一種面向社交網(wǎng)絡(luò)的多屬性協(xié)同過(guò)濾推薦方法
【專(zhuān)利摘要】本發(fā)明請(qǐng)求保護(hù)一種面向社交網(wǎng)絡(luò)的多屬性協(xié)同過(guò)濾推薦方法，首先，利用社交網(wǎng)絡(luò)的海量數(shù)據(jù)信息，收集用戶、朋友和項(xiàng)目列表信息，構(gòu)建原始用戶-項(xiàng)目評(píng)分矩陣；其次，利用九數(shù)取中均值的思想，對(duì)稀疏矩陣進(jìn)行預(yù)測(cè)填充；第三，通過(guò)用戶-項(xiàng)目二分圖來(lái)計(jì)算用戶間吸引相似度；第四，計(jì)算其互動(dòng)相似度，再線性組合吸引相似度與互動(dòng)相似度得到用戶彼此間的綜合相似度，搜索得到目標(biāo)用戶的最鄰居集；最后，根據(jù)目標(biāo)用戶最近鄰居集對(duì)目標(biāo)用戶待推薦項(xiàng)目進(jìn)行預(yù)測(cè)評(píng)分，生成Top-N推薦集。該方法改進(jìn)了傳統(tǒng)協(xié)同過(guò)濾方法中用戶間相似度的計(jì)算規(guī)則，緩解了評(píng)分矩陣稀疏性給協(xié)同過(guò)濾方法以及推薦系統(tǒng)帶來(lái)的巨大阻礙，提高了推薦系統(tǒng)的準(zhǔn)確性。
【專(zhuān)利說(shuō)明】一種面向社交網(wǎng)絡(luò)的多屬性協(xié)同過(guò)濾推薦方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及數(shù)據(jù)挖掘和信息檢索領(lǐng)域，涉及協(xié)同過(guò)濾推薦技術(shù)，尤其是一種面向 社交網(wǎng)絡(luò)的多屬性協(xié)同過(guò)濾推薦方法。

【背景技術(shù)】
[0002] 隨著信息技術(shù)和互聯(lián)網(wǎng)的快速發(fā)展，人們逐漸從信息匱乏的時(shí)代走進(jìn)了信息過(guò)載 的時(shí)代。為了解決信息過(guò)載問(wèn)題，強(qiáng)大的搜索引擎應(yīng)運(yùn)而生，使得人們可以在海量的信息中 找到自己想要的內(nèi)容，與搜索引擎一樣，推薦系統(tǒng)也可以幫助用戶發(fā)現(xiàn)有用的信息，并且用 戶不再是被動(dòng)的網(wǎng)頁(yè)瀏覽者，而逐步成為了主動(dòng)參與者。
[0003] 近年來(lái)，推薦系統(tǒng)受到了越來(lái)越多的互聯(lián)網(wǎng)巨頭以及電商的青睞，尤其是個(gè)性化 推薦技術(shù)的發(fā)展，對(duì)改善用戶體驗(yàn)和提高服務(wù)質(zhì)量起到了重要的作用。當(dāng)前主要的推薦系 統(tǒng)主要包括基于關(guān)聯(lián)規(guī)則的推薦系統(tǒng)、基于內(nèi)容的推薦系統(tǒng)、協(xié)同過(guò)濾系統(tǒng)以及混合推薦 系統(tǒng)。基于關(guān)聯(lián)規(guī)則的推薦以項(xiàng)目之間的關(guān)聯(lián)規(guī)則為基礎(chǔ)，通過(guò)數(shù)據(jù)挖掘發(fā)現(xiàn)項(xiàng)目之間的 潛在關(guān)聯(lián)以實(shí)施連帶推薦，但是當(dāng)數(shù)據(jù)量非常大的時(shí)候，此推薦算法的計(jì)算復(fù)雜度將會(huì)隨 之升高；基于內(nèi)容的推薦系統(tǒng)首先提取推薦對(duì)象的內(nèi)容特征，其次將產(chǎn)品特征與用戶興趣 偏好匹配，將匹配度較高的產(chǎn)品向用戶實(shí)施推薦，由于多媒體資源目前還沒(méi)有有效的特征 提取方法，因此基于內(nèi)容的推薦系統(tǒng)會(huì)受推薦對(duì)象特征提取能力的限制；關(guān)于協(xié)同過(guò)濾推 薦，首先找到與目標(biāo)用戶興趣偏好相似的最近鄰居集，然后根據(jù)這個(gè)最近鄰居集對(duì)項(xiàng)目的 評(píng)分來(lái)預(yù)測(cè)目標(biāo)用戶未評(píng)分項(xiàng)目的評(píng)分，選擇預(yù)測(cè)評(píng)分最高的N個(gè)項(xiàng)目作為推薦結(jié)果反饋 給用戶，該推薦算法能夠發(fā)現(xiàn)用戶尚未發(fā)現(xiàn)且潛在的興趣偏好，盡管如此，協(xié)同過(guò)濾推薦算 法仍然面臨著冷啟動(dòng)、稀疏性、精確性、擴(kuò)展性等問(wèn)題；混合推薦系統(tǒng)即通過(guò)組合不同的推 薦策略，達(dá)到揚(yáng)長(zhǎng)避短的目的，從而產(chǎn)生更符合用戶需求的推薦，可是混合推薦系統(tǒng)在實(shí)際 應(yīng)用中面臨著許多困難，它需要解決不同推薦技術(shù)的難題進(jìn)行有機(jī)推薦。
[0004] 綜上所述，隨著用戶和項(xiàng)目（物品）數(shù)量的急劇上升，傳統(tǒng)的推薦系統(tǒng)面臨著巨大 的挑戰(zhàn)，包括冷啟動(dòng)問(wèn)題、評(píng)分矩陣稀疏性問(wèn)題等，尤其是原始用戶-項(xiàng)目評(píng)分矩陣較高的 稀疏性嚴(yán)重的影響了推薦質(zhì)量。與此同時(shí)，傳統(tǒng)的推薦算法大都只考慮了評(píng)分這項(xiàng)單一因 素，并未結(jié)合社交網(wǎng)絡(luò)分析理論的知識(shí)，忽略了用戶社交關(guān)系、項(xiàng)目關(guān)聯(lián)屬性以及一些上下 文信息（地理位置、情感因素），這在一定程度上降低了推薦的準(zhǔn)確度、新穎度和覆蓋度。另 夕卜，用戶在瀏覽或購(gòu)買(mǎi)產(chǎn)品時(shí)，形成了用戶和產(chǎn)品之間的鏈接關(guān)系，可以把這種鏈接關(guān)系看 作是社交網(wǎng)絡(luò)關(guān)系，再通過(guò)社交網(wǎng)絡(luò)分析方法，考察節(jié)點(diǎn)之間（用戶之間或者產(chǎn)品之間）的 相關(guān)性，并依此進(jìn)行推薦。
[0005] 研究者們針對(duì)稀疏性問(wèn)題做了很多研究，但尚未能很有效的解決稀疏性對(duì)推薦系 統(tǒng)的影響。2004年，Huang等人提出了一種基于圖的方法，其主要思想是利用假設(shè)用戶品味 的"傳遞性"，并由此增強(qiáng)額外信息矩陣，因此從一定程度上解決了數(shù)據(jù)稀疏問(wèn)題。2006年， Wang等人將兩種不同類(lèi)型的相似度組合起來(lái)提高預(yù)測(cè)的準(zhǔn)確率。目前很多研究者的研究重 點(diǎn)在于如何利用有效的預(yù)測(cè)填充技術(shù)來(lái)處理數(shù)據(jù)稀疏性問(wèn)題，再采取更為合理的相似度計(jì) 算方法，以確定更具影響力的最近鄰居集，提高推薦質(zhì)量。本發(fā)明方法在傳統(tǒng)推薦方法的基 礎(chǔ)上融合了社交網(wǎng)絡(luò)的特性，引入互動(dòng)相似度度量用戶間互動(dòng)程度，同時(shí)引入吸引相似度 度量用戶間行為相似性，再將二者線性組合得到用戶間綜合相似度，根據(jù)綜合相似度得到 目標(biāo)用戶最近鄰居集，最后以最近鄰居集給目標(biāo)用戶推薦結(jié)果。經(jīng)過(guò)驗(yàn)證分析，本發(fā)明方法 比傳統(tǒng)的協(xié)同推薦具有更好的推薦效果。


【發(fā)明內(nèi)容】

[0006] 針對(duì)以上現(xiàn)有技術(shù)中的不足，本發(fā)明的目的在于提供一種克服了傳統(tǒng)填充方法采 用均值或者零分這樣的單一數(shù)值填充矩陣的局限性，提高了推薦系統(tǒng)的準(zhǔn)確度的面向社交 網(wǎng)絡(luò)的多屬性協(xié)同過(guò)濾推薦方法，本發(fā)明的技術(shù)方案如下：
[0007] -種面向社交網(wǎng)絡(luò)的多屬性協(xié)同過(guò)濾推薦方法，其包括以下步驟：
[0008] S1、獲取社交網(wǎng)絡(luò)數(shù)據(jù)源，所述社交網(wǎng)絡(luò)數(shù)據(jù)源包括項(xiàng)目信息、用戶信息及朋友信 息，提取用戶信息及項(xiàng)目信息并構(gòu)建用戶-項(xiàng)目評(píng)分矩陣，然后應(yīng)用九數(shù)取中均值法填充 稀疏矩陣得到稠密評(píng)分矩陣；
[0009] S2、提取步驟Sl所述的用戶信息及朋友信息，得到用戶與用戶兩兩之間的朋友交 集，再結(jié)合步驟Sl中得到的稠密評(píng)分矩陣，根據(jù)朋友、用戶、項(xiàng)目信息構(gòu)建朋友集-用戶 集-項(xiàng)目集三層模型，在三層模型的基礎(chǔ)上分別計(jì)算吸引相似度和互動(dòng)相似度，線性組合 得到用戶間綜合相似度；
[0010] S3、根據(jù)綜合相似度搜索目標(biāo)用戶最近鄰居集，再預(yù)測(cè)目標(biāo)用戶未評(píng)分項(xiàng)目的評(píng) 分，生成Top-N推薦集。
[0011] 進(jìn)一步的，步驟Sl中獲取社交網(wǎng)絡(luò)數(shù)據(jù)源選自現(xiàn)有的基于Web的研究型推薦系統(tǒng) 或者成熟的社交平臺(tái)。
[0012] 進(jìn)一步的，步驟Sl中得到稠密評(píng)分矩陣的步驟包括：
[0013] Sll:在原始稀疏評(píng)分矩陣上，取出目標(biāo)用戶所在行的數(shù)據(jù)，即用戶id和已經(jīng)存在 的評(píng)分構(gòu)建目標(biāo)用戶數(shù)組，對(duì)該數(shù)組應(yīng)用九數(shù)取中方法，即分三次取樣，每次取三個(gè)數(shù)，三 次取樣的樣品各取中數(shù)構(gòu)成中數(shù)數(shù)組，再對(duì)中數(shù)數(shù)組取中數(shù)，即輸出目標(biāo)行的中間結(jié)果；
[0014] S12:取出目標(biāo)項(xiàng)目所在列的數(shù)據(jù)，即目標(biāo)項(xiàng)目獲得的來(lái)自不同用戶的評(píng)分構(gòu)建目 標(biāo)項(xiàng)目數(shù)組，同樣地應(yīng)用九數(shù)取中方法，輸出目標(biāo)列的中間結(jié)果；
[0015] S13:把行和列的中間結(jié)果相加平均向下取整后得到該目標(biāo)項(xiàng)的預(yù)測(cè)分值，并將其 填充入矩陣。
[0016] 進(jìn)一步的，步驟S2中得到用戶間綜合相似度的具體步驟為：
[0017] S21:根據(jù)社交網(wǎng)絡(luò)數(shù)據(jù)源提供的朋友信息、用戶信息、項(xiàng)目信息構(gòu)建朋友集-用 戶集-項(xiàng)目集三層模型；
[0018] S22:融合用戶集和項(xiàng)目集構(gòu)建用戶-項(xiàng)目二分圖并應(yīng)用路徑融合算法計(jì)算目標(biāo) 用戶吸引相似度；
[0019] S23:融合朋友集和用戶集，計(jì)算目標(biāo)用戶互動(dòng)相似度；
[0020] S24 :采用線性組合以上兩種相似度的方式得到用戶綜合相似度。
[0021] 進(jìn)一步的，上述步驟S23計(jì)算目標(biāo)用戶互動(dòng)相似度的具體步驟為：
[0022] S221 :根據(jù)朋友集和用戶集，構(gòu)建朋友集-用戶集二層模型；
[0023] S222:計(jì)算目標(biāo)用戶v與用戶v'的互動(dòng)相似度，根據(jù)目標(biāo)用戶v與用戶v'的朋友 交集數(shù)與朋友并集數(shù)，計(jì)算公式為：

【權(quán)利要求】
1. 一種面向社交網(wǎng)絡(luò)的多屬性協(xié)同過(guò)濾推薦方法，其特征在于：包括以下步驟： 51、 獲取社交網(wǎng)絡(luò)數(shù)據(jù)源，所述社交網(wǎng)絡(luò)數(shù)據(jù)源包括項(xiàng)目信息、用戶信息及朋友信息， 提取用戶信息及項(xiàng)目信息并構(gòu)建用戶-項(xiàng)目評(píng)分矩陣，然后應(yīng)用九數(shù)取中均值法填充稀疏 矩陣得到稠密評(píng)分矩陣； 52、 提取步驟Sl所述的用戶信息及朋友信息，得到用戶與用戶兩兩之間的朋友交集， 再結(jié)合步驟Sl中得到的稠密評(píng)分矩陣，根據(jù)朋友、用戶、項(xiàng)目信息構(gòu)建朋友集-用戶集-項(xiàng) 目集三層模型，在三層模型的基礎(chǔ)上分別計(jì)算吸引相似度和互動(dòng)相似度，線性組合得到用 戶間綜合相似度； 53、 根據(jù)綜合相似度搜索目標(biāo)用戶最近鄰居集，再預(yù)測(cè)目標(biāo)用戶未評(píng)分項(xiàng)目的評(píng)分，生 成Top-N推薦集。
2. 根據(jù)權(quán)利要求1所述的面向社交網(wǎng)絡(luò)的多屬性協(xié)同過(guò)濾推薦方法，其特征在于：步 驟Sl中獲取社交網(wǎng)絡(luò)數(shù)據(jù)源選自現(xiàn)有的基于Web的研究型推薦系統(tǒng)或者成熟的社交平臺(tái)。
3. 根據(jù)權(quán)利要求1所述的面向社交網(wǎng)絡(luò)的多屬性協(xié)同過(guò)濾推薦方法，其特征在于：步 驟Sl中得到稠密評(píng)分矩陣的步驟包括： 511 :在原始稀疏評(píng)分矩陣上，取出目標(biāo)用戶所在行的數(shù)據(jù)，即用戶id和已經(jīng)存在的評(píng) 分構(gòu)建目標(biāo)用戶數(shù)組，對(duì)該數(shù)組應(yīng)用九數(shù)取中方法，即分三次取樣，每次取三個(gè)數(shù)，三次取 樣的樣品各取中數(shù)構(gòu)成中數(shù)數(shù)組，再對(duì)中數(shù)數(shù)組取中數(shù)，即輸出目標(biāo)行的中間結(jié)果； 512 :取出目標(biāo)項(xiàng)目所在列的數(shù)據(jù)，即目標(biāo)項(xiàng)目獲得的來(lái)自不同用戶的評(píng)分構(gòu)建目標(biāo)項(xiàng) 目數(shù)組，同樣地應(yīng)用九數(shù)取中方法，輸出目標(biāo)列的中間結(jié)果； S13:把行和列的中間結(jié)果相加平均向下取整后得到該目標(biāo)項(xiàng)的預(yù)測(cè)分值，并將其填充 入矩陣。
4. 根據(jù)權(quán)利要求1所述的面向社交網(wǎng)絡(luò)的多屬性協(xié)同過(guò)濾推薦方法，其特征在于：步 驟S2中得到用戶間綜合相似度的具體步驟為： 521 :根據(jù)社交網(wǎng)絡(luò)數(shù)據(jù)源提供的朋友信息、用戶信息、項(xiàng)目信息構(gòu)建朋友集-用戶 集-項(xiàng)目集三層模型； 522 :融合用戶集和項(xiàng)目集構(gòu)建用戶-項(xiàng)目二分圖并應(yīng)用路徑融合算法計(jì)算目標(biāo)用戶 吸引相似度； 523 :融合朋友集和用戶集，計(jì)算目標(biāo)用戶互動(dòng)相似度； 524 :采用線性組合以上兩種相似度的方式得到用戶綜合相似度。
5. 根據(jù)權(quán)利要求4所述的面向社交網(wǎng)絡(luò)的多屬性協(xié)同過(guò)濾推薦方法，其特征在于：上 述步驟S23計(jì)算目標(biāo)用戶互動(dòng)相似度的具體步驟為： S221 :根據(jù)朋友集和用戶集，構(gòu)建朋友集-用戶集二層模型； S222:計(jì)算目標(biāo)用戶V與用戶ν'的互動(dòng)相似度，根據(jù)目標(biāo)用戶V與用戶ν'的朋友交集 數(shù)與朋友并集數(shù)，計(jì)算公式為： , 、Friends ( ν) Π Friends (ν') Sim F(ν,ν'J =-------- 一 Friends ( ν) U Friends (ν') 式中，F(xiàn)riends(u), u e {ν, ν'}表示對(duì)用戶u求朋友集，Sim_F(v, ν'）表示用戶ν與用 戶V'之間的互動(dòng)相似度。
6. 根據(jù)權(quán)利要求4所述的面向社交網(wǎng)絡(luò)的多屬性協(xié)同過(guò)濾推薦方法，其特征在于：步 驟S24計(jì)算用戶綜合相似度的計(jì)算公式為： Sim (ν, ν') = a *Sim_ff (ν, ν') + β *Sim_F(v, ν') 式中，α和β滿足α + β = 1，Sim_W(v, ν'）和Sim(v, ν'）分別表示用戶v與用戶ν' 之間的吸引相似度和綜合相似度。
7. 根據(jù)權(quán)利要求1所述的面向社交網(wǎng)絡(luò)的多屬性協(xié)同過(guò)濾推薦方法，其特征在于：步 驟S3中生成Top-N推薦集具體可以分為如下5個(gè)步驟 ： 531 :輸入稠密評(píng)分矩陣； 532 :根據(jù)相似度計(jì)算目標(biāo)用戶最近鄰居集； 533 :根據(jù)最近鄰居集計(jì)算目標(biāo)用戶待推薦項(xiàng)目評(píng)分； 534 :對(duì)評(píng)分進(jìn)行推薦評(píng)估，如果滿意則進(jìn)入S35,否則調(diào)整參數(shù)后進(jìn)入S31 ; 535 :產(chǎn)生Top-N推薦集。
【文檔編號(hào)】G06F17/30GK104317900SQ201410577626
【公開(kāi)日】2015年1月28日 申請(qǐng)日期:2014年10月24日 優(yōu)先權(quán)日:2014年10月24日
【發(fā)明者】劉宴兵, 蹇怡, 肖云鵬, 徐光俠, 冉歡, 鐘曉宇, 袁仲, 龔波 申請(qǐng)人:重慶郵電大學(xué)