基于大数据和社交网络的推荐分析方法和系统技术方案

本发明专利技术涉及大数据信息推荐技术领域，尤其涉及基于大数据和社交网络的推荐分析方法和系统，相比于现有技术，本发明专利技术在现有的协同过滤算法上做出了改进，通过行为稀疏度来判断用户是否能够找到相似度较高的用户。若行为稀疏度较高则代表用户行为较多，此时能够找到相似用户，那么用现有的协同过滤算法进行推荐即可。若行为稀疏度较低则代表用户行为较少，难以找到相似用户，那么此时则获取与目标用户具备社交关系的社交关联用户，通过二者之间的实际社交关联来进行推荐，以达到较为准确的推荐效果。本发明专利技术解决了现有的协同过滤算法中的灰羊问题，有望提供更准确、个性化的推荐服务，改善社交网络用户的体验。善社交网络用户的体验。善社交网络用户的体验。

【技术实现步骤摘要】
基于大数据和社交网络的推荐分析方法和系统


[0001]本专利技术涉及大数据信息推荐
，尤其涉及基于大数据和社交网络的推荐分析方法和系统
。

技术介绍

[0002]如今，智能推荐在有关软件中的重要性逐渐凸显
。
在当今网络中，信息的数量庞大，使得用户很难从中找到符合个人兴趣的内容
。
因此，智能推荐算法在网络中变得不可或缺
。
它可以通过分析用户的兴趣和行为，筛选和推荐与用户兴趣相关的内容，提高用户体验和效率
。
[0003]协同过滤算法是一种常见的智能推荐算法
。
它通过分析用户之间的相似性，利用其他相似用户的行为和偏好，向目标用户推荐他们可能感兴趣的内容
。
基于用户的协同过滤和基于物品的协同过滤是两种常见的协同过滤方法
。
[0004]尽管协同过滤算法在许多情况下表现良好，但在用户之间的相似度较低时，容易出现灰羊问题，灰羊问题指的是当目标用户与其他用户相似度较低时，协同过滤很难给出准确的推荐/>。
这种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于大数据和社交网络的推荐分析方法，其特征在于，包括：获取预设偏好矩阵，所述预设偏好矩阵包括多个预设用户的偏好向量，所述偏好向量中每个元素位置代表一个待推荐对象，每个元素值代表用户对待推荐对象的喜好程度；获取目标用户的偏好向量，并根据所述目标用户的偏好向量的稀疏性，得到所述目标用户的行为稀疏度；若所述目标用户的行为稀疏度大于预设阈值，则根据所述目标用户的偏好向量和所述预设偏好矩阵，基于协同过滤算法得到所述目标用户的目标推荐对象；若所述目标用户的行为稀疏度小于预设阈值，则获取所述目标用户的多个社交关联用户以及多个所述社交关联用户的偏好向量，根据多个所述社交关联用户的偏好向量，得到所述目标用户的目标推荐对象
。2.
根据权利要求1所述的基于大数据和社交网络的推荐分析方法，其特征在于，所述偏好向量的元素值包括
1、
‑1和0，其中1表示用户做出了表示喜好待推荐对象的行为，
‑1表示用户做出了表示不喜好待推荐对象的行为，0表示用户没有做出表示是否喜好待推荐对象的行为
。3.
根据权利要求2所述的基于大数据和社交网络的推荐分析方法，其特征在于，所述根据所述目标用户的偏好向量的稀疏性，得到所述目标用户的行为稀疏度，包括：统计所述目标用户的偏好向量中非零元素的个数，将所述非零元素的个数作为所述目标用户的行为稀疏度
。4.
根据权利要求1所述的基于大数据和社交网络的推荐分析方法，其特征在于，所述根据所述目标用户的偏好向量和所述预设偏好矩阵，基于协同过滤算法得到所述目标用户的目标推荐对象，包括：基于所述目标用户的偏好向量和所述预设偏好矩阵中的偏好向量的相似性，计算所述目标用户和所述预设用户的相似度；根据所述相似度，从所述预设用户中得到所述目标用户的相似用户；根据所述相似用户的推荐对象，得到所述目标用户的目标推荐对象
。5.
根据权利要求2所述的基于大数据和社交网络的推荐分析方法，其特征在于，所述根据多个所述社交关联用户的偏好向量，得到所述目标用户的目标推荐对象，包括：根据所述目标用户和多个所述社交关联用户的社交关联程度，得到每个所述社交关联用户的社交关联系数；以所述社交关联系数为偏好向量中每个元素的权值，合并多个所述社交关联用户的偏好向量，得到一个所述目标用户的偏好预测向量；根据所述目标用户的偏好预测向量，得到所述目标用户的目标推荐对象
。6.
根据权利要求5所述的基于大数据和社交网络的推荐分...

【专利技术属性】
技术研发人员：彭榕树生，
申请(专利权)人：广西华利康科技有限公司，
类型：发明
国别省市：