王森 林勤花

摘 要：隨著信息技術的普及與移動互聯(lián)網的發(fā)展，用戶每年都會產生海量的數據，目前我們已經進入了大數據時代。面對海量數據，如何尋找感興趣的信息已經成為困擾用戶的問題。由于每個人的興趣愛好不太相同，使用一個大眾版的排行榜并不能滿足每個人的需求。位置推薦算法就是在大量數據作為支撐的情況下，對用戶進行相似性計算，最后根據相似用戶的簽到地點做出推薦。本文主要通過經典的協(xié)同過濾方式實現一個位置推薦算法。

關鍵詞：海量數據;位置推薦;協(xié)同過濾

隨著移動互聯(lián)網的興起，用戶可以方便快捷地記錄當前的位置坐標，產生了許多有名的軟件，比如微博、forsqure、ins等。Foursquare作為位置信息服務的巨頭，目前積累了超過80億的簽到數據，全球每天都有用戶使用該軟件用來分享他們的生活。通過這些位置社交軟件，用戶對他們去過的地點進行簽到，同時可以分享視頻、音樂、圖片等信息。本文以新加坡簽到數據為例，對經典的協(xié)同過濾算法進行了位置推薦方面的實現。

一、相關知識

（一）基于位置的社交網絡

基于位置的社交網絡（Location-Based Social Networks，簡稱為LBSN）是在社交網絡的基礎上融合了位置服務的一種新的社交模式。這種新的模式不僅將用戶和用戶進行了聯(lián)系（這種聯(lián)系包括同學、同事、家人等），也將用戶與地點進行了聯(lián)系，形成了一個更加深層次的社交網絡。隨著智能手機的廣泛運用，用戶可以隨時通過GPS定位自己的位置，這種基于位置的軟件也越來越廣泛地被人們使用，因此產生了大量的基于位置的軟件，foursqure就是其中之一。

（二）Foursquare

Foursquare是Dennis Crowley于2009年在美國創(chuàng)立的基于用戶位置信息的網站，用于使用戶方便深入了解當地，并可對當地景點或餐廳等進行評分。目前已在全球積累了海量的用戶。

二、協(xié)同過濾算法

（一）協(xié)同過濾算法公式介紹

相似的用戶往往會有相同的興趣，因此位置推薦算法常用的方式是先計算出每個用戶的相似用戶，再根據相似用戶對相關地點進行推薦。

推薦算法中最經典的就是協(xié)同過濾算法。假設用U表示與當前用戶最相似的用戶組，用L來表示用戶簽到的地點集合， 則是指某個用戶（這里用i表示）在某個地點（用j來表示）進行簽到的概率，則該概率的計算公式如公式3-1所示：

這里的? 表示是用戶? 在是否曾經去過地點j， 值零表示該用戶未曾去過j，有值說明該用戶去過。 是指用戶K和用戶i之間的相似性，具體計算公式如公式3-2所示：

（二）協(xié)同過濾算法在LBSN上的運用

下面通過一個小實驗來說明基于位置的協(xié)同過濾推薦算法是如何工作的，假設 ??的值只能是0和1。1代表去過該地點而0代表沒有去過，具體的簽到矩陣如表1所示。

通過表1可知，用戶A去過景點B、景點C，用戶B則去過景點A、景點D。通過協(xié)同過濾算法，首先需要用公式3-2算出用戶兩兩之間的相似性，以用戶A為例：

最終可算出用戶相似性矩陣如表2所示。通過用戶兩兩之間的相識程度，可以找到每個用戶最相似的N個用戶，通過最相似的N個用戶的簽到情況即可進行推薦，即使用公式3-1計算用戶在某個地點的簽到可能性，很明顯簽到可能性最好的地點就是我們最終的推薦結果。

以用戶A為例，假設采用最相似的兩個用戶進行位置推薦，則用戶A最相似的用戶是B和C。通過公式可以算出：

可以看出????? >????? ，說明在歷史數據的基礎上用戶A去景點1的可能性要大于景點4，最終的推薦結果是景點1而不是景點4。

三、通過foursquare數據進行實驗

（一）foursquare數據集介紹

本文實驗中使用的數據是Foursquare數據集。該數據是位置推薦算法相關領域常用的經典數據集，是新加坡學者在2010年與2011年之間收集的新加坡簽到數據，Foursquare上2010年8月～2011年7月新加坡的簽到記錄，共計342，850條。

（二）實驗過程

首先將數據集合按照80%和20%的數據劃分為訓練集和測試集，然后計算每個用戶的相似用戶，最后根據相似用戶去過的地點推薦得分最佳的地點。通過最終的實驗，我們完成了協(xié)同過濾算法在位置推薦上的運用。

四、結束語

面對海量的數據，用戶越來越難以獲取感興趣的信息，通過推薦算法可以較好地完成該任務。本文介紹了經典的協(xié)同過濾算法，并且介紹了該算法如何在位置推薦服務上使用。最后我們計劃通過一個網頁實現對數據可視化展示。

參考文獻

[1] 宋亞偉，司亞利，劉文遠，等. 融合時間特征和協(xié)同過濾的興趣點推薦算法[J].小型微型計算機系統(tǒng)，2016，37（6）：1153-1158.

[2] 劉袁柳.面向LBSN的興趣點和用戶推薦方法研究[D].蘇州大學，2015.

[3] 周翔宇，高仲合.基于地理位置和用戶行為特征的推薦算法研究[J].通信技術，2019，52（8）：1928-1931.