基于位置社交网络的用户轨迹相似性挖掘方法

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。

主权项

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。