí)施例中，由于G(u₁)＝{G₁，G₂}，G(u₂)＝{G₁}，G(u₃)＝{G₂}，則根據(jù)公式(1)可計(jì)算出目標(biāo)用戶u₁與任意一個(gè)用戶間的組相似度為：S_g(u₁，u₂)＝(G(u₁)∩G(u₂))/(G(u₁)∪G(u₂))＝1/2＝0.5，S_g(u₁，u₃)＝(G(u₁)∩G(u₃))/(G(u₁)∪G(u₃))＝1/2＝0.5；

步驟4-3、獲取目標(biāo)用戶與其他任意一個(gè)用戶間的歷史線下活動相似度；

具體公式如下：

S_h(u_i，u_j)＝(H(u_i)∩H(u_j))/(H(u_i)∪H(u_j)) (2)

其中，(H(u_i)∩H(u_j))表示一對用戶u_i和u_j間歷史活動集合的交集，即相同歷史活動集合；(H(u_i)∪H(u_j))表示u_i和u_j間歷史活動集合的并集，即二者間所有的歷史活動集合；S_h(u_i，u_j)表示用戶u_i和用戶u_j間的歷史活動相似度；

本發(fā)明實(shí)施例中，由于H(u₁)＝{A，B}，H(u₂)＝{A，C}，H(u₃)＝{B}，則根據(jù)公式(2)可計(jì)算出目標(biāo)用戶u₁與任意一個(gè)用戶間的歷史活動相似度為S_h(u₁，u₂)＝(H(u₁)∩H(u₂))/(H(u₁)∪H(u₂))＝1/3＝0.33，S_h(u₁，u₃)＝(H(u₁)∩H(u₃))/(H(u₁)∪H(u₃))＝1/2＝0.5；

步驟4-4、通過設(shè)定權(quán)重值的方式，根據(jù)用戶對間的標(biāo)簽相似度、活動所在組的相似度和歷史線下活動相似度，確定該對用戶間雙重社交關(guān)系影響因子值；

計(jì)算公式如下：

S_F(u_i，u_j)＝αS_t(u_i，u_j)+βS_g(u_i，u_j)+(1-α-β)S_h(u_i，u_j) (11)

其中，S_F(u_i，u_j)表示一對用戶u_i和u_j間的雙重社交關(guān)系影響因子值；參數(shù)α和β分別表示權(quán)重系數(shù)；

本發(fā)明實(shí)施例中，不同應(yīng)用需求根據(jù)公式(11)，可以設(shè)置不同權(quán)重調(diào)節(jié)系數(shù)α和β的取值范圍，假定口＝0.3，β＝0.3，則一對用戶間雙重社交關(guān)系影響因子值計(jì)算結(jié)果如下：

S_F(u₁，u₂)＝0.3*S_t(u₁，u₂)+0.3*S_g(u₁，u₂)+(1-0.3-0.3)*S_h(u₁，u₂)

＝0.3*0.167+0.3*0.5+0.4*0.33

＝0.0511+0.15+0.132

＝0.33711

S_F(u₁，u₃)＝0.3*S_t(u₁，u₃)+0.3*S_g(u₁，u₃)+(1-0.3-0.3)*S_h(u₁，u₃)

＝0.3*0.25+0.3*0.5+0.3*0.5

＝0.075+0.15+0.15

＝0.375

步驟5、采用用戶潛在好友發(fā)現(xiàn)模塊，根據(jù)用戶間雙重社交關(guān)系影響因子值獲取目標(biāo)用戶u_i的潛在好友集合LF(u_i)，具體步驟如下；

步驟5-1、按從大到小順序?qū)τ脩魧﹂g雙重社交關(guān)系影響因子值S_F(u_i，u_j)進(jìn)行排序；

步驟5-2、取前所需k′個(gè)結(jié)果作為目標(biāo)用戶u_i的潛在好友集合LF(u_i)；

本發(fā)明實(shí)施例中，假設(shè)選取k′＝2，則目標(biāo)用戶u₁的潛在好友集合LF(u₁)＝{u₂，u₃}；

步驟6、采用用戶感興趣活動推薦模塊，結(jié)合潛在好友集合中好友社交影響得分和目標(biāo)用戶與社交網(wǎng)站線上任意一項(xiàng)活動的相似情況，向目標(biāo)用戶推薦令其感興趣的活動，具體步驟如下；

步驟6-1、獲取當(dāng)Meetup網(wǎng)站舉辦活動時(shí)，潛在好友集合LF(u_i)中任一好友對目標(biāo)用戶u_i的雙重社交影響得分；

具體公式如下：

其中，表示潛在好友集合中任一好友對目標(biāo)用戶u_i的雙重社交影響得分，a_z表示社交網(wǎng)站舉辦的活動，表示好友已參加的活動；

本發(fā)明實(shí)施例中，目標(biāo)用戶u₁的潛在好友集合LF(u₁)＝{u₂，u₃}，A_m＝{D，E，F(xiàn)}，a₁＝D，a₂＝E，a₃＝F，則有存在。于是，根據(jù)公式(3)可分別計(jì)算出u₂對Meetup所舉辦活動的雙重社交影響分?jǐn)?shù)為：

步驟6-2、反復(fù)執(zhí)行步驟6-1，獲取目標(biāo)用戶的全部潛在好友對其的社交影響得分；

具體公式如下：

其中，S_s(u_i，(LF(u_i)，a_z))表示目標(biāo)用戶的全部潛在好友對其的社交影響得分，LF(u_i)表示目標(biāo)用戶u_i的潛在好友集合，a_z表示社交網(wǎng)站舉辦的活動，表示好友已參加的活動；

本發(fā)明實(shí)施例中，由于則有于是，可計(jì)算出u₃對Meetup所舉辦活動的雙重社交影響分?jǐn)?shù)為：

本發(fā)明實(shí)施例中，由于LF(u₁)＝{u₂，u₃}，a₁＝D，a₂＝E，a₃＝F，則根據(jù)公式(4)，可計(jì)算出目標(biāo)用戶u₁的全部潛在好友LF(u₁)對其社交影響得分如下：

步驟6-3、通過設(shè)定權(quán)重值的方式，結(jié)合步驟3中獲取的目標(biāo)用戶與Meetup網(wǎng)站線上任意一項(xiàng)活動的相似情況，確定目標(biāo)用戶潛在好友向目標(biāo)用戶推薦感興趣活動的綜合影響分值；

具體公式如下：

S(u_i，a_z)＝m·S_d(u_i，a_z)+q·S_t(u_i，a_z)+n·S_g(u_i，a_z)+p·S_s(u_i，(LF′(u_i)，a_z)) (5)

其中，S(u_i，a_z)表示目標(biāo)用戶潛在好友向目標(biāo)用戶推薦感興趣活動的綜合影響分值，m、n、p和q分別為權(quán)重調(diào)整系數(shù)，S_d(u_i，a_z)表示用戶u_i所在地和活動a_z舉辦地的距離相似度，S_t(u_i，a_z)表示目標(biāo)用戶u_i和活動a_z的標(biāo)簽相似度，S_g(u_i，a_z)表示目標(biāo)用戶u_i所在組和活動a_z所在組相似度，S_s(u_i，(LF(u_i)，a_z))表示目標(biāo)用戶的全部潛在好友對其的社交影響得分，a_z表示社交網(wǎng)站舉辦的活動；

本發(fā)明實(shí)施例中，由于A_m＝{D，E，F(xiàn)}，a₁＝D，a₂＝E，a₃＝F，LF(u₁)＝{u₂，u₃}，此處本專利設(shè)置權(quán)重調(diào)整系數(shù)m＝0.3，n＝0.6，p＝0.2，q＝0.1，則根據(jù)公式(5)，可計(jì)算出a_z及LF(u₁)向u₁推薦感興趣活動的綜合影響分值如下：

S(u₁，a₁)＝mS_d(u₁，a₁)+nS_g(u₁，a₁)+pS_s(u₁，(LF(u₁)，a₁))+qS_t(u₁，a₁)

＝0.3*1+0.6*0+0.2*1+0.1*0

＝0.9

S(u₁，a₂)＝mS_d(u₁，a₂)+nS_g(u₁，a₂)+pS_s(u₁，(LF(u₁)，a₂))+qS_t(u₁，a₂)

＝0.3*0.94+0.6*0.25+0.2*1+0.1*1

＝1.107

S(u₁，a₃)＝mS_d(u₁，a₃)+nS_g(u₁，a₃)+pS_s(u₁，(LF(u₁)，a₃))+qS_t(u₁，a₃)

＝0.3*0.92+0.6*0.67+0.2*1+0.1*0

＝0.943

步驟6-5、按從大到小順序?qū)C合影響分值S(u_i，a_z)進(jìn)行排序；

本發(fā)明實(shí)施例中，由于S(u₁，a₁)＝0.9，S(u₁，a₂)＝1.107，S(u₁，a₃)＝0.943，因此按從大到小順序?qū)(u₁，a_z)進(jìn)行排序，可得到：S(u₁，a₂)＞S(u₁，a₃)＞S(u₁，a₁)；

步驟6-6、取前所需k個(gè)結(jié)果作為令目標(biāo)用戶感興趣的活動向其推薦。

本發(fā)明實(shí)施例中，取k＝1，則將活動E，即Meetup將要舉辦的“學(xué)生教育問題討論”活動推薦給目標(biāo)用戶u₁；

本發(fā)明實(shí)施例中，通過實(shí)驗(yàn)驗(yàn)證了所提的基于online-offline雙重社交關(guān)系的活動推薦系統(tǒng)的有效性和可行性；

本發(fā)明實(shí)施例中，通過四個(gè)實(shí)驗(yàn)對該系統(tǒng)進(jìn)行性能驗(yàn)證。首先，令公式(3)中4個(gè)參數(shù)中的3個(gè)固定不變，調(diào)節(jié)第4個(gè)參數(shù)，測試推薦活動準(zhǔn)確率和召回率，實(shí)驗(yàn)結(jié)果分別如圖5和圖6所示。其次，為找出哪個(gè)參數(shù)對推薦結(jié)果有更大影響，單獨(dú)測試了在一個(gè)參數(shù)下活動推薦的準(zhǔn)確率和召回率，結(jié)果如圖7所示；最后，在綜合考慮四個(gè)參數(shù)條件下獲取最佳推薦結(jié)果，如圖8所示；

圖5中圖(a)給出了當(dāng)n、p和q分別等于0.5時(shí)，m從0.1變化到0.9過程中，隨著活動推薦個(gè)數(shù)的增加活動推薦的準(zhǔn)確率變化情況；從圖5中圖(a)可以看出，隨著距離權(quán)重調(diào)整參數(shù)m增加，活動推薦準(zhǔn)確率有所降低，這說明m較小時(shí)，推薦準(zhǔn)確率較高。實(shí)際情況也是如此，m較小，意味著距離相似度所占權(quán)重較小，那么遠(yuǎn)距離的活動，人們也傾向于參加，這源于有便利交通工具可選，距離在推薦活動中就不再是主要影響因素；

圖5中圖(b)給出了當(dāng)m、p和q分別等于0.5時(shí)，n從0.1變化到0.9過程中，隨著活動推薦個(gè)數(shù)的增加活動推薦的準(zhǔn)確率變化情況。從圖5中圖(b)中可以看出，隨著組權(quán)重調(diào)整參數(shù)n增加，活動推薦準(zhǔn)確率有所提高，這說明n較大時(shí)，推薦準(zhǔn)確率較高。實(shí)際情況也是如此，n較大，意味著組相似度所占比重較高，人們更傾向于參加自己所在組所組織的活動；

圖5中圖(c)給出了當(dāng)m、n和q分別等于0.5時(shí)，p從0.1變化到0.9過程中，隨著活動推薦個(gè)數(shù)的增加活動推薦的準(zhǔn)確率變化情況。從圖5中圖(c)中可以看出，隨著社交影響權(quán)重調(diào)整參數(shù)p增加，活動推薦準(zhǔn)確率有所提高，這說明p較大時(shí)，活動推薦準(zhǔn)確率較高。實(shí)際情況也是如此，p較大，意味著社交影響越大，人們更傾向于和自己好友一起參加活動；

圖5中圖(d)給出了當(dāng)m、n和p分別等于0.5時(shí)，q從0.1變化到0.9過程中，隨著活動推薦個(gè)數(shù)的增加活動推薦的準(zhǔn)確率變化情況。從圖5(d)中可以看出，隨著用戶偏好標(biāo)簽和活動標(biāo)簽相似度權(quán)重q增加，活動推薦準(zhǔn)確率有所減低，這說明q較小時(shí)，活動推薦準(zhǔn)確率較高。這可能是因?yàn)橛脩羝脴?biāo)簽不完整或者用戶可能有嘗試新類型活動的愿望所致；

圖6中展現(xiàn)的是各參數(shù)對推薦活動召回率的影響，隨著活動推薦個(gè)數(shù)的增加，推薦活動的召回率明顯降低。在推薦1個(gè)活動時(shí)，很難保證推薦的那個(gè)活動正是用戶所需要的活動，所以造成準(zhǔn)確率低，相應(yīng)地，召回率就較高。而隨著推薦活動個(gè)數(shù)的增加，推薦活動越來越有可能是用戶需要的，因此使得準(zhǔn)確率增加，召回率降低，這符合一般推薦規(guī)律；

圖7展示了只考慮一個(gè)因素對推薦活動的準(zhǔn)確率。從圖7中可以看出，參數(shù)n對活動推薦影響最大，也就是舉辦活動的組對于用戶影響力最大。而q對推薦活動影響最小，也就是活動的主題對于用戶參加活動的影響較小，這可能因?yàn)橛脩羝脴?biāo)簽和個(gè)人實(shí)際偏好有所差異，或者人們愿意嘗試不同的新活動；

圖8中展示了m＝0.3，n＝0.6，p＝0.2，q＝0.1時(shí)的活動推薦準(zhǔn)確率。從圖8中可以看出，當(dāng)參數(shù)m＝0.3，n＝0.6，p＝0.2，q＝0.1時(shí)，取得了最優(yōu)推薦結(jié)果。