[发明专利]基于网络社区的协同过滤推荐方法

说明书

技术领域

本发明涉及社会网络技术领域，具体涉及一种基于网络社区的协同过滤推荐方法。

背景技术

近些年，随着现实生活中计算机网络技术的出现和逐渐普及，个性化服务已成为一种新的信息服务模式，其中推荐技术是个性化服务中一个重要的组成部分。个性化推荐是指根据用户的兴趣爱好对用户信息进行收集、过滤、分类，找到用户感兴趣的项目或信息并将其推荐给用户的技术。个性化推荐应用日益广泛，应用领域涉及电子商务，网页，电影，图书，音乐等多个方面。如一些电子商务网站通过收集和分析用户的购买历史，预测用户可能感兴趣的商品并将其推荐给用户，从而提高了销售业务，又如搜索引擎通过分析用户浏览网页的历史行为，对网页进行分类和排序，进而向用户推荐更精准的信息等。

目前推荐技术主要分为基于内容的推荐技术和基于协同过滤的推荐技术两大类。传统基于内容的推荐方法通过收集项目的内容或属性信息等特征因素,依据用户信息与对应项目的匹配程度，推荐具有相似属性的项目而不考虑历史评分。基于协同过滤的推荐方法则通过收集用户的评分信息,计算出用户与用户之间的相似度，并通过获得原用户相似度较高的用户对项目的偏好，来预测原用户对项目的偏好。相比于基于内容的推荐技术，协同过滤技术无需获得对象的信息，可以在缺乏对象内容描述的情况下进行推荐。

协同过滤推荐技术广泛应用于推荐系统中，然而其同样存在数据稀疏性等问题。所谓数据稀疏性问题是指在一个推荐系统中，用户的数量通常远小于项目的数量，很多用户对项目的评价数据较少，造成了协同过滤技术对于数据的缺乏，最终影响推荐系统的准确性。

随着网络技术特别是Facebook、人人网等社交网站的兴起，社会网络逐渐成为复杂网络领域的研究热点。社会网络以个人为节点构成社会结构，人与人之间通过相互作用的关系联结起来。相互作用的关系包括友谊、利益关系、宗教信仰等等。根据大量的研究发现，在许多社会网络中都有一个典型的特征结构——社区结构，即一个复杂网络可以划分成若干社区。通常认为，一个明显的社区结构要求社区内的节点连接相对紧密，社区间的节点连接相对稀疏。同一社区内的点往往具有相似的性质，检测这些具有相似性质的社区可以提供重要信息，有助于理解和推测网络的结构和个体之间的关系。

通常一个社会网络可以建模为G=（V，E）模型，其中V表示一组节点或顶点，E表示一个链接的集合，称为边集，用于连接任意两个节点。传统的社区结构检测方法主要分为基于图分割的方法和基于层次聚类的方法。基于图分割的方法是将网络以图形形式划分成若干个子集，同时要求各子集间连接边尽可能少。然而这种方法通常对划分社区的个数有明确的限制。基于层次聚类的方法则是通过不同方法建立预定义启发规则，这类方法通常能够较快速的获得社区结构，但对于不同类型的网络划分结果差异较大。

发明内容

本次发明的目的在于针对上述已有技术的不足，提出一种基于相似度的社区检测方法,以有效解决数据稀疏性问题，提高推荐效率。

实现本发明目的，本发明的技术方案包括如下步骤：

1.一种基于网络社区的协同过滤推荐方法，包括如下步骤：

（1）获取用户对待推荐项目的评分信息，通过用户对待推荐项目的评分数据间接生成用户与用户之间的关系网络，其中任意两个用户共同评分的项目个数表示这两个用户之间的权值关系，这些用户之间的权值关系构成用户与用户的关系网络，用户对项目的评分信息用矩阵R(m,n)表示为：