本发明涉及一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，本发明针对传统POI推荐方法中面临的数据稀疏性问题，首先通过引入附加信息的协同张量分解对用户偏好进行建模，然后通过加权HITS同时整合用户偏好与POI的流行度为POI进行打分。最后根据POI打分为用户提供排名靠前的若干POI作为推荐。本发明通过集成协同张量分解与加权HITS考虑用户偏好、时间及当地特色三个因素，克服数据稀疏性问题，为用户提供高质量的个性化POI推荐。
1.一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，其特征在于，包括如下步骤：
1.1)输入用户check-in历史数据及POI类别数据，根据用户在任意一个时间段内对一类POI的访问频数，构建三维用户偏好张量 并对其进行归一化；
1.2)输入用户check-in历史数据、POI类别数据及用户信息数据，根据用户的个人信息及对不同类POI的访问历史，构建用户-特征矩阵X，并对其进行归一化；
1.3)输入用户check-in历史数据及POI类别数据，根据不同时间段内各种类别POI被访问的频数，构建时间段-POI类别矩阵Y，并对其进行归一化；
1.4)输入POI类别数据，将POI类别两两组合构成搜索引擎的关键字，将返回的结果数作为相应POI类别间的相关性构建类别-类别矩阵Z，并对其进行归一化；
1.5)输入三维用户偏好张量 用户-特征矩阵X、时间段-POI类别矩阵Y和类别-类别矩阵Z，通过矩阵X、Y、Z的协同张量分解帮助补全三维用户偏好张量
2.1)输入用户-特征矩阵X，根据余弦相似性计算公式计算用户间的相似性，作为LBSN图中用户间边的权值；
2.2)将查询用户当前时间τ映射为用户偏好张量 中的一个时间段t；
2.3)输入查询区域当地所有用户的check-in历史数据、当地用户间的相似性及当前时间查询用户的偏好，为查询用户构建LBSN图；
2.4)将构建得到的LBSN图输入加权HITS中，计算查询区域当地所有POI分数；
2.5)根据查询用户当前位置l确定产生候选项的区域r；
2.6)根据区域r内POI分数，选取分数最大的前若干项作为提供给该查询用户的POI推荐。
2.根据权利要求1所述的一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，其特征在于：所述对三维用户偏好张量 进行归一化的方法为将三维用户偏好张量中的每一项除以 内所有项中的最大值。
3.根据权利要求1所述的一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，其特征在于：所述用户-特征矩阵中的用户特征包括用户性别特征Fg和位置历史特征Fl，将每个用户的特征Fg和Fl串联成一个向量形式，形成用户-特征矩阵；进行归一化操作时，将每个特征项的值映射到[0-1]区间，映射公式如下所示：其中x表示原值，x′表示归一化后的值，min和max分别表示Fg或Fl特征值的最小值和最大值。
4.根据权利要求1所述的一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，其特征在于：所述步骤1.5)利用tucker分解模型在X、Y和Z的协同帮助下对 进行补全：(i)张量 被分解为一个核张量和三个矩阵的相乘形式，即 其
中核张量 矩阵X被分解为两个矩阵的相乘形式，即X＝U×V，其中
矩阵Y被分解为两个矩阵的相乘形式，即Y＝T×CT，其中
其中，||·||为Frobenius范数； 控制张量分解误差；||X-UV||2控制矩阵X的分解误差，||Y-TCT||2控制矩阵Y的分解误差；||S||2+||U||2+||C||2+||T||2+||V||2为防止模型过拟合的正则项；λ1，λ2，λ3和λ4为控制分解过程中各部分重要程度的参数；tr(CTLYC)由如下公式推导得到：
∑ij||C(i，·)-C(j，·)||Zij＝∑k∑ij||C(i，k)-C(j，k)|| Zij＝tr(C (D-Z)C)＝tr(CTLYC)其中，tr(·)表示矩阵的迹，D(Dii＝∑iZij)为对角矩阵，LY＝D-Z为拉普拉斯矩阵；
(iii)采用梯度下降算法优化目标函数，得到补全后的张量
5.根据权利要求1所述的一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，其特征在于：所述的余弦相似性计算公式如下所示：其中，ui和uj表示任意两个用户， 和 分别为用户ui和uj的归一化的特征向量。
6.根据权利要求1所述的一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，其特征在于：所述用户偏好张量 中的一个时间段t的跨度为1小时。
7.根据权利要求1所述的一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，其特征在于：所述构建得到的LBSN图中，用户和POI作为节点，用户间的朋友关系表示成无向边，用户对POI的check-in关系表示成从用户到POI的有向边；用户间的边权为对应用户间的相似性，用户与POI vj间的边权为查询用户ui在时间段tk内对该POI的偏好值
8.根据权利要求1所述的一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，其特征在于：所述步骤2.4)将LBSN图输入到加权HITS中，按照如下公式迭代计算得到针对查询用户查询区域内所有POI的分数：其中，POI的authority值αPOI定义为访问过该POI所有用户的hub值之和，用户的hub值hU定义为该用户所有朋友的hub值之和加上该用户访问过的所有POI的authority值之和，用户与POI展现出相互加强的关系；0＜β＜1；WU为用户-用户邻接矩阵，定义如下：其中，0＜λ＜1；Ef表示用户间的边集，eij∈Ef是用户ui与用户uj间的边；WU(i，j)表示WU中的一项；simij表示用户ui与用户uj间基于用户特征向量的余弦相似性； 为用户ui访问过的所有POI的数量；
WU-POI为用户-POI邻接矩阵，定义如下所示：
其中，Ec为用户与POI间的边集；eik∈Ec表示用户ui到POI vk的有向边；WU-POI(i，k)是WU-POI中的一项；upik表示查询用户ui在时间段t内对POI vk的偏好值 为用户ui的朋友数；WPOI-U为POI-用户邻接矩阵，定义如下所示：其中，Pki为POI vk被用户ui访问的概率。
9.根据权利要求1所述的一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，其特征在于：所述步骤2.5)以查询用户当前位置l为中心，以R为半径确定产生候选项的区域r。
10.根据权利要求1所述的一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，其特征在于：所述步骤2.6)具体如下：根据区域r内所有POI分数，选取该区域r内用户以前没有访问过的POI作为候选项，并根据POI分数对候选POI进行降序排序，选择分数最大的前若干POI作为推荐结果。
一种基于张量分解及加权HITS的时间感知个性化POI推荐
方法
技术领域
[0001] 本发明涉及POI推荐领域，尤其涉及一种基于张量分解及加权HITS的时间感知个性化POI推荐方法。
背景技术
[0002] 随着装备GPS智能设备的快速发展，产生了基于位置的社交网络服务(Location-based Social Networking Services，LBSNs)，如Foursquare、Facebook Places、Google Places等。在LBSNs上，用户可以登录(check-in)商店、餐厅等POI(Point of Interest)并分享。由于LBSNs用户众多并能覆盖广大的区域，在其基础上出现了POI推荐服务，不仅可以帮助用户认识新的POI和探索不熟悉的区域，而且可以方便广告主向目标用户推送移动广告。
[0003] 传统的个性化POI推荐方法主要有两类：第一类是基于协同过滤(collaborative filtering，CF)方法。协同过滤又可以分为基于记忆协同过滤(memory-based CF)方法和基于模型协同过滤方法(model-based CF)，其中基于记忆协同过滤方法包括基于用户(user-based CF)与基于项目(item-based CF)协同过滤方法。然而，一个用户能够访问的POI是有限的，而城市中有数量庞大的POI，对于传统的基于协同过滤的推荐方法，用户-POI矩阵过于稀疏。第二类是基于链路分析(link analysis)方法。链路分析算法(如：PageRank和HITS)广泛用于网页排序，可以通过分析图的结构提取高质量节点。基于链路分析的POI推荐算法包括全局推荐与个性化推荐。其中全局推荐方法的明显缺陷是不能提供个性化的推荐服务，而能够提供个性化POI推荐的方法依赖用户位置历史的规模，当用户位置历史规模小时推荐效果往往不够理想。此外，高质量的POI推荐需要同时考虑以下三种因素：1)用户偏好：个性化POI推荐需要符合用户的偏好，例如音乐爱好者对音乐会感兴趣，购物狂会更加关注购物商场，根据用户偏好对不同的用户提供不同的推荐。2)时间：用户偏好会随着时间而变化，例如中午在中餐馆吃午餐，午夜在酒吧消遣。3)当地特色：用户的偏好或行为模式会随着地理区域的变化而变化，比如杭州的越剧爱好者到香港旅行，往往会去访问香港本地的特色场所(如购物中心和美食餐馆等)，而不是去看越剧，因此为用户推荐本地的特色场所非常有意义。
发明内容
[0004] 本发明为克服上述的不足之处，目的在于提供一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，本发明针对当前个性化POI推荐的数据稀疏性问题，同时考虑到用户偏好、时间及当地特色在POI推荐中扮演的重要角色，主要包括用户偏好建模和POI打分及推荐，在用户偏好建模阶段，首先构建一个用户偏好张量和三个附加矩阵，然后通过这三个矩阵的协同帮助补全该张量，从而提高用户偏好建模的准确性。在POI打分及推荐阶段，给定一个查询用户以及其所在的位置和时间，首先建立LBSN图，用户间的边权为用户相似性，然后将该LBSN图输入HITS算法，计算每个POI的分数，并取分数高的前若干POI作为推荐。
[0005] 本发明是通过以下技术方案达到上述目的：一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，包括如下步骤：
[0006] 1)基于协同张量分解的用户偏好建模：
[0007] 1.1)输入用户check-in历史数据及POI类别数据，根据用户在任意一个时间段内对一类POI的访问频数，构建三维用户偏好张量 并对其进行归一化；
[0008] 1.2)输入用户check-in历史数据、POI类别数据及用户信息数据，根据用户的个人信息及对不同类POI的访问历史，构建用户-特征矩阵X，并对其进行归一化；
[0009] 1.3)输入用户check-in历史数据及POI类别数据，根据不同时间段内各种类别POI被访问的频数，构建时间段-POI类别矩阵Y，并对其进行归一化；
[0010] 1.4)输入POI类别数据，将POI类别两两组合构成搜索引擎的关键字，将返回的结果数作为相应POI类别间的相关性构建类别-类别矩阵Z，并对其进行归一化；
[0011] 1.5)输入三维用户偏好张量 用户-特征矩阵X、时间段-POI类别矩阵Y和类别-类别矩阵Z，通过矩阵X、Y、Z的协同张量分解帮助补全三维用户偏好张量
[0012] 2)基于加权HITS的POI打分及推荐：
[0013] 2.1)输入用户-特征矩阵X，根据余弦相似性计算公式计算用户间的相似性，作为LBSN图中用户间边的权值；
[0014] 2.2)将查询用户当前时间τ映射为用户偏好张量 中的一个时间段t；
[0015] 2.3)输入查询区域当地所有用户的check-in历史数据、当地用户间的相似性及当前时间查询用户的偏好，为查询用户构建LBSN图；
[0016] 2.4)将构建得到的LBSN图输入加权HITS中，计算查询区域当地所有POI分数；
[0017] 2.5)根据查询用户当前位置l确定产生候选项的区域r；
[0018] 2.6)根据区域r内POI分数，选取分数最大的前若干项作为提供给该查询用户的POI推荐。
[0019] 作为优选，所述对三维用户偏好张量 进行归一化的方法为将三维用户偏好张量中的每一项除以 内所有项中的最大值。
[0020] 作为优选，所述用户-特征矩阵中的用户特征包括用户性别特征Fg和位置历史特征Fl，将每个用户的特征Fg和Fl串联成一个向量形式，形成用户-特征矩阵；进行归一化操作时，将每个特征项的值映射到[0-1]区间，映射公式如下所示：
[0021]
[0022] 其中，x表示原值，x′表示归一化后的值，min和max分别表示Fg或Fl特征值的最小值和最大值。
[0023] 作为优选，所述步骤1.5)利用tucker分解模型在X、Y和Z的协同帮助下对 进行补全：
[0024] (i) 张 量 被 分解 为一个 核张 量和三 个矩阵 的 相乘形 式 ，即其中核张量 矩阵X被分解为两个矩阵的相乘形式，
即X＝U×V，其中 矩阵Y被分解为两个矩阵的相乘形式，即Y＝T×
CT，其中 (ii)得到协同张量分解的目标函数，如下式所示：
[0025]
[0026] 其中，||·||为Frobenius范数； 控制张量分解误差；||X-UV||2控制矩阵X的分解误差，||Y-TCT||2控制矩阵Y的分解误差；||S||2+||U||2+||C||2+||T||2+||V||2为防止模型过拟合的正则项；λ1，λ2，λ3和λ4为控制分解过程中各部分重要程度的参数；tr(CTLYC)由如下公式推导得到：
[0027] ∑ij||C(i，·)-C(j，·)||2Zij＝∑k∑ij||C(i，k)-C(j，k)||2Zij＝tr(CT(D-Z)C)＝tr(CTLYC)
[0028] 其中，tr(·)表示矩阵的迹，D(Dii＝∑iZij)为对角矩阵，LY＝D-Z为拉普拉斯矩阵；
[0029] (iii)采用梯度下降算法优化目标函数，得到补全后的张量
[0030] 作为优选，所述的余弦相似性计算公式如下所示：
[0031]
[0032] 其中，ui和uj表示任意两个用户， 和 分别为用户ui和uj的归一化的特征向量。
[0033] 作为优选，所述用户偏好张量 中的一个时间段t的跨度为1小时。
[0034] 作为优选，所述构建得到的LBSN图中，用户和POI作为节点，用户间的朋友关系表示成无向边，用户对POI的check-in关系表示成从用户到POI的有向边；用户间的边权为对应用户间的相似性，用户与POIvj间的边权为查询用户ui在时间段tk内对该POI的偏好值[0035] 作为优选，所述步骤2.4)将LBSN图输入到加权HITS中，按照如下公式迭代计算得到针对查询用户查询区域内所有POI的分数：
[0036]
[0037] 其中，POI的authority值αPOI定义为访问过该POI所有用户的hub值之和，用户的hub值hU定义为该用户所有朋友的hub值之和加上该用户访问过的所有POI的authority值之和，用户与POI展现出相互加强的关系；0＜β＜1；WU为用户-用户邻接矩阵，定义如下：
[0038]
[0039] 其中，0＜λ＜1；Ef表示用户间的边集，eij∈Ef是用户ui与用户uj间的边；WU(i，j)表示WU中的一项；simij表示用户ui与用户uj间基于用户特征向量的余弦相似性； 为用户ui访问过的所有POI的数；WU-POI为用户-POI邻接矩阵，定义如下所示：
[0040]
[0041] 其中，Ec为用户与POI间的边集；eik∈Ec表示用户ui到POIvk的有向边；WU-POI(i，k)是WU-POI中的一项；upik表示查询用户ui在时间段t内对POIvk的偏好值 为用户ui的朋友数；WPOI-U为POI-用户邻接矩阵，定义如下所示：
[0042]
[0043] 其中，Pki为POIvk被用户ui访问的概率。
[0044] 作为优选，所述步骤2.5)以查询用户当前位置l为中心，以R为半径确定产生候选项的区域r。
[0045] 作为优选，所述步骤2.6)具体如下：根据区域r内所有POI分数，选取该区域r内用户以前没有访问过的POI作为候选项，并根据POI分数对候选POI进行降序排序，选择分数最大的前若干POI作为推荐结果。
[0046] 本发明的有益效果在于：本发明通过集成协同张量分解与加权HITS考虑用户偏好、时间及当地特色三个因素，克服数据稀疏性问题，为用户提供高质量的个性化POI推荐。
附图说明
[0047] 图1是本发明方法的流程示意图；
[0048] 图2是本发明实施例构建的三维用户偏好张量示意图；
[0049] 图3是本发明实施例的协同张量分解示意图；
[0050] 图4是本发明实施例构建的LBSN图示意图；
[0051] 图5是本发明实施例确定产生的候选区示意图。
具体实施方式
[0052] 下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
[0053] 实施例：如图1所示，一种基于张量分解及加权HITS的时间感知个性化POI推荐方法，包括以下步骤：
[0054] (1)基于协同张量分解的用户偏好建模
[0055] 步骤1：输入用户check-in历史数据及POI类别数据，根据用户在某个时间段内对某类POI的访问频数，构建三维用户偏好张量 (用户，时间段，POI类别)，并对其进行归一化；
[0056] 用户偏好张量 对时间感知的用户偏好进行建模，构建结果如图2所示。POI类别表示POI功能并且有不同的粒度，往往表示成类别层次结构。
[0057] 本发明假设已存在该POI类别层次，并分为两层，第一层为n个大类，第二层为m个小类(n＜＜m)。该张量的第一维表示用户u＝[u1，u2，…，ui，…，uN]；第二维为POI类别层次中的第二层c＝[c1，c2，…，cj，…，cM]，其中M＝m；最后一维为时间段t＝[t1，t2，…，tk，…，tL]，其中L＝24为一天中的24小时。张量中的每一项 保存用户ui在时间段tk内对类别为cj的POI的访问频数，并除以所有项中的最大值进行归一化操作。
[0058] 步骤2：输入用户check-in历史数据、POI类别数据及用户信息数据，根据用户的个人信息及对不同类POI的访问历史，构建用户-特征矩阵X，并对其进行归一化；
[0059] 用户特征包括用户性别特征Fg和位置历史特征Fl。特征Fl包括用户对POI类别层次中第一层各类别POI的访问频次fl(|fl|＝n)以及fl的相关统计特征(如，最大值、最小值、均值、标准差、总数、中位数等)。将每个用户的特征Fg和Fl串联成一个向量形式，从而形成用户-特征矩阵 (P表示用户特征维数)。针对每个特征项，对其进行归一化操作，使每一项的值映射到[0-1]间，其转换公式如(1)所示，其中x表示原值，x′表示归一化后的值，min和max表示某特征值的最小值和最大值。
[0060]
[0061] 步骤3：输入用户check-in历史数据及POI类别数据，根据不同时间段内各种类别POI被访问的频数，构建时间段-POI类别矩阵Y，并对其进行归一化；
[0062] 本发明通过构建时间段-POI类别矩阵 来对时间特征进行建模。该矩阵Y的每行表示一个时间段，每列表示一个POI类别，每项Ykj表示在时间段tk内访问类别为cj的POI的频次。
[0063] 步骤4：输入POI类别数据，将POI类别两两组合构成搜索引擎的关键字，其返回的结果数作为相应POI类别间相关性，从而构建类别-类别矩阵Z，并对其进行归一化；
[0064] POI类别ci和cj间的相关性Cor(ci，cj)可以通过将上述两种类别的类别名作为搜索引擎的关键字搜索得到，即搜索引擎返回的结果数。
[0065] 将所有类别间的相关性放在一起形成类别-类别矩阵 然后Z中的每一项除以所有项中的最大值进行归一化操作。
[0066] 步骤5：输入稀疏的用户偏好张量 用户-特征矩阵X、时间段-POI类别矩阵Y和类别-类别矩阵Z，通过协同张量分解补全用户偏好张量 从而精确地对用户偏好进行建模。
[0067] 如图3所示，本发明利用tucker分解模型在X、Y和Z的协同帮助下对 进行补全。张量 被分解为一个核张量和三个矩阵的相乘形式，即 其中核张量矩阵X被分解为两个矩阵的 相乘形式 ，即X＝ U×V，其中
矩阵Y被分解为两个矩阵的相乘形式，即Y＝T×CT，其中
[0068]
[0069] 协同张量分解的目标函数如上式(2)所示，其中||·||为Frobenius范数；控制张量分解误差；||X-UV||2控制矩阵X的分解误差，||Y-TCT|
2 2 2 2 2 2
|控制矩阵Y的分解误差；||S|| +||U|| +||C||+||T||+||V||为防止模型过拟合的正则项；λ1，λ2，λ3和λ4为控制分解过程中各部分重要程度的参数。此外，tr(CTLYC)由下式(3)推导得到，其中tr(·)表示矩阵的迹，D(Dii＝∑iZij)为对角矩阵，LY＝D-Z为拉普拉斯矩阵。本发明基于张量 中的非零项，使用梯度下降算法优化目标函数。从而根据下式(4)得到补全后的张量 用户ui在时间段tk内的偏好可以表示成
[0070] ∑ij||C(i，·)-C(j，·)||2Zij＝∑k∑ij||C(i，k)-C(j，k)||2Zij＝tr(CT(D-Z)C)＝tr(CTLYC)
[0071] (3)
[0072]
[0073] (2)基于加权HITS的POI打分及推荐
[0074] 步骤1：输入用户-特征矩阵X，根据余弦相似性计算公式计算用户间的相似性，作为LBSN图中用户间边的权值；
[0075] 针对任意两个用户ui和uj，根据余弦相似性计算公式得到两个用户相应的相似性，其中 和 分别为用户ui和uj的归一化的特征向量。
[0076] 余弦相似性计算公式如下式所示：
[0077]
[0078] 步骤2：将查询用户当前时间τ映射为时间段t：将查询用户当前的查询时间τ映射为用户偏好张量 中时间段维中的一个时间段。本发明的时间段划分方式是将一天划分为24个时间段，每个时间段跨度为1小时。
[0079] 步骤3：输入查询区域当地所有用户的check-in历史数据、当地用户间的相似性及当前时间查询用户的偏好，为查询用户构建LBSN图；如图4所示为查询用户构建LBSN图。其中用户和POI作为节点，用户间的朋友关系表示成无向边，用户对POI的check-in关系表示成从用户到POI的有向边。用户间的边权为对应用户间的相似性，用户与POI vj间的边权为查询用户ui在时间段tk内对该POI的偏好值 从而构建针对用户ui的LBSN图。需要注意的是LBSN图可以针对每个城市离线初步构建，在线阶段只需将用户与POI间的边权替代为当前查询用户的偏好，从而提高LBSN图构建的效率。
[0080] 步骤4：将针对查询用户而构建的LBSN图输入加权HITS中，计算查询区域当地所有POI分数；
[0081] 在此阶段，针对每个查询用户，本发明假设查询区域当地所有用户的偏好与该查询用户一致，同时考虑当地特色，从而得到该基于加权HITS的POI打分方法。当查询用户对某POI有偏爱时，指向该POI的边权值相对较大，从而最后的打分也相对较大(考虑用户偏好)；当查询用户对某POI比较不喜欢时，相应的边权较小，但如果该POI属于本地特色时，有许多指向其的边，从而最终的分数也不小(考虑本地特色)。将上述LBSN图输入到加权HITS中，如等式(6)所示，POI的authority值αPOI定义为访问过该POI所有用户的hub值之和，用户的hub值hU定义为该用户所有朋友的hub值之和加上该用户访问过的所有POI的authority值之和，用户与POI展现出相互加强的关系。从而通过迭代计算得到针对查询用户查询区域内所有POI的分数。
[0082]
[0083] 其中，0＜β＜1；WU为用户-用户邻接矩阵，定义在等式(7)中；WU-POI为用户-POI邻接矩阵，定义在等式(8)中；WPOI-U为POI-用户邻接矩阵，定义在等式(9)中。
[0084]
[0085] 其中，0＜λ＜1；Ef表示用户间的边集，eij∈Ef是用户ui与用户uj间的边；WU(i，j)表示WU中的一项；simij表示用户ui与用户uj间基于用户特征向量的余弦相似性； 为用户ui访问过的所有POI的数量。
[0086]
[0087] 其中，Ec为用户与POI间的边集；eik∈Ec表示用户ui到POI vk的有向边；WU-POI(i，k)是WU-POI中的一项；upik表示查询用户ui在时间段t内对POIvk的偏好值； 为用户ui的朋友数。
[0088]
[0089] 其中，Pki为POIvk被用户ui访问的概率。
[0090] 步骤5：根据查询用户当前位置l确定产生候选项的区域；
[0091] 对于带有查询位置l的查询用户u，即q＝(u，l)，本发明以当前位置l为中心，确定一个半径为R的范围为产生候选项区域r，如图5所示。
[0092] 步骤6：根据区域r内所有POI分数，选取分数最大的前若干项作为提供给该查询用户的POI推荐。
[0093] 此步骤中，选取该区域r内用户以前没有访问过的POI作为候选项，并根据POI分数对这些候选POI进行降序排序，选择分数最大的前若干POI作为推荐结果。
[0094] 以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。
