1.一种结合出行兴趣与社交偏好的POI推荐方法，其特征在于，包括以下步骤：步骤一：首先根据LBSN中用户历史POI数据分布学习用户出行行为，利用变阶马尔科夫算法根据当前位置预测用户未来出行访问的POI；

步骤二：利用用户提供的文本信息提取主题向量构建社交关联的兴趣相似；

步骤三：再利用出行序列构造异构出行信息网络，通过随机游走的SimRank方法建立出行行为的兴趣相似；

步骤四：综合社交兴趣相似分析和出行行为相似分析，进而确定相似群体；

步骤五：结合步骤一预测的用户未来出行访问的POI以及用户的相似群体产生候选POI集合，通过计算兴趣度发现TOP-N个用户最可能去的POI。

2.根据权利要求1所述的一种结合出行兴趣与社交偏好的POI推荐方法，其特征在于，步骤一的具体过程如下：(1)首先利用用户一天的出行兴趣点来建立一条兴趣点序列，POI序列的定义为：Seq_Loc＝loc0→…→loci→…→loch，其中loci代表某一个位置点，loci＝(lat,lon,check_intime,POIi,POI_categoryj)；其中lat,lon表示位置的经度，纬度；check_intime表示签到的时间；POIi,POI_categoryj是位置标识与POI类别；Seq＝{(id,Seq_Loc)|id＝1,2,…,m}，id唯一标识了用户u每一条轨迹，Seq为某个用户的所有出行序列集合；

(2)其次利用变阶马尔科夫算法进行下一个出行目的地预测，具体的实施过程如下：假设用户u的历史到访兴趣点集POI＝{POI1,…,POIi,…,POIw}，其中POIi表示兴趣点名称，w表示到访兴趣点总数；

在一条兴趣点序列Seq_Loc中，若给定位置locn+1∈POI，则locn+1的N阶上下文模型，指的是Seq_Loc中以locn为目的地，且长度为N的序列，即通过在Seq中搜索与 具有相同长度的轨迹，在每个上下文模型中都添加一个初始频度为N-1阶的逃逸码，根据满足条件的轨迹次数来预测位置locn+1在紧邻时间的兴趣点中出现概率；

对于兴趣点序列Seq_Loc，用Pi表示用户到达目的地POIi的概率，则用如下公式(1)进行计算；

Pi＝P(locn+1|Seq_Loc)     (1)

当Seq中包含位置POIi的上下文模型 预测POIi的出现概率Pi为 并停止计算；当Seq中没有 时，逃逸码频度减1，同时上下文模型更改为 并计算逃逸码预测概率 再次统计 的出现次数，当Seq中能匹配到 时，输出的出现概率是 如此重复统计，直至逃逸码频度为1；如公式

(2)所示：

其中，0

其中 表示Seq中以POIi为目的地的上下文模型 出现个数； 表示Seq中以不同目的地的上下文模型 出现的总数； 表示Seq中匹配上下文模型的不同目的地的集； 表示Seq中匹配上下文模型 的不同目的地的类型总数； 表示上下文模型 的逃逸码频度； 表示上下文模型 的逃逸码预测概率；

系统中的每个兴趣点都对应分别的POI类别，下一个出行兴趣点预测的目的是，推荐给用户与预测概率最大的兴趣点具有相同POI类别的POI。

3.根据权利要求1所述的一种结合出行兴趣与社交偏好的POI推荐方法，其特征在于，步骤二的具体过程为：(1)首先利用用户社交文本信息定义两个用户之间的相似度；

对于一个给定的用户u，Tweet(u)表示用户发布的所有社交本发明信息集合，通过对用户的Tweet(u)进行分词过滤、停用词过滤以及词性标注；

(2)其次通过LDA主题模型算法对文本进行主题提取，为每个用户u对应的主题建立一个主题向量tu来存储用户的主题向量信息；对于两个用户ui和uj来说，他们之间的社交兴趣相似性Sim_Interest(ui,uj)由公式(3)所示：Sim_Interest(ui,uj)∈[0,1]，Sim_Interest(ui,uj)≈1则表示ui和uj兴趣相似，如果Sim_Interest(ui,uj)≈0则表示ui和uj兴趣不相似。

4.根据权利要求1所述的一种结合出行兴趣与社交偏好的POI推荐方法，其特征在于，步骤三的具体过程如下：(1)首先进行异构出行信息网络的建模；

用三元组H＜U,POI,E>表示异构出行网络，其中U为用户节点结合；POI为所有兴趣点集合；

网络中所有无向边的集合为：E＝EUU∪EUL∪ELL；

其中EUU为用户-用户边集合，表示用户兴趣相似，EUL为用户-兴趣点边集合，表示用户签到行为，ELL为兴趣点-兴趣点边集合；

(2)其次进行基于随机游走的SimRank的出行偏好相似计算；

在网络H中，两个用户ui和uj的相似性取决于ui和uj在网络H中随机游走直到相遇，其中相遇所经过的路径的长度和能相遇的次数，基于异构出行信息网络的建模的SimRank的计算方法，如公式(4)和公式(5)所示：其中，k≤K，k为迭代次数，t(ui,uj)→(x,x)表示以ui、uj为起点的两条随机游走路径，首次在x点相遇，两条路径的长度相同，均为l(t)；假设两条路径分别为t1＝(q1,q2,...,qm,x)，t2＝(q′1,q′2,...,q′m,x)；游走t1的概率为 游走t2的概率为ui和uj通过路径t1和t2在顶点x相遇的概率

5.根据权利要求4所述的一种结合出行兴趣与社交偏好的POI推荐方法，其特征在于，步骤四的具体过程如下：利用ui和uj两个用户之间两种属性相似度Sim_Interest(ui,uj)和Sim_Track(ui,uj)的加权融合来计算两个用户ui和uj之间的融合相似度Sim_Fuse(ui,uj)：Sim_Fuse(ui,uj)＝ω1Sim_Interest(ui,uj)+ω2Sim_Track(ui,uj)    (6)其中ωi为各个属性相似度的权重。

6.根据权利要求5所述的一种结合出行兴趣与社交偏好的POI推荐方法，其特征在于，ω1+ω2＝1。

7.根据权利要求6所述的一种结合出行兴趣与社交偏好的POI推荐方法，其特征在于，ω1＝0.5和ω2＝0.5。

8.根据权利要求1所述的一种结合出行兴趣与社交偏好的POI推荐方法，其特征在于，步骤五的具体过程如下：(1)首先通过计算用户的签到地点lj在相同类型地点集合中所有签到地点的签到数总和的比重表示用户ui对地点lj的兴趣度；

用户ui对地点lj的签到次数表示为check_in(ui,lj)，利用公式(7)表明用户ui对地点lj的兴趣度Interest(ui,lj)：其中 为用户ui对与地点lj具有相同POI类型的地点包括地点lj在内的签到地点平均签到次数； 为用户对于与地点lj具有相同POI类型的地点包括地点lj在内的签到地点的签到次数的方差；

(2)其次对于每个用户u∈U，利用相似度算法对待测用户进行计算，计算u与U-{u}中每个用户的相似度，按照相似度对U-{u}中的所有用户进行降序排序，取前H项，得到一个与用户u最相似的用户集合Sim(u)，集合Sim(ui)中的用户表示为v；

(3)最后搜索与用户下一个目的地Li具有相同POI类型标签的未知地点，并放入候选位置集合L*中。

9.根据权利要求3所述的一种结合出行兴趣与社交偏好的POI推荐方法，其特征在于，*搜索与用户下一个目的地Li具有相同POI类型标签的未知地点，并放入候选位置集合L中的具体过程如下：在用户ui的候选位置集合 中取位置点lk，位置点lk对应的用户ui的相似用户集合为V,V∈Sim(ui)，集合V中有X个与用户ui相似的用户V＝{v1,v2,...,vX}；用户ui对lk的兴趣度Interest(ui,lk)表示为公式(8)通过计算用户与候选位置集中每个位置的兴趣度，取TOP-N作为兴趣点推荐集合R(u)。