[发明专利]基于PageRank算法的网络个性化推荐方法

权利要求书

1.一种基于PageRank算法的网络个性化推荐方法，包括如下步骤：

（1）从网页配置文件中，获取组员以及组员之间的好友关系数据，定义基于好友关系的组为：G＝{u₁,u₂,…,u_g}，其中u_l为第l个组员,，g为组G中组员的个数；定义组G的邻接矩阵为M={a_ij}，a_ij表示组员u_i与组员u_j之间的关系，若a_ij＝1，则表示组员u_j是组员u_i的好友关系，若a_ij＝0，则表示组员u_j不是组员u_i的好友关系，其中u_i,u_j∈G，1≤i≤g，1≤j≤g；

（2）根据组G内组员之间的好友关系，计算组员对组G归一化后的影响力向量为组员u_l对组G归一化后的影响力，c为迭代计数器；

（2a）初始化：设迭代计数器c为0，设为每个组员对组G的影响力，设为组员对组G的影响力向量，F⁰＝(1,1,...,1)，设收敛阈值为T，0＜T＜1；

（2b）在组G内，若组员u_l有k个好友u_l1，u_l2，...,u_lk，1≤k≤g，则组员u_l对组G的影响力为：

fulc+1=1-dg+dΣi=1kfulicC(uli),1≤i≤k]]>

其中，d是阻尼因子，0≤d≤1，C(u_ll)为u_li好友的个数，为好友u_li对组G的影响力，

（2c）根据步骤（2b）计算组员u_l对组G的影响力得到组G的影响力向量Fc+1=(fu1c+1,fu2c+1,...,fugc+1);]]>

（2d）计算|F^c+1-F^c|的值，若|F^c+1-F^c|＜T，则对新的影响力向量F^c+1进行归一化，得到归一化后的影响力向量：Fc+1~={fu1c+1~,fu2c+1~,...,fugc+1~},]]>fulc+1~=fulc+1/Σi=1gfuic+1,]]>

否则返回步骤（2c）；

（3）收集组员u_l对训练样本中的对象m的评分t，建立组员u_l的个人喜好模型：P＝(v₁,v₂,…,v_t)，1≤t≤5，t∈自然数，其中v_t是评分为t的样本对象m集合的关键字向量，v_t＝{w₁,w₂,…,w_k}，其中w_r为样本对象m的关键字,1≤r≤k，k为样本对象m的关键字个数；

（4）输入待分析对象m′，并使用关键字表示待分析对象，得到待分析对象的关键字向量W′＝{w′₁,w′₂,…,w′_k}，其中w′_r为待分析对象m′的关键字,1≤r≤k，k为待分析对象m′的关键字个数；

（5）计算组员u_l对待分析对象m′的预测评分pred(u_l,m′)，计算待分析对象m′的关键字向量W′和组员u_l的个人喜好模型P中的v_t之间的向量相似度，取向量相似度最大的v_t所对应的分值t，作为组员u_l对待分析对象m′的预测评分pred(u_l,m′)，即：

pred(u_l,m′)＝t|max(rel(W′,v_t)，

其中，rel(W′,v_t)是待分析对象m′的关键字向量W′与组员u_l的个人喜好模型P中，评分为t的样本对象集合的关键字向量v_t之间的向量相似度；

（6）计算组G对待分析对象m′的预测评分pred(G,m′)：

pred(G,m′)=Σul∈G(fulc+1~*pred(ul,m′));]]>

（7）根据步骤（6）中所得的组G对待分析对象m′的预测评分pred(G,m′)的结果，判断是否将对象m′推荐给组G，若pred(G,m′)≥λ，则表示待分析对象m′满足推荐条件，并向组G予以推荐；反之不予以推荐，λ为推荐系统预设的阈值，1≤λ≤5；

（8）组G中的每个组员u_l获取到对象m′信息，组员与组员之间共享对象m′的数据信息，针对该对象m′进行信息的交互，即将该对象m′的数据主动提供给用户，用户从这些信息中选取自己所关心和需要的信息。

2.根据权利要求1所述的基于PageRank算法的网络个性化推荐方法，所述步骤（5）中，计算待分析对象m′的关键字向量W′和组员u_l的个人喜好模型P中的v_t之间的向量相似度rel(W′,v_t)，通过如下公式计算：

其中，{ε′₁ε′₂…ε′_q}表示待分析对象m′的关键字w′_r的二进制码向量，1≤q，ε′_j，取值为0或1，1≤j≤q，若ε′_r＝1，表示待分析对象m′中关键字向量W′中有关键字w′_r，反之ε′_r＝0，&表示按位求与，{ε₁ε₂…ε_q}表示样本对象m的关键字w_r的二进制码向量，若ε_r＝1，表示样本对象集合的关键字向量v_t中有关键字w_r，反之ε_r＝0。