[发明专利]基于多重个性化特征混合架构的社交网络好友推荐方法

权利要求书

1.一种基于多重个性化特征混合架构的社交网络好友推荐方法，其特征在于：该方法内容包括以下步骤：

S1，定义亲密度特征，并构建亲密度概率转移矩阵；

S2，引入随机游走模型计算用户之间交互程度评分值；

S3，在定义网络特征亲密度的基础上定义和抽取用户的节点特征，构建多特征转移矩阵；

S4，对所抽取的节点特征，计算其相似性值并排序；

S5，运行随机游走算法，根据随机游走结果得到推荐列表，并向目标用户推荐候选用户。

2.根据权利要求1所述的一种基于多重个性化特征混合架构的社交网络好友推荐方法，其特征在于：在S1中，所述定义亲密度特征，并构建亲密度概率转移矩阵，其约束条件包括：

A)抓取社交网络中目标用户的基本信息和其微博动态信息；所述基本信息包括用户名、兴趣爱好、年龄这类属性信息；所述微博动态信息包括点赞数、评论数和转发数；

B)抽取目标用户好友的基本信息，以及该目标用户的二度好友和三度好友的基本信息；

C)抽取用户间交互活动信息，在这里交互活动信息包括：目标用户、目标用户的好友、目标用户的二度好友、目标用户的三度好友彼此之间的交互活动信息，并以此构建社交网络中目标用户的社交网络；所述用户间交互活动信息包括多种互动信息，比如@、评论、转发、点赞和回复；

D)定义网络特征：亲密度，其定义如公式(1)

Intimacy degree(u,v)＝log(#uv+1.1)*log(#vu+1.1)(1)

其中u和v分别为系统中的用户。

3.根据权利要求1所述的一种基于多重个性化特征混合架构的社交网络好友推荐方法，其特征在于：在S2中，所述随机游走模型，其约束条件包括：

A)随机游走模型是根据目标用户状态的特性具有马尔可夫性，即在t+1时刻用户的状态只与时刻t时用户的状态有关系，表示为下面公式：

Pr(X_u,t+1＝i|X_u,t)(2)

B)根据定义的亲密度特征和节点特征，建立多特征概率转移矩阵，作为初始概率分布向量P_i,j进行随机游走；

C)随机游走过程的输入参数有四个，分别是：邻接矩阵初始评分分布向量r₀，重启发生概率c和概率分布向量p；每次游走后的评分分布向量为r₀，则r的计算公式表示为：

r=(1-c)W~Tr0+cp---(3)]]>

将公式(3)每次计算得到的r代入r₀，反复迭代直到收敛，得到平稳分布概率向量r，r即为推荐结果的相似度向量。

4.根据权利要求1所述的一种基于多重个性化特征混合架构的社交网络好友推荐方法，其特征在于：在S3中，所述用户的节点特征，其约束条件包括：

定义个性化节点特征：该特征用于描述用户的属性信息，所述属性信息包括性别、年龄、兴趣爱好，充分考虑用户的个性化信息，并用抽象化公式表示与目标用户的属性信息相似性，并对该相似性值进行排序。

5.根据权利要求1所述的一种基于多重个性化特征混合架构的社交网络好友推荐方法，其特征在于：在S4中，所述计算节点特征相似性值并排序，其约束条件包括：

A)引入加权平均法，为各种个性化节点特征赋予不同的权重；

B)利用加权平均法得到网络中的用户与目标用户的个性化节点特征相似性的排序值。

6.根据权利要求1所述的一种基于多重个性化特征混合架构的社交网络好友推荐方法，其特征在于：在S5中，所述运行随机游走算法，其约束条件包括：

A)根据随机游走得到的平稳分布概率向量r，对其进行排序得到Top-N的推荐列表；

B)将推荐列表中的好友推荐给目标用户。