一种基于相似社区的舆情个性化推荐算法制造技术

本发明专利技术提出了一种基于相似社区的舆情个性化推荐算法，包括如下步骤：基于相似社区的思想，通过基于图计算相似社区的发现和数据挖掘，分析提取用户特征，形成相似用户的“邻居”集。其中，根据上述特征来计算用户之间的相似度。根据余弦相似性、相关相似性等方法求出相似度值，进而排序形成目标用户的最近“邻居”集。根据该“邻居”用户进行推荐。其中，根据其“邻居”集中的用户对舆情话题进行预测评价，将评价高的舆情话题推荐给用户。一种基于相似社区的舆情个性化推荐算法实现了通过提取相似社区的用户特征，形成相似用户的“邻居”集，利用相似用户群体兴趣以及行为的协同过滤方法对“邻居”用户进行推荐，从而提高了内容推荐的精确度，同时也扩展了内容覆盖面。

A Personalized Public Opinion Recommendation Algorithm Based on Similar Community

【技术实现步骤摘要】
一种基于相似社区的舆情个性化推荐算法
本专利技术涉及图计算、社区网络、数据挖掘和个性化推荐，具体涉及到一种基于相似社区的舆情个性化推荐算法。
技术介绍
在社区网络中用户面对众多繁杂的舆情信息和资源，如何快速便捷地获得自己感兴趣的舆情信息非常重要，这时用户就迫切需要一种适合自己的舆情个性化信息推荐服务。所谓个性化推荐服务就是根据用户的信息需求、兴趣和行为模式等，将用户感兴趣的信息、产品和服务推荐给用户的信息服务。个性化推荐算法可以分为基于规则的算法和基于内容过滤的算法等。基于规则的算法，规则可以由用户定制，也可以利用基于相关规则的挖掘技术来发现，推荐信息依赖于规则的质量和数量。此算法的优点是简单、直接，缺点是随着规则数量的增多，系统将变得越来越难以管理。基于内容的过滤算法是利用资源与用户兴趣的相似性来过滤信息，此算法优点是简单、有效，缺点是不能为用户发现新的感兴趣的内容。相较于其他个性化推荐算法，基于相似社区的个性化推荐算法可以通过对相似用户群体的划分，借助“邻居”用户群来实现信息筛选，有效提高内容推荐的精确度，同时也扩展了所推荐信息的覆盖面。综上所述，基于相似社区的舆情个性化推荐算法的基本思想为：通过基于图计算相似社区的发现和数据挖掘，提取用户特征，分析用户行为以及兴趣爱好等基本属性，通过相应的相似度计算公式计算用户之间的相似性，形成相似用户的“邻居”集，利用兴趣相投、拥有共同经验之群体的喜好来对该“邻居”用户进行推荐。
技术实现思路
为解决现有技术中的缺点和不足，本专利技术提出了一种基于相似社区的舆情个性化推荐算法，通过基于图计算相似社区的发现和数据挖掘，可以对相似社区的用户进行特征的提取，分析用户对某舆情话题的历史浏览行为信息或评价，以及用户的基本属性(包括年龄、性别、兴趣爱好)，通过相应的相似度计算公式计算用户之间的相似性，形成相似用户的“邻居”集。根据该“邻居”用户进行推荐。协同过滤的算法即利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的舆情信息，个人通过合作的机制给予信息相当程度的回应(如评价)，并记录下来以达到过滤的目的进而帮助别人筛选信息。本专利技术的技术方案为：a.数据初始化。数据初始化主要是将用户对舆情话题的评价数据进行初始化。构建用户和舆情话题的关系矩阵，即评价矩阵，同时去除冗余项目。b.最近邻居集的形成。根据上述关系来计算用户之间的相似度。根据余弦相似性、相关相似性等方法求出相似度值，进而排序形成目标用户的最近“邻居”集。c.预测评价及产生推荐结果。通过相似度高低可以获得目标用户的“邻居”集，然后根据其“邻居”集中的用户对舆情话题进行预测评价，将评价高的舆情话题推荐给用户。本专利技术的有益效果：(1)构建基于图计算相似社区的发现和数据挖掘，通过提取相似社区的用户特征，形成相似用户的“邻居”集，实现对该“邻居”用户更精准的舆情信息推荐；(2)本方法通过基于相似用户群体兴趣以及行为的协同过滤方法用于个性化推荐，从而提高了内容推荐的精确度，同时也扩展了内容覆盖面。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一种基于相似社区的舆情个性化推荐算法的结构图；具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，对一种基于相似社区的舆情个性化推荐算法的具体流程进行详细说明。a.数据初始化数据初始化主要是将学生对舆情话题的评价数据进行初始化。构建学生和舆情话题的关系矩阵，即评价矩阵，同时去除冗余项目。b.最近邻居集的形成根据上述关系来计算用户之间的相似度。根据余弦相似性、相关相似性等方法求出相似度值，进而排序形成目标用户的最近“邻居”集。c.预测评价及产生推荐结果通过相似度高低可以获得目标用户的“邻居”集，然后根据其“邻居”集中的用户对舆情话题进行预测评价，将评价高的舆情话题推荐给用户。评价预测计算公式如下：式中：Rv——分别代表用户u,v对所有舆情话题评价的平均值。本专利技术的一种基于相似社区的舆情个性化推荐算法，通过把图计算、数据挖掘和社区网络的结合，该方法能将相似用户划归开来，借助群体来帮助个体筛选出所需的舆情信息，避免了仅依靠单一用户行为数据来进行舆情信息推荐的不足。再通过基于相似用户群体兴趣以及行为的协同过滤方法用于个性化推荐，大大提高了内容推荐的精确度，同时也扩展了内容覆盖面。以上所述仅为本专利技术的较佳实施例而已，并不用以限制本专利技术，凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于相似社区的舆情个性化推荐算法，其特征在于，通过基于图计算相似社区的发现和数据挖掘，可以对相似社区的用户进行特征的提取，分析用户对某舆情话题的历史浏览行为信息或评价，以及用户的基本属性(包括年龄、性别、兴趣爱好)，通过相应的相似度计算公式计算用户之间的相似性，形成相似用户的“邻居”集。根据该“邻居”用户进行推荐。协同过滤的算法即利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的舆情信息，个人通过合作的机制给予信息相当程度的回应(如评价)，并记录下来以达到过滤的目的进而帮助别人筛选信息，包括以下步骤：a.数据初始化数据初始化主要是将学生对舆情话题的评价数据进行初始化。构建学生和舆情话题的关系矩阵，即评价矩阵，同时去除冗余项目。b.最近邻居集的形成根据上述关系来计算用户之间的相似度。根据余弦相似性、相关相似性等方法求出相似度值，进而排序形成目标用户的最近“邻居”集。c.预测评价及产生推荐结果通过相似度高低可以获得目标用户的“邻居”集，然后根据其“邻居”集中的用户对舆情话题进行预测评价，将评价高的舆情话题推荐给用户。评价预测计算公式如下：

【技术特征摘要】
1.一种基于相似社区的舆情个性化推荐算法，其特征在于，通过基于图计算相似社区的发现和数据挖掘，可以对相似社区的用户进行特征的提取，分析用户对某舆情话题的历史浏览行为信息或评价，以及用户的基本属性(包括年龄、性别、兴趣爱好)，通过相应的相似度计算公式计算用户之间的相似性，形成相似用户的“邻居”集。根据该“邻居”用户进行推荐。协同过滤的算法即利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的舆情信息，个人通过合作的机制给予信息相当程度的回应(如评价)，并记录下来以达到过滤的目的进而帮助别人筛选信息，包括...

【专利技术属性】
技术研发人员：张易亮，于强，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37