强蓉

（西南大学 重庆市 400715）

近些年，在实际应用中，大多会选择利用多种异构类型的上下文信息对不同用户的潜在偏好进行分析和挖掘，并为用户生成推荐列表，本文的研究提出一种融合时间序列的POI 动态推荐算法[1]。

1 基于用户的协同过滤算法与时间序列划分

在常规模式下，需要通过对不同用户访问情况的分析，来实现基于用户的协同过滤。这一模式下，需要分析、研究用户对相同位置访问的次数。并对不同用户之间的相似程度进行分析，即余弦相似度。协同过滤是一种十分经典的推荐算法，主要涉及到两个部分，即离线的过滤和协同的过滤[2]。分析协同过滤模型，通常情况下包含了若干用户和物品的数据信息。但是，评分数据并非存在于所有用户之间，其中仅有部分用户和数据间具有评分数据。而基于用户的协同过滤算法，通过引入一定的时间意识因子，综合各种地理位置信息进行分析，则可以构建起融合时间序列兴趣点动态推荐模型。

1.1 时间序列划分

在应用过程中，可以对时间序列进行不同的划分。在具体的划分方式上，有多种不同的情况[3]。例如，可以以小时为单位，将一天中的24 小时划分为24 个相等的时间槽。或者以天为单位，将每周7 天时间划分为休息日和工作日两个不同的时间序列。在本文的研究过程中，选择将一天划分为24 个小时。在不同的时刻，分别对用户相应的偏好情况进行分析。其中，时间t 代表了一定的整数，这些整数的取值范围为0~23。……