[发明专利]一种好友推荐方法及系统

权利要求书

1.一种好友推荐方法，其特征在于，所述方法包括：

根据现有的用户关系构建有向图，所述有向图的节点表征用户，获取每个节点的节点表征向量；

根据节点的邻接关系，获取每个节点的PageRank中心性；

根据节点的PageRank中心性和节点表征向量预测用户成为好友的概率对用户进行好友推荐。

2.根据权利要求1所述的方法，其特征在于，所述获取每个节点的节点表征向量包括：

对所述有向图中出现的motif进行统计，对存在的每一个motif生成对应的邻接矩阵；

统计每个节点参与当前motif的次数，所述当前motif对应的邻接矩阵在对应位置记录所述每个节点参与当前motif的次数；

计算每个motif的拉普拉斯矩阵；

根据所述motif的拉普拉斯矩阵计算该motif下的节点的表征矩阵；

聚合所述表征矩阵，得到每个节点的节点表征向量。

3.根据权利要求2所述的方法，其特征在于，所述计算每个motif的拉普拉斯矩阵包括：

根据公式计算每个motif的拉普拉斯矩阵，式中表征在当前motif加上自环的结果，表征根据得到的度矩阵，表征拉普拉斯矩阵。

4.根据权利要求3所述的方法，其特征在于，所述根据所述motif的拉普拉斯矩阵计算该motif下的节点的表征矩阵包括：

根据公式计算该motif下的节点的表征矩阵，其中，式中X_i表征节点的表征矩阵，F表征节点的特征矩阵，M_i表征节点参与第i个motif的邻接矩阵，GCN表征图卷积网络算法，表征拉普拉斯矩阵，ReLU表征激活函数，W₀、W₁表征深度学习的权重矩阵。

5.根据权利要求4所述的方法，其特征在于，所述聚合所述表征矩阵包括：

根据公式聚合表征矩阵，其中，式中k表征表征矩阵的个数，B_i是每个motif下表征矩阵的系数，表示该种motif的重要性，X_i表征节点的表征矩阵。

6.根据权利要求1所述的方法，其特征在于，所述获取每个节点的PageRank中心性包括：

根据公式获取节点的PageRank中心性，其中，式中d表征跳转概率，N表征网络中节点的总个数，N_i表征节点i的所有邻居节点的个数，L(v)表征节点v的邻居节点个数，PR(v)表征节点v的中心性。

7.根据权利要求1所述的方法，其特征在于，所述根据节点的PageRank中心性和表征向量预测用户成为好友的概率对用户进行好友推荐包括：

对节点中心性进行归一化；

计算各节点间的连边概率，得到预测的邻接矩阵，对于所述邻接矩阵中值大于阈值的对应节点进行好友推荐。

8.一种好友推荐系统，其特征在于，所述系统包括：

编码器模块，用于根据现有的用户关系构建有向图，所述有向图的节点表征用户，获取每个节点的节点表征向量；

解码器模块，用于根据节点的邻接关系，获取每个节点的PageRank中心性；

根据节点的PageRank中心性和节点表征向量预测用户成为好友的概率对用户进行好友推荐。

9.一种计算设备，包括处理器和存储器，其中，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器运行时，执行如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1-7任一项所述的方法。