一种融合用户影响关系的在线社区好友推荐方法及系统技术方案

本发明专利技术提供一种融合用户影响关系的在线社区好友推荐方法及装置，该方法的具体过程为：步骤1.构建隐性用户行为网络，所述用户行为网络包括无向加权用户行为网络和有向加权用户行为网络；基于有向加权用户行为网络计算在线社区中基于兴趣的用户影响关系；步骤2.基于所述无向加权用户行为网络，获取具有相似兴趣的用户社团；步骤3.基于目标用户所在的社团，构建用户好友关系网络；基于所述用户影响关系构建用户影响关系网络；步骤4.结合用户好友关系网络和用户影响关系网络进行好友推荐。本发明专利技术具有更好的好友推荐效果。

An online community friend recommendation method and system integrating user influence relationship

【技术实现步骤摘要】
一种融合用户影响关系的在线社区好友推荐方法及系统
本专利技术属于互联网信息推荐
，具体涉及一种融合用户影响关系的在线社区好友推荐方法及系统。
技术介绍
互联网和信息技术的不断发展使信息的产生和传播方式发生了翻天覆地的变化，人们也逐渐将网络作为沟通交流的重要渠道。在线社区是网络中出现的社会聚集，社区成员因为共同的兴趣在社区中进行交流讨论。随着在线社区的日益流行，用户往往难以快速有效地发现自己真正感兴趣的用户，造成了严重的信息过载问题。发现社区成员感兴趣的好友不仅能够帮助用户建立有效的社交关系进而促进用户间的沟通交流，也有助于保持和促进在线社区的持续繁荣。现有方法往往通过分析好友关系网络、用户资料或用户生成内容进行好友推荐，这几种方法往往忽略用户社会化关系对好友推荐的协同作用，不适用于在线社区场景。现有基于好友关系网络的方法往往只考虑用户间的显性社交关系网络，如好友关系或关注关系等，而忽略了在线社区用户之间的潜在社会关系，如话题的共同参与等。基于用户资料的在线社区好友推荐方法大多根据用户的个人属性信息等进行推荐，但是这类方法往往面临用户资料不完整和推荐不准确等问题。基于用户生成内容的方法往往从文本的角度探索用户之间的相似关系，进而完成好友推荐，但这类方法大多忽略了用户之间的其他社会化信息，如用户之间的交互关系和相似属性等。好友推荐是为目标用户推荐其可能感兴趣的其他用户的过程，被推荐的其他用户称为项目。根据已有的好友关系网络，可以构建用户之间的评分矩阵。协同过滤是推荐系统中最为流行的方法之一，基于模型的协同过滤方法使用数据挖掘和机器学习技术从训练数据中的用户评分数据学习用户行为模式，进而预测出用户对项目的评分。矩阵分解方法是一种高效的基于模型的协同推荐方法，该方法通过对评分矩阵进行低秩近似实现评分预测。矩阵分解的核心思想认为用户的兴趣及被推荐项目的固有属性往往只受少数几个因素的影响。具体地，该方法将用户对项目的评分R分解为l×n维度的用户潜在特征矩阵U和l×m维度的项目潜在特征矩阵V，其中l为潜在特征维度，n为用户数量，m为项目数量。潜在特征矩阵U为用户的兴趣特征矩阵，表示各个用户在潜在特征上的兴趣程度。潜在特征矩阵V为项目的固有特征矩阵，表示各个被推荐项目在潜在特征上的固有属性。在线社区中既有的好友关系较少，对应的好友关系矩阵R＝(Rij)n×n往往较为稀疏，其中存在大量的缺失项。基于矩阵分解得到的两个特征矩阵可以对矩阵R＝(Rij)n×n中的缺失项进行评分预测得到则R＝(Rij)n×n中的缺失项可以通过中的评分进行估计并产生推荐。矩阵分解问题可以转化为机器学习中的最优化问题，加入正则项的损失函数可以定义为：其中，为指示函数，用来表示评分矩阵中对应元素是否缺失，不缺失时否则λU和λV为正则系数。矩阵分解假设用户和项目的潜在特征向量及观察到的评分数据条件概率服从高斯先验分布，根据损失函数可得到最有可能的潜在特征矩阵。矩阵分解方法的概率图模型如图1所示。现有的矩阵分解方法认为用户与用户之间以及项目与项目之间都是相互独立的，忽略了用户之间以及项目之间可能存在的关联关系。在线社区中蕴含着广泛的社会化信息。一方面，用户的生成内容和个人属性信息能够较为客观地反映该用户的兴趣，这些信息可用于判断不同用户是否具有相似性或者是否可能成为好友。另一方面，不同用户之间往往存在潜在的社会关联关系，如用户的发帖和回帖关系，这些关系也能够在一定程度上体现不同用户的相似性。而现有的矩阵分解方法不考虑用户的这些社会化信息，因此难以有效地为用户推荐潜在好友。在线社区中存在用户生成内容、用户属性和用户发回帖等纷繁复杂的社会化信息，其形式包括文本、属性信息及交互记录等。如何有效提取并集成这些社会化信息，从而能够准确度量用户间潜在的社会化关系值得探索。另外，如何对现有的矩阵分解方法进行改进，并将在线社区用户之间潜在的社会化关系融入到矩阵分解的过程中有待研究。
技术实现思路
为了帮助在线社区用户更有效地发现感兴趣的好友，本专利技术提出一种融合用户影响关系的在线社区好友推荐方法及系统。实现本专利技术的技术方案如下：一种融合用户影响关系的在线社区好友推荐方法，具体过程为：步骤1.构建隐性用户行为网络，所述用户行为网络包括无向加权用户行为网络和有向加权用户行为网络；基于有向加权用户行为网络计算在线社区中基于兴趣的用户影响关系；步骤2.基于所述无向加权用户行为网络，获取具有相似兴趣的用户社团；步骤3.基于目标用户所在的社团，构建用户好友关系网络；基于所述用户影响关系构建用户影响关系网络；步骤4.结合用户好友关系网络和用户影响关系网络进行好友推荐。进一步地，本专利技术所述步骤1的基于兴趣的影响关系为：对于任意两个用户vi和vj，定义用户vi对用户vj基于兴趣的影响程度为Sij，Sij＝WSij·USij(3)其中，WSij表示用户vi对用户vj的用户交互程度，USij表示用户vi与用户vj间的相似程度。进一步地，本专利技术所述用户的相似程度由行为模式相似程度、属性相似程度和生成内容主题相似程度确定。进一步地，本专利技术所述用户行为网络以用户为节点，当用户之间存在共同兴趣时，对应的网络用户存在连边，连边表示用户之间的隐性社会关系，连边权重表示对应用户之间隐性社会关系的强弱。进一步地，本专利技术所述无向加权用户行为网络中权重为：其中，fi和fj分别表示用户vi和用户vj的权重，即用户vi和用户vj参与话题数量，wij表示初始用户行为网络中边的权重；所述初始用户行为网络中边的权重wij为：其中，threads(vi)和threads(vj)分别表示用户vi和用户vj参与过的话题集合，NUp表示话题p的参与人数。进一步地，本专利技术所述有向加权用户行为网络中权重为：其中，fi表示边的出发用户vi的权重，即用户vi参与话题数量，wij表示初始用户行为网络中边的权重；所述初始用户行为网络中边的权重wij为：其中，threads(vi)和threads(vj)分别表示用户vi和用户vj参与过的话题集合，NUp表示话题p的参与人数。进一步地，本专利技术将用户好友关系矩阵R＝(Rij)n×n分解为两个矩阵乘积的形式：R≈UTV.(23)其中，U和V对应用户的两个潜在特征矩阵，矩阵U和矩阵V中的每一列Ui和Vj分别代表用户vi与用户vj的潜在特征向量，则用户vi与用户vj建立好友关系的概率可以表示为：用户好友关系矩阵R＝(Rij)n×n和用户影响关系矩阵S＝(Sij)n×n中的用户数量均为n，则矩阵U中用户vi的特征向量可表示为：其中，Ni表示用户影响关系网络中连接到用户vi的用户集合，Ski表示用户vk对用户vi基于兴趣的影响程度，Uk表示用户vk在各个潜在特征上的兴趣程度；则矩阵V中本文档来自技高网...

【技术保护点】
1.一种融合用户影响关系的在线社区好友推荐方法，其特征在于，具体过程为：/n步骤1.构建隐性用户行为网络，所述用户行为网络包括无向加权用户行为网络和有向加权用户行为网络；基于有向加权用户行为网络计算在线社区中基于兴趣的用户影响关系；/n步骤2.基于所述无向加权用户行为网络，获取具有相似兴趣的用户社团；/n步骤3.基于目标用户所在的社团，构建用户好友关系网络；基于所述用户影响关系构建用户影响关系网络；/n步骤4.结合用户好友关系网络和用户影响关系网络进行好友推荐。/n

【技术特征摘要】
1.一种融合用户影响关系的在线社区好友推荐方法，其特征在于，具体过程为：
步骤1.构建隐性用户行为网络，所述用户行为网络包括无向加权用户行为网络和有向加权用户行为网络；基于有向加权用户行为网络计算在线社区中基于兴趣的用户影响关系；
步骤2.基于所述无向加权用户行为网络，获取具有相似兴趣的用户社团；
步骤3.基于目标用户所在的社团，构建用户好友关系网络；基于所述用户影响关系构建用户影响关系网络；
步骤4.结合用户好友关系网络和用户影响关系网络进行好友推荐。


2.根据权利要求1所述融合用户影响关系的在线社区好友推荐方法，其特征在于，所述步骤1的基于兴趣的影响关系为：对于任意两个用户vi和vj，定义用户vi对用户vj基于兴趣的影响程度为Sij，
Sij＝WSij·USij
其中，WSij表示用户vi对用户vj的用户交互程度，USij表示用户vi与用户vj间的相似程度。


3.根据权利要求2所述融合用户影响关系的在线社区好友推荐方法，其特征在于，所述用户的相似程度由行为模式相似程度、属性相似程度和生成内容主题相似程度确定。


4.根据权利要求1所述融合用户影响关系的在线社区好友推荐方法，其特征在于，所述用户行为网络以用户为节点，当用户之间存在共同兴趣时，对应的网络用户存在连边，连边表示用户之间的隐性社会关系，连边权重表示对应用户之间隐性社会关系的强弱。


5.根据权利要求4所述融合用户影响关系的在线社区好友推荐方法，其特征在于，所述无向加权用户行为网络中权重为：






其中，fi和fj分别表示用户vi和用户vj的权重，即用户vi和用户vj参与话题数量，wij表示初始用户行为网络中边的权重；
所述初始用户行为网络中边的权重wij为：



其中，threads(vi)和threads(vj)分别表示用户vi和用户vj参与过的话题集合，NUp表示话题p的参与人数。


6.根据权利要求4所述融合用户影响关系的在线社区好友推荐方法，其特征在于，所述有向加权用户行为网络中权重为：

【专利技术属性】
技术研发人员：颜志军，杨杭州，高慧颖，贾琳，尹秋菊，彭飞，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11