【技术实现步骤摘要】
活动参与分析及推荐方法
本专利技术涉及数据挖掘中的社交用户行为分析领域,尤其涉及一种活动参与分析及推荐方法。
技术介绍
社交网络的发展促进了社交元素与新兴商业模式的深度融合,传统的熟人社交逐渐拓展为基于兴趣主题的陌生人社交,并进而衍生出面向特定主题的线下聚会及所谓“由事件驱动的社交网络”。借助这一社交媒介,活动组织者可以便捷地发布与活动相关的介绍并邀请潜在的参与者。而用户(参与者)则往往根据主题、时间、地点、社交影响等因素综合考虑决定是否参加活动。由于用户与活动数量的飞速增长,如何有效地协助用户找到感兴趣的活动,同时帮助活动组织者成功聚集目标参与者,已成为社交活动平台所急需解决的重要任务。目前,围绕社交活动中的用户画像与活动推荐,已有诸多相关的技术方案与研究成果,部分代表性的公开技术包括:CN201610781795.3,一种移动社交网络中的社交活动推荐算法,主要根据用户与活动之间的标签、地理、好友等相似度来进行活动推荐。CN201710423237.4,一种资源受限约束下的活动推荐方法及系统,基于推荐成本与营销成本的约束,将活动推荐转化为一个优化问题并加以求解。CN201711224583.6,一种活动社交网络用户参加活动推荐的多因素决策方法,根据活动属性与用户的社交影响力,及内容、地点、时间相关性等诸多因素,采用经典的J48决策树算法,实现活动推荐。然而,现有技术存在一个严重的缺陷,即往往仅考虑活动中的一方(多为作为参与者的用户)所做的选择,而另一方仅止于被动接受。在传统推荐问题中,由于其中一方在名额上可视作无限制(如商品的可销售件数或电影的可容纳观众 ...
【技术保护点】
1.一种活动参与分析及推荐方法,其特征在于,包括:从活动组织者与参与者的历史行为记录中获取用于分析的基本数据;基于获得的基本数据,通过双向稳定匹配与参数迭代优化两层优化过程,还原历史活动参与决策中的活动组织者与参与者的双向选择过程,从而结合各自的决策函数估计各方的相对排序,并实现各自决策函数中相关参数的训练;对于新组织的活动,基于活动自身信息、以及完成参数训练的决策函数,计算双方对于对方每个成员的评分,进而通过稳定匹配的方式预测双方相互选择的结果并进行推荐。
【技术特征摘要】
1.一种活动参与分析及推荐方法,其特征在于,包括:从活动组织者与参与者的历史行为记录中获取用于分析的基本数据;基于获得的基本数据,通过双向稳定匹配与参数迭代优化两层优化过程,还原历史活动参与决策中的活动组织者与参与者的双向选择过程,从而结合各自的决策函数估计各方的相对排序,并实现各自决策函数中相关参数的训练;对于新组织的活动,基于活动自身信息、以及完成参数训练的决策函数,计算双方对于对方每个成员的评分,进而通过稳定匹配的方式预测双方相互选择的结果并进行推荐。2.根据权利要求1所述的一种活动参与分析及推荐方法,其特征在于,所述基本数据至少包括:历史活动信息以及活动组织者与参与者各自的画像信息;其中,历史活动信息包括:活动主题、活动相关文本描述、活动属性、活动所属的活动组织者、以及参与者的活动反馈与参与记录;所述活动属性包括:活动时间、地点及费用;活动组织者与参与者各自的画像信息包括:活动组织者对应的领导人或者发起人、活动组织者与参与者各自的标签与自我介绍、以及参与者之间的显式好友关系。3.根据权利要求1或2所述的一种活动参与分析及推荐方法,其特征在于,该方法还包括:对获得的基本数据进行数据筛选,数据筛选时设置了两项阈值,第一项阈值,用于确保所筛选出的多个活动中,每一活动的潜在参与者之间存在一定的重叠,所述潜在参与者是指被邀请的参与者;第二项阈值,用于确保活动组织者与参与者均具有一定数量的历史活动记录;之后,对筛选出的数据进行预处理;先去除文本信息中的提用词,再对文本信息进行向量化处理。4.根据权利要求1或2所述的一种活动参与分析及推荐方法,其特征在于,所述基于获得的基本数据,通过双向稳定匹配与参数迭代优化两层优化过程,还原历史活动参与决策中的活动组织者与参与者的双向选择过程,从而结合各自的决策函数估计各方的相对排序,并实现各自决策函数中相关参数的训练包括如下五个环节:①参数初始化:此环节对活动组织者与参与者各自对于对方的评价因素进行参数初始化,所涉及的评价因素也即决策函数中的相关参数;结合初始化后的评价因素与决策函数得到活动组织者所组织的活动和参与者对于对方的完整排序列表;②双向稳定匹配:利用得到的活动组织者所组织的活动和参与者对于对方的完整排序列表,通过一对多Gale-Shapley算法,实现双方的稳定匹配,从而对活动组织者向参与者发放邀请、以及参与者接受邀请并参与活动的情况做出预测;③计算损失函数:基于活动组织者和参与者之间的双向稳定匹配结果,结合活动记录中的邀请发放与参与者的参与记录,找出预测中所出现的错误,从而计算损失函数;④参数迭代优化:利用损失函数并借此更新活动或参与者的决策函数中相关参数;⑤排序更新:利用参数迭代优化结果,结合决策函数更新活动组织者所组织的活动和参与者对于对方的完整排序列表,并重新进入双向稳定匹配环节进行循环优化,直至活动组织者所组织的活动和参与者对于对方的完整排序列表不再改变。5.根据权利要求4所述的一种活动参与分析及推荐方法,其特征在于,对于活动组织者而言,其对参与者的评价因素包括:参与者ui的兴趣向量与活动组织者gj所组织的活动ejk的主题向量的相似性,以及参与者的影响力,其中参与者的影响力采用参与者在社交网络中的PageRank值加以近似估计,则活动组织者gj对于参与者ui的决策函数表示为:其中,表示活动ejk对参与者ui的评分,评分大小决定排序列表中相应参与者的位置;cos<.>表示余弦相似度函数,pagerank(W)[i]表示指参与者ui在社交网络中的PageRank值;对于参与者而言,其对活动组织者的评价因素包括:参与者ui的兴趣向量与活动ejk的主题向量的相似性,参与者ui对活动ejk所属活动组织者gj的忠诚度hij、以及来自社交好友的态度影响,则参与者ui对于活动组织者gj的决策函数表示为:其中,表示参与者ui对活动ejk的评分,评分大小决定排序列表中相应活动的位置;;表示对于参与者ui而言来自社交好友的态度影响,W={wir}为参与者ui与参与者ur之间的社交关系强度,用于构建参与者之间的社交网络,并实现PageRank值与参与者的影响力两个部分的计算;表示参与者ui想要参加活动ejk的好友集合;各评价因素初始化方式如下:参与者ui的兴趣向量与活动ejk的主题向量的相似性的初始化,依赖于参与者ui的自我介绍或活动ejk的相关文本描述,采用话题模型技术,对活动ejk的相关文本描述进行学习并生成若干潜在主题,进而将所有文本转化为对应的主题向量;如果参与者ui没有自我介绍或活动ejk没有相关文本描述,则将所有的主题向量设为均值,即每一维均为1/N,其中,N为潜在主题个数;参与者ui与参与者ur之间的社交关系强度W={wir}的初始化方法为,参与者ui与参与者ur共同参加过的活动数量sumir除以参与者ui参加过的活动的数量sumi:P...
【专利技术属性】
技术研发人员:徐童,殷子凯,陈恩红,熊辉,
申请(专利权)人:中国科学技术大学,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。