【技术实现步骤摘要】
本专利技术涉及社交网络领域，具体来说是一种基于拓扑与属性结合的局部社团检测的好友推荐方法。
技术介绍
1、随着互联网和web2.0技术的快速发展，越来越多的人喜欢在社交网络上进行聊天交友，实际上，这些社交网络可看成一个个由节点和边组成的有向图，网络中的用户对应着图中的节点，而用用户之间的社交关系则对应着有向图中的边。
2、由于随着互联网技术的快速发展，一条信息的传播可以通过“社交影响效应”而快速存在，这引起来许多学者的研究兴趣。在现实生活中有许多基于社交网络的应用，例如好友推荐，这对于社交软件上的用户提供认识结交更多志同道合的好友提供了帮助，同时也面临着一些推荐问题。在推荐时，常常利用“好友的好友是好友”，这将面临着推荐的好友范围太过广泛，比如，因客服返利而临时加的好友，面对这种情况时，此时好友推荐系统一般会出错，导致推荐失败。另外，在向用户推荐好友时，推荐的好友，基于好友关系原则，在推荐时的理由不够充分，不会引起用户兴趣，从而起不到推荐真正的好友的作用。
技术实现思路
1、本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于拓扑与属性结合的局部社团检测的好友推荐方法，以期能充分利用社交网络中的拓扑与属性信息，通过加边与翻转策略，从而能快速有效地找到社交网络中用户的真正好友集，最大化局部社区检测方法的范围与准确性。
2、本专利技术为达到上述专利技术目的，采用如下技术方案：
3、本专利技术一种基于拓扑与属性结合的局部社团检测的好友推荐方法的
4、步骤1、确定第i个用户vi与其他用户之间的关系；
5、步骤1.1、利用式(1)计算第i个用户vi的被选择概率pi：
6、
7、式(1)中，dij表示第i个用户vi与第j个用户vj的用户之间的最短距离；pmax表示用户被选择最大概率，pmin表示用户被选择最小概率，dmax表示用户之间的最大距离；
8、判断pi是否大于随机数rand，若大于，则令pi＝1；否则，令pi＝0；
9、步骤1.2、利用式(2)计算第i个用户vi的行为属性集合ai与第j个用户vj的行为属性集合aj之间相似度sij：
10、
11、判断sij是否大于等于δ1且小于等于1，若是，则令sij＝1；否则，判断sij是否小于δ1且大于δ2，若是，则sij保持不变，否则，表示sij小于等于δ2且大于等于0，并令sij＝0；
12、步骤1.3、利用式(3)计算第i个用户vi与第j个用户vj的混合相似度mixij，从而得到第i个用户vi与所有用户的混合相似度并进行降序排序，得到排序后的第i个用户vi的混合相似度集合；
13、mixij＝sij+pi (3)
14、步骤1.4、设置两个相似度阈值，用于将排序后的第i个用户vi的混合相似度集合划分为三个子集，并将第一个子集中的所有用户作为第i个用户vi的亲密用户集合将第二个子集中的所有用户作为第i个用户vi的重要用户集合将第三个子集中的所有用户作为第i个用户vi的陌生用户集合
15、根据第i个用户vi的亲密用户集与重要用户集中用户的序号对亲密用户集与重要用户集中所有用户进行升序排序，得到第i个用户vi排序后的亲密重要用户集合；
16、根据第i个用户vi排序后的亲密重要用户集合得到对应的混合相似度集合，记为mixi＝{mixi1,mixi2,…,mixik,…mixid}，其中，mixik表示第i个用户vi与亲密重要用户集合中的第k个用户vk混合相识度；d表示亲密重要用户集合中的用户总数；
17、步骤1.5、从社交网络g中选出所有与亲密用户集中的用户没有边连接的用户并作为vi的一般用户，将一般用户中与亲密用户集的行为属性集合aclose之间相似度为1的所有用户，作为vi的潜在用户并构成vi的潜在用户好友集ui，并将潜在用户好友集ui中相似度为1的所有用户之间的边构成虚拟边集e'i；
18、步骤2、用户间添加联系；
19、步骤2.1、定义当前循环次数为t，并初始化t＝1；
20、分别对第i个用户vi的亲密用户集中各个亲密用户之间添加边，并作为vi在第t次循环的用户好友集
21、步骤2.2、以潜在用户好友集ui与用户好友集之间的交集作为vi在第t次循环的目标用户集
22、步骤2.3、利用式(4)计算第t次循环下添加用户间联系的目标函数
23、
24、式(4)中，表示用户好友集内边的数量；表示用户好友集中的用户与不在中的用户之间的边的数量；
25、步骤2.4、判断中每一个用户加入到中，且在虚拟边集e'i中也添加对应的边后，是否变大，若变大，则从将相应用户删除后，添加到中，否则，不添加，从而得到第t+1次循环的用户好友集
26、步骤2.5、判断是否为空，若为空，则将加入并去除重复用户后，得到vi的最终用户好友集否则，将t+1赋值给t后，返回步骤2.2顺序执行；
27、步骤3、计算第i个用户vi的行为属性众数和的局部模块度；
28、步骤3.1、根据式(5)计算第i个用户vi的选友标准ave_si：
29、ave_si＝mode{si1,si2,…,sik,…,sid} (5)
30、式(5)中，sik表示第i个用户vi的行为属性ai与用户好友集中第k个用户vk的行为属性ak之间的相似度；mode表示取众函数；
31、如果sik≥ave_si，表则示第k个用户vk符合用户vi的选友标准；否则，表示第k个用户vk不符合用户vi的选友标准；
32、步骤3.2、利用式(6)构建第i个用户vi的用户好友集的局部模块度
33、
34、式(6)中，|e|表示社交网络表征g中用户之间的边数量，表示第i个用户vi的用户好友集中用户之间的边数量，表示第i个用户vi的用户好友集中用户之间的边数量以及用户好友集中的用户，与不在用户好友集中的用户之间的边数量之和；
35、步骤4、利用粒子群算法计算第i个用户vi的用户好友集中的真正好友；
36、步骤4.1、初始化粒子群算法的各个参数，包括：粒子的总数τmax、迭代次数t、最大迭代次数本文档来自技高网...
【技术保护点】
1.一种基于拓扑与属性结合的局部社团检测的好友推荐方法，其特征是应用于社交网络中，所述社交网络表征为G＝{V,E,A}，其中，V＝{v1,v2,…,vi,…,vm}表示所述社交网络G中的所有用户的集合，vi表示第i个用户；m为用户的总数；E＝{eij|i＝1,2,…,m；j＝1,2,…,m}表示任意两个用户之间的联系集合；eij表示第i个用户vi与第j个用户vj之间的联系；若第i个用户vi与第j个用户vj之间存在联系，则令eij＝1；否则，令eij＝0；A＝{A1,A2,…,Ai,…,Am}表示所述社交网络G的群体行为集合；Ai表示所述群体行为属性集合A中第i个用户vi的行为属性集合；所述好友推荐方法是按如下步骤进行：
2.根据权利要求1所述的一种基于拓扑与属性结合的局部社团检测的好友推荐方法，其特征在于，所述步骤4.2第t代种群中的第τ个粒子的位置和速度按照如下步骤产生：
3.根据权利要求1所述的一种基于拓扑与属性结合的局部社团检测的好友推荐方法，其特征在于，所述步骤4.5是按照如下步骤进行：
4.一种电子设备，包括存储器以及处理器，其特征在
5.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-3中任一所述好友推荐方法的步骤。
...【技术特征摘要】
1.一种基于拓扑与属性结合的局部社团检测的好友推荐方法，其特征是应用于社交网络中，所述社交网络表征为g＝{v,e,a}，其中，v＝{v1,v2,…,vi,…,vm}表示所述社交网络g中的所有用户的集合，vi表示第i个用户；m为用户的总数；e＝{eij|i＝1,2,…,m；j＝1,2,…,m}表示任意两个用户之间的联系集合；eij表示第i个用户vi与第j个用户vj之间的联系；若第i个用户vi与第j个用户vj之间存在联系，则令eij＝1；否则，令eij＝0；a＝{a1,a2,…,ai,…,am}表示所述社交网络g的群体行为集合；ai表示所述群体行为属性集合a中第i个用户vi的行为属性集合；所述好友推荐方法是按如下步骤进行：
2.根...
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。