[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

说明书

技术领域

本发明涉及社交网络中的个性化好友推荐模型，尤其涉及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。该方法结合用户的属性信息及用户间的互动信息，定义亲密度特征，并构建亲密度概率转移矩阵，引入随机游走模型计算用户之间交互程度评分值。在此基础上，定义用户的个性化节点特征，利用加权平均法为其分别赋予不同的权值，最后利用随机游走算法，得到Top-N的推荐列表进行推荐。基于此，构建统一的个性化好友推荐模型，以实现个性化好友推荐。

背景技术

推荐是一种搜索信息的有效方式，如果应用在商品推荐中也能够吸引顾客；在社交网络中，好友推荐是非常有必要的，尤其是对于那些迫切想提高社交能力的用户是非常重要的。

近年来，已提出多种推荐方法，如，基于协同过滤，基于标签，基于内容等等。这些方法广泛应用于各大推荐系统，但这些方法忽略了用户的个性化特征和用户间的交互信息，如，@、评论、转发、点赞等等。

动态社交网络的发展为我们提供了一个验证推荐方法的新环境，同时也带来新的挑战。由于用户行为的动态性和用户交互的重要性，如何根据用户交互信息进行好友推荐？如何利用个性化特征设计有效方法进行好友推荐？如何综合考虑上述诸因素建立统一的动态模型实现个性化好友推荐？这些都是亟待解决的问题。

发明内容

本发明旨在利用用户的行为信息和用户间的交互信息，构建基于多特征混合结构的统一动态社交网络好友推荐模型。该模型通过引入网络特征和用户节点特征，提出一种随机游走框架和加权平均法的混合结构以弥补现有好友推荐方法忽略用户个性化信息的不足。结合个性化网络特征和用户节点特征可以充分考虑社交网络中用户的基本信息和用户之间的交互信息，最终提高推荐的准确性。

为了解决上述存在的技术问题实现上述发明目的，本发明是通过以下技术方案实现的：

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，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。

进一步，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。

该特征充分考虑了用户的属性信息(包括@、评论、转发、点赞、回复等多种交互形式)，综合分析其交互的频率、形式等信息，同样用抽象化的公式进行表达，并据此构建亲密度概率转移矩阵，利用随机游走模型得到推荐列表。

进一步，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：