【技术实现步骤摘要】
融合主题匹配与双向偏好的个性化事件推荐方法及系统
本专利技术涉及信息推荐
，具体涉及一种融合主题匹配与双向偏好的个性化事件推荐方法及系统。
技术介绍
随着互联网和计算机技术的快速发展，近年来传统的社交网络也朝着不同的革新方向发展，随之形成了一些特殊类型的新型社交网络，比如基于位置的社交网络(Location-BasedSocialNetwork,LBSN)，主要根据用户的地理签到信息形成社交关系的社交网络，以及另一种线上与线下结合的复杂异构社交网络——基于事件的社交网络(Events-BasedSocialNetwork,EBSN)，区别于传统的社交网络中熟人之间建立的好友关系，基于事件的社交网络中用户通过社会活动建立人际关系，用户根据自身的兴趣或共同点加入线上的兴趣小组和线下的集体社交活动。基于事件的社交网络正处于快速发展的过程中，越来越多的用户选择在事件社交网络中参与社交活动，在基于事件的社交网络平台上，用户可以加入各种不同的线上群组，组织者或者组内的用户可以发起并参与任意的线下社交活动，例如聚会、徒步旅行...
【技术保护点】
1.一种融合主题匹配与双向偏好的个性化事件推荐方法，其特征在于，包括以下步骤：/n步骤一，以文档主题生成模型LDA提取事件的主题信息，并根据用户参与的历史事件记录得到用户主题信息，计算新事件和用户历史事件的主题，采用余弦相似度计算用户-事件对的主题匹配度评分；/n步骤二，分别构建用户偏好模型和事件偏好模型，并分别计算用户偏好评分和事件偏好评分；/n步骤三，利用贝叶斯个性化排序算法BPR学习用户偏好评分和事件偏好评分的权重参数，得到用户事件双向偏好评分，将主题匹配度评分和双向偏好评分线性加权组合得出用户-事件对的最终推荐评分，向用户推荐排序后的前K个事件。/n
【技术特征摘要】
1.一种融合主题匹配与双向偏好的个性化事件推荐方法，其特征在于，包括以下步骤：
步骤一，以文档主题生成模型LDA提取事件的主题信息，并根据用户参与的历史事件记录得到用户主题信息，计算新事件和用户历史事件的主题，采用余弦相似度计算用户-事件对的主题匹配度评分；
步骤二，分别构建用户偏好模型和事件偏好模型，并分别计算用户偏好评分和事件偏好评分；
步骤三，利用贝叶斯个性化排序算法BPR学习用户偏好评分和事件偏好评分的权重参数，得到用户事件双向偏好评分，将主题匹配度评分和双向偏好评分线性加权组合得出用户-事件对的最终推荐评分，向用户推荐排序后的前K个事件。
2.如权利要求1所述的融合主题匹配与双向偏好的个性化事件推荐方法，其特征在于，步骤一中的所述文档主题生成模型LDA具有三层生成式贝叶斯网络结构，包括文档、主题和词，其中文档-主题和主题-词均服从多项式分布；每个文档以一定概率选择一个主题，并从这个主题中以一定概率选择一个词语，在任意文档中的主题均符合Dirichlet分布，通过该分布发掘文本之间的关系。
3.如权利要求2所述的融合主题匹配与双向偏好的个性化事件推荐方法，其特征在于，步骤一中的所述计算新事件和用户历史事件的主题，采用余弦相似度计算用户-事件对的主题匹配度评分，具体步骤包括：
步骤1-1，将所有事件描述内容组成文档集D并去除停用词，将所述文档集D输入文档主题生成模型LDA，分别求得每个事件的主题分布；
对所有事件内容去除停用词及标点符号，把去除噪声干扰词后的文档内容视为所有文档的集合D，输入到LDA主题模型中，产生文档di的主题和词的联合分布p(ω，z|α，β)，如式(1)所示：
然后使用Gibbs采样方法估计模型中的两个未知参数：事件主题分布和主题词分布v；
步骤1-2，根据JS散度算法计算目标用户历史事件和新事件之间的主题分布相似度；
根据式(1)已经生成所有事件的主题分布给定事件edp和edq分别具有主题分布通过JS散度方法首先计算两者之间的JS散度如式(2)所示：
其中，Djs∈[0，1]，DKL表示KL散度，用来描述两个概率分布p和q之间的差异，计算公式如式(3)所示：
结合式(2)和式(3)可得事件edp和edq的主题相似度为Stopic，如式(4)所示：
其中，事件的主题相似度Stopic的值位于[0，1]中，值越接近1则表示事件相似度越高；
步骤1-3，对目标用户所有历史事件的相似度取平均值，得到用户和新事件的主题匹配度评分；
以Eu表示目标用户的历史事件数，取目标用户所有相似度的平均值作为用户和新事件的主题匹配度评分，如式(5)所示：
根据构建的主题匹配模型，最终以来度量目标用户与新事件之间的主题匹配关系。
4.如权利要求3所述的融合主题匹配与双向偏好的个性化事件推荐方法，其特征在于，步骤二中的所述构建用户偏好模型分别从地理位置、社交关系、时间因素三个方面来构建用户的单因素偏好，具体包括：
步骤2-1-1，构建地理位置偏好模型：
地理位置偏好模型计算目标用户将参与在该位置举办事件的概率，采用核密度估计KDE方法对用户参与的事件的二维地理位置分布进行建模，用归一化之后的事件参与概率表示用户对地理位置的偏好度。事件地理位置的经纬度坐标用(Lx，Ly)表示，用户历史参与事件的地点集合以L(u)表示，则关于用户u的KDE函数如式(6)所示：
其中，li＝(Lxi，Lyi)T表示事件位置经纬度坐标的二维化向量，ml(u，li)表示用户u参加地理位置li处举办活动的频率，σ表示邻域窗口(带宽)的大小，N表示位置样本中的个数，K(·)表示高斯核函数，其定义形式如式(7)所示：
结合式(6)和式(7)可定义用户u参加将在位置为l处举办的事件活动的概率，如式(8)所示：
将概率归一化，得到用户关于地理位置的偏好评分SG(u，l)，如式(9)所示。
其中，分母表示目标用户最大的事件参与概率；
步骤2-1-2，构建社交关系偏好模型：
在用户社交关系网络中，用户会在线上加入至少一个或多个兴趣组中，并选择参与不同的小组发布的事件活动，通过用户的线上同组关系判断用户的社会关系偏好，所述同组关系主要包括两种交互关系；
第一种，用户与组的相关性，定义为用户与他们所属的所有组之间以及用户与组内创建的事件之间的交互关系，以G(u)表示用户u参与的事件所属的组的集合，则用户与组的相关性可表示成式(10)所示：
其中，mp(u，g)表示用户所在组中用户u曾参加的事件活动集合；
第二种，组内用户相关性，组内用户相关性由目标用户所在组中的好友相似性来定义，计算目标用户与组内用户的相似性s(u，g)，如式(11)所示：
其中，sim(ui，uj)表示同一组中用户ui和用户uj之间的相似性，如式(12)所示；
将s(u，g)归一化为如式(13)所示：
结合上述两种交互关系，属于相同组的用户倾向于参加由这些组内的其他用户创建的事件，综合用户与组的相关性和组内用户相关性得出用户u关于线上小组g的社交偏好评分SI(u，g)，如式(14)所示：
其中，α∈[0，1]作为权重控制参数，在社交关系网络中，设定目标用户和小组的偏好关联与组内用户之间的关联同等重要，通过实验验证将此处α的值设为0.5；
步骤2-1-3，构建时间因素偏好模型：
事件的时间因素是计算用户偏好时需要考虑的一个重要偏好因子；将用户能选择参加的新事件e表示为一个7*24维的事件时间向量当新事件在一周的某个特定时间段中发生时，则将该时间段的向量分量值置为1，否则为0；在时间偏好模型中根据用户参加的历史事件记录将用户表示为用户时间向量如式(15)所示：
其中，Eu表示目标用户参与过的历史事件集合，然后计算用户时间向量和新事件时间向量之间的余弦相似度s(u，e)，如式(16)所示：
对于新事件e，用户ui∈U可根据式(16)求得相似度s(ui，e)，归一化该相似度得到该用户对事件的时间偏好评分ST(ui，e)，如式(17)所示：
5.如权利要求4所述的融合主题匹配与双向偏好的个性化事件推荐方法，其特征在于，步骤二中的所述计算用户偏好评分，具体包括：
对于所述地理位置偏好模型，通过预测用户参与该位置举办的事件活动的概率表示地理位置偏好评分；对于所述社交关系偏好模型，从目标用户与组的关系、与组内用户相关性两个方面计算目标用户的社交偏好评分；对于所述时间因素偏好模型，通过构建日期和小时两个粒度的统一向量表示，并基于此计算用户-事件对的相似度作为目标用户的时间偏好评分；结合这三个单因素偏好组成一个用户偏好感知模型，将三个单因素偏好线性组合求得用户u对事件e的总体偏好评分Suser，如式(18)所示：
其中，SG、SI、ST分别表示用户在地理位置、社交关系、时间因素三个单因素上的偏好评分。
6.如权利要求5所述的融合主题匹...
【专利技术属性】
技术研发人员：钱忠胜，杨家秀，朱懿敏，
申请(专利权)人：江西财经大学，
类型：发明
国别省市：江西;36
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。