一种学术社交网络好友推荐方法、系统和存储介质技术方案

本发明专利技术公开了一种学术社交网络好友推荐方法、系统和存储介质，所述方法包括从学术社交网络中选择符合设定条件的用户组成推荐集合，计算推荐集合中的各用户在学术社交网络中的社会地位值，计算推荐集合中的各用户与目标用户的近似度，计算各用户的最终得分和从推荐集合中选择部分或全部用户推荐到目标用户等步骤。本发明专利技术可以避免现有技术中因仅考虑全局因素而造成的带有明显马太效应的冷启动问题，也可以避免现有技术中因仅考虑局部因素而造成的隐私泄露和缺乏个性化的问题，以及当从学术社交网络中获得的用户信息不多时造成的准确度较低的问题。本发明专利技术广泛应用于信息处理技术领域。

A Friend Recommendation Method, System and Storage Medium for Academic Social Networks

The invention discloses an academic social network friend recommendation method, system and storage medium. The method includes selecting suitable users from the academic social network to form a recommendation set, calculating the social status value of each user in the academic social network, calculating the approximation degree between each user and the target user in the recommendation set, and calculating the end of each user. Scoring and selecting some or all of the users from the recommendation set to the target user. The invention can avoid the problem of cold start with obvious Matthew effect caused by considering only global factors in the prior art, the problem of privacy leakage and lack of personalization caused by considering only local factors in the prior art, and the problem of low accuracy caused by the lack of user information obtained from the academic social network. The invention is widely applied in the field of information processing technology.

【技术实现步骤摘要】
一种学术社交网络好友推荐方法、系统和存储介质
本专利技术涉及信息处理
，尤其是一种学术社交网络好友推荐方法、系统和存储介质。
技术介绍
大数据时代社交网络的快速发展，极大地方便了人们的生活的同时，学术社交网络作为一种专业化的社交网络，也正在迅速崛起。用户可以在学术社交网络中与其他用户建立好友关系并与好友进行学术交流。学术社交网络帮助用户拓展社交关系，极大地促进学者们的科研交流。在不断扩大的信息网络中，“信息过载”的问题越来越严重，用户在学术社交网络中寻找适合自己的其他用户的效率越来越低。如何为用户更好地为用户推荐感兴趣的潜在好友，成为了社交网络领域中的一个研究热点，而推荐系统正是解决这一问题的有效手段。推荐系统可以根据社交网络中各用户的特点进行分析和匹配，并向某一用户推荐具有匹配关系的其他用户，使得该用户能够以更高的效率发现自己感兴趣的潜在好友，从而有目的地与这些潜在好友建立好友关系。不同类型的社交网络需要使用不同的推荐系统。在学术社交网络中，对于刚注册的用户，由于用户的个人信息或研究兴趣信息较少，推荐系统容易陷入冷启动问题，难以挖掘社交网络中的“关键人物”，从而导致推荐质量下降，准确率较低。针对冷启动问题，传统的好友推荐方法大多利用热门推荐，向用户推荐热门度最高的其他学者，但是这种算法容易陷入“马太效应”，对于长尾用户的挖掘能力不够；一些网站通过用户授权的社交账号(如微信、QQ等)，导入其他社交网络上的好友关系进行推荐，但是这种方法难以发现更多的潜在好友并且涉及用户的隐私信息，难以获取。此外，这些方法都是采用非个性化的推荐算法，难以根据用户的特点进行个性化的推荐。
技术实现思路
为了解决上述技术问题，本专利技术的目在于提供一种学术社交网络好友推荐方法、系统和存储介质。一方面，本专利技术包括一种学术社交网络好友推荐方法，包括以下步骤：从学术社交网络中选择符合设定条件的用户组成推荐集合；计算推荐集合中的各用户在学术社交网络中的社会地位值；计算推荐集合中的各用户与目标用户的近似度；根据推荐集合中的各用户对应的社会地位值和近似度，计算各用户的最终得分；根据最终得分，从推荐集合中选择部分或全部用户推荐到目标用户。进一步地，所述计算推荐集合中的各用户在学术社交网络中的社会地位值这一步骤，具体包括：计算推荐集合中的各用户的团队影响力、动态影响力、好友关系影响力和课程影响力；对所述团队影响力、动态影响力、好友关系影响力和课程影响力分别进行归一化处理，从而得到各归一化处理结果；根据各归一化处理结果，计算得到对应用户的社会地位值。进一步地，所述团队影响力的计算公式为：Tu＝Wt1∑Team+Wt2∑Member；式中，Tu为用户u的团队影响力，∑Team为学术社交网络中与用户u相关的团队数量，∑Member为学术社交网络中用户u所在团队的人员数量，Wt1和Wt2为权重系数；所述动态影响力的计算公式为：Du＝Wd1∑post+Wd2∑like+Wd3∑read+Wd4∑trans；式中，Du为用户u的动态影响力，∑post为用户u在学术社交网络中发布的动态消息数量，∑like为用户u在学术社交网络中发布的动态消息所获得的点赞数量，∑read为用户u在学术社交网络中发布的动态消息所获得的阅读量，∑trans为用户u在学术社交网络中发布的动态消息所获得的转发量，Wd1、Wd2、Wd3和Wd4为权重系数；所述好友关系影响力的计算公式为：Fu＝Wf1∑f_in+Wf2∑f_out；式中，Fu为用户u的好友关系影响力，∑f_in为用户u的入度，∑f_out为用户u的出度，Wf1和Wf2为权重系数；所述课程影响力的计算公式为：Cu＝Wc1∑Course+Wc2∑Course_Member；式中，Cu为用户u的课程影响力，∑Course为用户u在学术社交网络中开设的课程数量，∑Course_Member为用户u在学术社交网络中所开设课程的学员数量，Wc1和Wc2为权重系数。进一步地，所述对团队影响力进行归一化处理的计算公式为：式中，T_normal为用户u的团队影响力归一化处理结果，Tmax为推荐集合中所有用户的团队影响力中的最大值，Tmin为推荐集合中所有用户的团队影响力中的最小值；所述对动态影响力进行归一化处理的计算公式为：式中，D_normal为用户u的动态影响力归一化处理结果，Dmax为推荐集合中所有用户的动态影响力中的最大值，Dmin为推荐集合中所有用户的动态影响力中的最小值；所述对好友关系影响力进行归一化处理的计算公式为：式中，F_normal为用户u的好友关系影响力归一化处理结果，Fmax为推荐集合中所有用户的好友关系影响力中的最大值，Fmin为推荐集合中所有用户的好友关系影响力中的最小值；所述对课程影响力进行归一化处理的计算公式为：式中，C_normal为用户u的课程影响力归一化处理结果，Cmax为推荐集合中所有用户的课程影响力中的最大值，Cmin为推荐集合中所有用户的课程影响力中的最小值。进一步地，所述社会地位值的计算公式为：Score_First＝T_normal+D_normal+F_normal+C_normal；式中，Score_First为用户u的社会地位值，T_normal为用户u的团队影响力归一化处理结果，D_normal为用户u的动态影响力归一化处理结果，F_normal为用户u的好友关系影响力归一化处理结果，C_normal为用户u的课程影响力归一化处理结果。进一步地，本专利技术方法还包括权重系数优化步骤，所述权重系数优化步骤具体包括：设定权重系数的初始值；所述权重系数包括Wt1、Wt2、Wd1、Wd2、Wd3、Wd4、Wf1、Wf2、Wc1和Wc2；对权重系数进行多次迭代调整，直至计算得到的社会地位值取得最大值；保存社会地位值取得最大值时对应的权重系数。进一步地，所述计算推荐集合中的各用户与目标用户的近似度这一步骤，具体包括：使用分词工具获取推荐集合中的各用户和目标用户的单位信息；对获取到的单位信息进行向量化，从而得到推荐集合中的各用户和目标用户各自的单位信息向量；分别计算目标用户的单位信息向量与推荐集合中各用户的单位信息向量的余弦值，从而得到目标用户与推荐集合中的各用户的近似度。进一步地，所述各用户的最终得分是相应用户的社会地位值和近似度的乘积。另一方面，本专利技术还包括一种学术社交网络好友推荐系统，包括：推荐集合生成模块，用于从学术社交网络中选择符合设定条件的用户组成推荐集合；社会地位值计算模块，用于计算推荐集合中的各用户在学术社交网络中的社会地位值；近似度计算模块，用于计算推荐集合中的各用户与目标用户的近似度；最终得分计算模块，用于根据推荐集合中的各用户对应的社会地位值和近似度，计算各用户的最终得分；推荐结果发送模块，用于根据最终得分，从推荐集合中选择部分或全部用户推荐到目标用户。另一方面，本专利技术还包括一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行本专利技术方法。本专利技术的有益效果是：以最终得分作为标准，向目标用户进行潜在好友推荐，综合考虑了学术社交网络的全局因素和局部因素的影响，可以避免现有技术中因仅考虑全局因素而造成的带有明显马太效应的冷启动问题，也可以本文档来自技高网...

【技术保护点】
1.一种学术社交网络好友推荐方法，其特征在于，包括以下步骤：从学术社交网络中选择符合设定条件的用户组成推荐集合；计算推荐集合中的各用户在学术社交网络中的社会地位值；计算推荐集合中的各用户与目标用户的近似度；根据推荐集合中的各用户对应的社会地位值和近似度，计算各用户的最终得分；根据最终得分，从推荐集合中选择部分或全部用户推荐到目标用户。

【技术特征摘要】
1.一种学术社交网络好友推荐方法，其特征在于，包括以下步骤：从学术社交网络中选择符合设定条件的用户组成推荐集合；计算推荐集合中的各用户在学术社交网络中的社会地位值；计算推荐集合中的各用户与目标用户的近似度；根据推荐集合中的各用户对应的社会地位值和近似度，计算各用户的最终得分；根据最终得分，从推荐集合中选择部分或全部用户推荐到目标用户。2.根据权利要求1所述的一种学术社交网络好友推荐方法，其特征在于，所述计算推荐集合中的各用户在学术社交网络中的社会地位值这一步骤，具体包括：计算推荐集合中的各用户的团队影响力、动态影响力、好友关系影响力和课程影响力；对所述团队影响力、动态影响力、好友关系影响力和课程影响力分别进行归一化处理，从而得到各归一化处理结果；根据各归一化处理结果，计算得到对应用户的社会地位值。3.根据权利要求2所述的一种学术社交网络好友推荐方法，其特征在于：所述团队影响力的计算公式为：Tu＝Wt1∑Team+Wt2∑Member；式中，Tu为用户u的团队影响力，∑Team为学术社交网络中与用户u相关的团队数量，∑Member为学术社交网络中用户u所在团队的人员数量，Wt1和Wt2为权重系数；所述动态影响力的计算公式为：Du＝Wd1∑post+Wd2∑like+Wd3∑read+Wd4∑trans；式中，Du为用户u的动态影响力，∑post为用户u在学术社交网络中发布的动态消息数量，∑like为用户u在学术社交网络中发布的动态消息所获得的点赞数量，∑read为用户u在学术社交网络中发布的动态消息所获得的阅读量，∑trans为用户u在学术社交网络中发布的动态消息所获得的转发量，Wd1、Wd2、Wd3和Wd4为权重系数；所述好友关系影响力的计算公式为：Fu＝Wf1∑f_in+Wf2∑f_out；式中，Fu为用户u的好友关系影响力，∑f_in为用户u的入度，∑f_out为用户u的出度，Wf1和Wf2为权重系数；所述课程影响力的计算公式为：Cu＝Wc1∑Course+Wc2∑Course_Member；式中，Cu为用户u的课程影响力，∑Course为用户u在学术社交网络中开设的课程数量，∑Course_Member为用户u在学术社交网络中所开设课程的学员数量，Wc1和Wc2为权重系数。4.根据权利要求3所述的一种学术社交网络好友推荐方法，其特征在于：所述对团队影响力进行归一化处理的计算公式为：式中，T_normal为用户u的团队影响力归一化处理结果，Tmax为推荐集合中所有用户的团队影响力中的最大值，Tmin为推荐集合中所有用户的团队影响力中的最小值；所述对动态影响力进行归一化处理的计算公式为：式中，D_normal为用户u的动态影响力归一化处理结果，Dmax为推荐集合中所有用户的动态影响力中的最大值，Dmin为推荐...

【专利技术属性】
技术研发人员：汤庸，毛承洁，傅城州，杨佐希，王柳，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东,44