基于位置社交网络的用户轨迹相似性挖掘方法.pdfVIP

(19)中华人民共和国国家知识产权局 *CN102880719A* (12)发明专利申请 (10)申请公布号 CN 102880719 A (43)申请公布 日 2013.01.16 (21)申请号 201210390018.8 (22)申请 日 2012.10.16 (71)申请人 四川大学 地址 610064 四川省成都市武侯区九眼桥望 江路29 号 (72)发明人 李智 张莹 秦旭 (51) Int.C l. G06F 17/30 (2006.01) 权利要求书 3 页 说明书 4 页 附图 4 页 权利要求书3 页 说明书4 页 附图4 页 (54) 发明名称 基于位置社交网络的用户轨迹相似性挖掘方 法 (57) 摘要 本发明提出一种位置社交网络用户轨迹相似 性的挖掘方法，通过数据挖掘方法分析海量的用 户签到数据，从用户历史签到的地理位置信息上 研究用户轨迹相似性，提出了一种基于自适应密 度聚类的用户轨迹相似性双重加权模型。针对用 户签到点的分布情况，提出基于聚类区域半径的 自适应密度聚类算法，对签到点进行聚类划分，得 到符合一定区域半径的自适应分层聚类区域。针 对用户相似性的计算，提出用户轨迹相似性双重 加权模型：基于不同层次上权重不同及同一层次 上不同签到区域权重不同两个原则。基于分层聚 类区域，计算用户访问每个分层的轨迹相似性，由 于不同签到区域对相似度的表征能力不同，通过 不同权重加权来计算具体层次上的相似性。进而 进行层次上的加权，获得用户总体的相似性。 A 9 1 7 0 8 8 2 0 1 N C CN 102880719 A 权 利 要 求 书 1/3 页 1. 一种基于位置社交网络的用户轨迹相似性挖掘方法，其特征在于：该方法从用户历 史签到的地理位置信息上研究用户的轨迹相似性，提出一种用户相似性度量模型，即基于 自适应密度聚类的用户轨迹相似性双重加权模型 (Adaptive-Density-Clustering-Based User Trajectory Similarity Double Weighted Model，ADCBUTSDWM) ； 该方法首先针对位置社交网络的签到点，提出了基于聚类区域半径的自适应密度聚 类 算 法（Clustering-Area-Radius-Based Adaptive Density Clustering Algorithm, CARBADCA），该基于聚类区域半径的自适应密度聚类算法首先对用户签到点进行自适应聚 类操作，得到用户访问的自适应分层位置区域；在此基础之上，提出用户轨迹相似性双重加 权模型(User Trajectory Similarity Double Weighted Model, UTSDWM),首先利用向量 空间模型分别计算用户在不同分层位置区域下的加权相似性，再通过加权各层次上的相似 性以得到用户行为轨迹上的总体相似性。 2. 根据权利要求1 所述的基于位置社交网络的用户轨迹相似性挖掘方法，其特征在 于：所述的基于聚类区域半径的自适应密度聚类算法（CARBADCA）描述如下： 输入: 包含n个对象的数据库，初始聚类半径 ε，邻域内最少数目MinPts，最终聚类区 域半径限定值r ; 输出:所有生成的多个层次的分簇。 阶段1 ： 　　(1)Repeat 　　(2) 从输入数据库中抽出一个未处理的签到点； 　　(3) 标记为已处理； (4)IF 抽出的点是核心点，THEN 找出所有从该点密度可达的对象，形成一个聚类区域 i ；