本發(fā)明屬于社交網(wǎng)絡(luò)位置預(yù)測技術(shù)領(lǐng)域，尤其涉及一種基于社交網(wǎng)絡(luò)的位置預(yù)測系統(tǒng)及方法。

背景技術(shù)：

隨著互聯(lián)網(wǎng)的快速發(fā)展和可定位設(shè)備的大量普及，基于地理位置服務(wù)的網(wǎng)絡(luò)應(yīng)用越來越普及，如定向廣告(targetedadvertisement)、跟蹤人口流動、預(yù)防疾病蔓延、網(wǎng)絡(luò)安全、性能優(yōu)化等，地址位置作為一種質(zhì)量極高的信息資源被廣泛應(yīng)用。同時伴隨著在線社交網(wǎng)絡(luò)的發(fā)展，位置服務(wù)和在線社交網(wǎng)絡(luò)逐漸趨于融合，即產(chǎn)生了lbsn?；谖恢玫膌bsn是位置和社交的結(jié)合體，它支持用戶隨時隨地在社交平臺記錄并分享自己的地理信息，它是以通信網(wǎng)絡(luò)為媒介，以智能終端為主要載體的新型平臺。在lbsn中，大量用戶通過簽到向朋友分享位置信息或地理標簽。位置社交網(wǎng)絡(luò)讓基于位置的社交成為一種新的社交模式，使得線上社交和線下社交得到有機的結(jié)合，極大的改變了人們的生活方式。社交網(wǎng)絡(luò)催生了許多基于位置的服務(wù)，為了提供更好的服務(wù)，預(yù)測用戶最有可能的下一個位置是非常重要的。如通過預(yù)測用戶下一個位置，商家可以更加有效的投放定向廣告?，F(xiàn)有預(yù)測方法有基于gps軌跡歷史數(shù)據(jù)的位置預(yù)測，有基于社交網(wǎng)絡(luò)簽到數(shù)據(jù)的位置預(yù)測。社交網(wǎng)絡(luò)簽到數(shù)據(jù)和gps軌跡歷史數(shù)據(jù)有著明顯的區(qū)別。社交網(wǎng)絡(luò)簽到歷史數(shù)據(jù)較稀疏，位置預(yù)測范圍較大。相比于社交網(wǎng)絡(luò)簽到數(shù)據(jù)，連續(xù)記錄的gps數(shù)據(jù)之間間隔5-10米。但是gps數(shù)據(jù)僅僅包括經(jīng)度、緯度和時間戳信息，沒有包括語義信息，無法根據(jù)社交關(guān)系進行位置預(yù)測?，F(xiàn)有的基于社交網(wǎng)絡(luò)的位置預(yù)測主要有運動軌跡的預(yù)測和下一地點的預(yù)測。運動軌跡的預(yù)測相對復(fù)雜，開銷較大，對周期性軌跡預(yù)測表現(xiàn)良好，但是對周期性不明顯的軌跡預(yù)測精度較差?，F(xiàn)有基于社交網(wǎng)絡(luò)下一位置預(yù)測假設(shè)下一位置用戶曾經(jīng)訪問過，下一位置僅僅從個人歷史位置中選擇，容易造成“冷啟動”，導(dǎo)致常規(guī)位置預(yù)測良好，非常規(guī)位置預(yù)測精度較低。

綜上所述，現(xiàn)有技術(shù)存在的問題是：現(xiàn)有基于gps歷史數(shù)據(jù)位置預(yù)測不包含語義信息，無法根據(jù)社交關(guān)系進行位置預(yù)測?，F(xiàn)有的基于社交網(wǎng)絡(luò)軌跡相似性位置預(yù)測存在運動軌跡預(yù)測相對復(fù)雜，開銷較大，對周期性不明顯的軌跡預(yù)測精度較差，容易造成“冷啟動”。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種基于社交網(wǎng)絡(luò)的位置預(yù)測系統(tǒng)及方法。

本發(fā)明是這樣實現(xiàn)的，一種基于社交網(wǎng)絡(luò)的位置預(yù)測方法，所述基于社交網(wǎng)絡(luò)的位置預(yù)測方法包括以下步驟：

步驟一，爬取社交網(wǎng)絡(luò)簽到數(shù)據(jù)；

步驟二，對爬取的社交網(wǎng)絡(luò)簽到數(shù)據(jù)進行預(yù)處理，過濾掉簽到次數(shù)小于平均簽到次數(shù)的數(shù)據(jù)，清洗掉無效的數(shù)據(jù)，利用核平滑插值技術(shù)對簽到數(shù)據(jù)的稀疏性進行處理；在f(x)中，若使用鄰域樣本的均值進行插值，則使f(x)不平滑，所以使用一個核函數(shù)對估計值平滑；具體使用核加權(quán)平均，公式為：

其中k(.)采用高斯核函數(shù)，可見，離x0越近的影響力越大，對應(yīng)輸出的權(quán)越大，符合簽到數(shù)據(jù)的實際模擬；

步驟三，結(jié)合常規(guī)位置預(yù)測的輸出概率pr(loc)和非常規(guī)位置預(yù)測的輸出概率pu(loc)，預(yù)測下一位置是否為常規(guī)位置；

步驟四，通過常規(guī)位置預(yù)測模塊，得到top-m個位置列表；通過提取分析數(shù)據(jù)采集模塊中采集的非結(jié)構(gòu)化信息，應(yīng)用于top-m位置列表，提高位置預(yù)測精度，得到top-k個位置列表，k<＝m。

進一步，所述預(yù)測下一位置是否為常規(guī)位置公式為：

p(loc)＝λpr(loc)+(1-λ)pu(loc)。

其中pr(loc)為常規(guī)位置預(yù)測概率，pu(loc)為非常規(guī)位置預(yù)測概率，λ為調(diào)節(jié)參數(shù)，λ∈{0，1}。

進一步，所述常規(guī)位置預(yù)測采用mhmm算法，hmm結(jié)合時間特征和空間特征對位置進行預(yù)測。不考慮時間和空間的影響，給定相同的觀測序列，hmm總是得到相同的預(yù)測結(jié)果；考慮到社交用戶的簽到行為受到時間和空間的影響，選用混合hmm算法對下一位置進行預(yù)測。

其中ct+1為t+1時刻的位置類別，st為t時刻的觀察序列狀態(tài)，為時間空間向量。

進一步，所述非常規(guī)位置預(yù)測結(jié)合構(gòu)建知識圖譜，挖掘社交關(guān)系，采用融合社交關(guān)系的馬爾科夫模型結(jié)合位置推薦系統(tǒng)對非常規(guī)位置進行預(yù)測。利用簽到數(shù)據(jù)集構(gòu)建知識圖譜，在知識圖譜上進行推理，挖掘相似用戶，基于歷史簽到數(shù)據(jù)并融合相似用戶訓(xùn)練一個馬爾科夫模型對下一位置進行預(yù)測。最后將馬爾科夫模型和位置推薦系統(tǒng)結(jié)合在一起，提高位置預(yù)測精度。

進一步，利用簽到數(shù)據(jù)集作為數(shù)據(jù)來源，構(gòu)建社交知識圖譜，在知識圖譜上進行推理。推理方法有三類：embedding-based技術(shù)，pathrankingalgorithms，和probabilisticgraphicalmodels概率模型。社交關(guān)系的推理采用embedding-based技術(shù)。embedding-based技術(shù)是以隱式因子模型為基本思想的方法，它是基于低維向量的表示方法，將知識圖譜中的實體和關(guān)系在低維的向量空間里進行表達，然后進行推理。首先將實體和關(guān)系進行向量表示；其次，定義打分函數(shù)來衡量關(guān)系成立的可能性。再者，參數(shù)估計，根據(jù)打分函數(shù)推理相似用戶。相似用戶推理綜合打分函數(shù)結(jié)構(gòu)化信息和非結(jié)構(gòu)化分析模塊提取的興趣相似度，表示如下：

sim(u,v)＝αs(u,v)+(1-α)w(u,v)；

其中，α是調(diào)節(jié)參數(shù)，取值為[0,1]，反應(yīng)結(jié)構(gòu)化信息和非結(jié)構(gòu)化信息相似度所占比重，s(u,v)代表結(jié)構(gòu)化信息相似度，w(u,v)代表非結(jié)構(gòu)信息相似度。非結(jié)構(gòu)化信息相似度是非結(jié)構(gòu)信息分析模塊提取興趣關(guān)鍵字，然后根據(jù)余弦相似度計算用戶之間的相似度。計算如下：

其中ui,uj表示用戶i和用戶j興趣關(guān)鍵字向量表示。余弦值取值范圍為[0,1]，0表示完全不同，1表示完全相同。

在歷史簽到數(shù)據(jù)的基礎(chǔ)上，融合相似用戶的影響，訓(xùn)練馬爾科夫模型對位置進行預(yù)測，即lm＝maxp(am|h,sim(u,v))，其中am代表馬爾科夫算法，h代表歷史簽到數(shù)據(jù)，sim(u,v)代表用戶相似度。

最后，綜合融合相似用戶的馬爾科夫模型和位置推薦系統(tǒng)，提高位置預(yù)測精度。其公式如下：

ltop-n＝βlm+(1-β)sr；

其中l(wèi)m代表融合相似用戶的馬爾科夫模型，sr代表位置推薦系統(tǒng)，β為調(diào)節(jié)權(quán)重，取0.6。綜合融合相似用戶的馬爾科夫模型和位置推薦系統(tǒng)，得到top-n位置列表。

本發(fā)明的另一目的在于提供一種所述基于社交網(wǎng)絡(luò)的位置預(yù)測方法的基于社交網(wǎng)絡(luò)的位置預(yù)測系統(tǒng)包括：

數(shù)據(jù)采集模塊，應(yīng)用爬蟲系統(tǒng)，爬取社交網(wǎng)絡(luò)簽到數(shù)據(jù)；

數(shù)據(jù)預(yù)處理模塊，對爬取的社交網(wǎng)絡(luò)簽到數(shù)據(jù)進行預(yù)處理，清洗掉無效的數(shù)據(jù)，利用核平滑插值技術(shù)對簽到數(shù)據(jù)的稀疏性進行處理；

判斷模塊，結(jié)合常規(guī)位置預(yù)測的輸出概率pr(loc)和非常規(guī)位置預(yù)測的輸出概率pu(loc)，預(yù)測下一位置是否為常規(guī)位置；

常規(guī)位置預(yù)測模塊，用于對預(yù)測位置進行分類，先預(yù)測位置的類別，預(yù)測位置；

非結(jié)構(gòu)化數(shù)據(jù)分析模塊，通過常規(guī)位置預(yù)測模塊，得到top-m個位置列表；通過提取分析數(shù)據(jù)采集模塊中采集的非結(jié)構(gòu)化信息，應(yīng)用于top-m位置列表，提高位置預(yù)測精度，得到top-k個位置列表；

非常規(guī)位置預(yù)測模塊，結(jié)合構(gòu)建知識圖譜，挖掘相似用戶，采用融合相似用戶的馬爾科夫模型結(jié)合位置推薦系統(tǒng)對非常規(guī)位置進行預(yù)測。

本發(fā)明的另一目的在于提供一種應(yīng)用所述基于社交網(wǎng)絡(luò)的位置預(yù)測方法的社交網(wǎng)絡(luò)終端。

本發(fā)明的優(yōu)點及積極效果為：基于社交網(wǎng)絡(luò)簽到數(shù)據(jù)，結(jié)合模糊聚類、知識圖譜和位置推薦對下一地點進行預(yù)測，既適用于常規(guī)模式位置預(yù)測，又適用于非常規(guī)模式位置預(yù)測。本發(fā)明結(jié)合時間和位置因素對位置預(yù)測的影響，充分挖掘社交網(wǎng)絡(luò)簽到信息中的語義信息，解決了常規(guī)位置預(yù)測問題，同時通過對非常規(guī)位置預(yù)測解決了位置預(yù)測中的“冷啟動”問題。本發(fā)明運用知識圖譜，挖掘隱含相似用戶；運用概率論知識預(yù)測下一位置為常規(guī)位置或非常規(guī)位置。對于非常規(guī)位置，結(jié)合位置推薦系統(tǒng)，提高非常規(guī)位置預(yù)測精度。

附圖說明

圖1是本發(fā)明實施例提供的基于社交網(wǎng)絡(luò)的位置預(yù)測方法流程圖。

圖2是本發(fā)明實施例提供的基于社交網(wǎng)絡(luò)的位置預(yù)測方法實現(xiàn)流程圖。

圖3是本發(fā)明實施例提供的基于社交網(wǎng)絡(luò)的位置預(yù)測系統(tǒng)結(jié)構(gòu)示意圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

下面結(jié)合附圖對本發(fā)明的應(yīng)用原理作詳細的描述。

如圖1所示，本發(fā)明實施例提供的基于社交網(wǎng)絡(luò)的位置預(yù)測方法包括以下步驟：

s101：爬取社交網(wǎng)絡(luò)簽到數(shù)據(jù)；

s102；對爬取的社交網(wǎng)絡(luò)簽到數(shù)據(jù)進行預(yù)處理，清洗掉無效的數(shù)據(jù)，利用核平滑插值技術(shù)對簽到數(shù)據(jù)的稀疏性進行處理；

s103：結(jié)合常規(guī)位置預(yù)測的輸出概率pr(loc)和非常規(guī)位置預(yù)測的輸出概率pu(loc)，預(yù)測下一位置是否為常規(guī)位置：

s104：通過常規(guī)位置預(yù)測模塊，得到top-m個位置列表；通過提取分析數(shù)據(jù)采集模塊中采集的非結(jié)構(gòu)化信息，應(yīng)用于top-m位置列表，提高位置預(yù)測精度，得到top-k個位置列表(k<＝m)。

常規(guī)位置預(yù)測采用mhmm算法，hmm結(jié)合時間特征和空間特征對位置進行預(yù)測。不考慮時間和空間的影響，給定相同的觀測序列，hmm總是得到相同的預(yù)測結(jié)果；考慮到社交用戶的簽到行為受到時間和空間的影響，選用混合hmm算法對下一位置進行預(yù)測。

其中ct+1為t+1時刻的位置類別，st為t時刻的觀察序列狀態(tài)，為時間空間向量。

所述非常規(guī)位置預(yù)測結(jié)合構(gòu)建知識圖譜，挖掘社交關(guān)系，采用融合社交關(guān)系的馬爾科夫模型結(jié)合位置推薦系統(tǒng)對非常規(guī)位置進行預(yù)測。利用簽到數(shù)據(jù)集構(gòu)建知識圖譜，在知識圖譜上進行推理，挖掘相似用戶，基于歷史簽到數(shù)據(jù)并融合相似用戶訓(xùn)練一個馬爾科夫模型對下一位置進行預(yù)測。最后將馬爾科夫模型和位置推薦系統(tǒng)結(jié)合在一起，提高位置預(yù)測精度。

利用簽到數(shù)據(jù)集作為數(shù)據(jù)來源，構(gòu)建社交知識圖譜，在知識圖譜上進行推理。推理方法有三類：embedding-based技術(shù)，pathrankingalgorithms，和probabilisticgraphicalmodels概率模型。社交關(guān)系的推理采用embedding-based技術(shù)。embedding-based技術(shù)是以隱式因子模型為基本思想的方法，它是基于低維向量的表示方法，將知識圖譜中的實體和關(guān)系在低維的向量空間里進行表達，然后進行推理。首先將實體和關(guān)系進行向量表示；其次，定義打分函數(shù)來衡量關(guān)系成立的可能性。再者，參數(shù)估計，根據(jù)打分函數(shù)推理相似用戶。相似用戶推理綜合打分函數(shù)結(jié)構(gòu)化信息和非結(jié)構(gòu)化分析模塊提取的興趣相似度，表示如下：

sim(u,v)＝αs(u,v)+(1-α)w(u,v)；

其中，α是調(diào)節(jié)參數(shù)，取值為[0,1]，反應(yīng)結(jié)構(gòu)化信息和非結(jié)構(gòu)化信息相似度所占比重，s(u,v)代表結(jié)構(gòu)化信息相似度，w(u,v)代表非結(jié)構(gòu)信息相似度。非結(jié)構(gòu)化信息相似度是非結(jié)構(gòu)信息分析模塊提取興趣關(guān)鍵字，然后根據(jù)余弦相似度計算用戶之間的相似度。計算如下：

其中ui,uj表示用戶i和用戶j興趣關(guān)鍵字向量表示。余弦值取值范圍為[0,1]，0表示完全不同，1表示完全相同。

在歷史簽到數(shù)據(jù)的基礎(chǔ)上，融合相似用戶的影響，訓(xùn)練馬爾科夫模型對位置進行預(yù)測，即lm＝maxp(am|h,sim(u,v))，其中am代表馬爾科夫算法，h代表歷史簽到數(shù)據(jù)，sim(u,v)代表用戶相似度。

最后，綜合融合相似用戶的馬爾科夫模型和位置推薦系統(tǒng)，提高位置預(yù)測精度。其公式如下：

ltop-n＝βlm+(1-β)sr；

其中l(wèi)m代表融合相似用戶的馬爾科夫模型，sr代表位置推薦系統(tǒng)，β為調(diào)節(jié)權(quán)重，取0.6。綜合融合相似用戶的馬爾科夫模型和位置推薦系統(tǒng)，得到top-n位置列表。

圖2是本發(fā)明實施例提供的基于社交網(wǎng)絡(luò)的位置預(yù)測方法實現(xiàn)流程圖。

如圖3所示，本發(fā)明實施例提供的基于社交網(wǎng)絡(luò)的位置預(yù)測系統(tǒng)包括：

數(shù)據(jù)采集模塊，應(yīng)用爬蟲系統(tǒng)，爬取社交網(wǎng)絡(luò)簽到數(shù)據(jù)。

數(shù)據(jù)預(yù)處理模塊，對爬取的社交網(wǎng)絡(luò)簽到數(shù)據(jù)進行預(yù)處理，清洗掉無效的數(shù)據(jù)，然后利用核平滑插值技術(shù)對簽到數(shù)據(jù)的稀疏性進行處理。

判斷模塊，結(jié)合常規(guī)位置預(yù)測的輸出概率pr(loc)和非常規(guī)位置預(yù)測的輸出概率pu(loc)，預(yù)測下一位置是否為常規(guī)位置：

p(loc)＝λpr(loc)+(1-λ)pu(loc)，λ∈{0，1}。

常規(guī)位置預(yù)測模塊，常規(guī)位置即頻繁模式，周期性模式；如8點半上班，中午12點在公司附近午餐，下午6點半下班回家，回家后在家看電視不外出。常規(guī)位置預(yù)測精度受到時間因素、地理因素和歷史數(shù)據(jù)的影響。采用ghmm算法，hmm結(jié)合時間特征和空間特征對位置進行預(yù)測。為了克服預(yù)測范圍大的困難，首先對預(yù)測位置進行分類，先預(yù)測位置的類別，然后進一步預(yù)測位置。

非結(jié)構(gòu)化數(shù)據(jù)分析模塊，通過常規(guī)位置預(yù)測模塊，得到top-m個位置列表。非結(jié)構(gòu)化預(yù)測模塊通過提取分析數(shù)據(jù)采集模塊中采集的非結(jié)構(gòu)化信息，應(yīng)用于top-m位置列表，提高位置預(yù)測精度，得到top-k個位置列表(k<＝m)。

非常規(guī)位置預(yù)測模塊，位置預(yù)測不僅涉及常規(guī)位置，由于人們的新奇特性，隨眾模式，在移動模式上會表現(xiàn)出對非常規(guī)位置的探索。如周六去看電影，周天去購物等。非常規(guī)位置預(yù)測模塊結(jié)合非結(jié)構(gòu)化分析模塊，同時構(gòu)建知識圖譜，挖掘相似用戶，采用融合相似用戶的馬爾科夫模型結(jié)合位置推薦系統(tǒng)對非常規(guī)位置進行預(yù)測。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。