【技术实现步骤摘要】
本专利技术涉及社交兴趣推荐领域，尤其涉及基于共现网络的社交推荐方法、系统、存储介质及终端。
技术介绍
1、随着科技的发展，社交网络近年来也逐渐成熟，而这给针对社交网络进行数据挖掘和分析的研究带来了机会。而事件社交网络是一种用户可以在其上创建、宣传、分享社交活动的新型线上社交网络。用户可以创建或者加入一个有着同样兴趣爱好的用户群组，参加有趣的事件与群组进行交互。事件社交网络吸引了大量的用户，从而得到迅猛发展。然而愈加庞大的社交网络会产生十分庞大的信息流，用户很难从中快速的发现自己喜欢的活动，从而浪费大量的时间在筛选感兴趣的信息上。为了用户能够更方便的找到感兴趣的活动，通过计算机算法，自动地为每一个用户找到感兴趣的活动，从而解决信息量超载的问题。这样的计算机系统，称之为推荐系统。
2、传统的推荐系统只关注用户是否对项目产生了交互行为，而忽略了时间对于用户兴趣的影响，简单的将用户的兴趣刻画成了静态的。然而现实生活中，用户受到环境因素的影响，其对于某些项目的兴趣会随着时间的变化而变化。另外，用户在同一时间段内消费过的不同的项目可能是相似的，因此时间因素对于刻画用户对于该项目的兴趣是有影响的，而且加入时间因素也能更好地挖掘出相似的项目。标准推荐系统包含用户对项目的评分，即偏好和用户对该项目评分时的时间戳。时间戳可用于将时间信息建模为连续或分类变量，连续或分类变量都可以作为关键输入而提高推荐系统的推荐结果。一些方法中利用时间感知信息结合项目特征提出了一个改进的基于用户的协同推荐系统。另一些方法中将用户的评分历史划分为几个阶段，分
3、虽然这些基于时间因素的推荐算法在性能上得到了提升，但是对于时间因素产生的用户关系和项目关系没有进行挖掘，存在以下不足之处：
4、1.对于用户-项目交互信息网络，这些方法都是平等的对待每一种关系，不能很好地展现出用户-项目交互信息网络中关系的差异化。2.这些方法大多将时间因素简单的作为刻画用户兴趣变化的因子，而忽略了时间序列在构建的用户关系网络和项目关系网络中挖掘出的更深层次的关系。
5、以上不足使得现有推荐方法的预测精度不高，兴趣推荐效果不够理想。
技术实现思路
1、本专利技术的目的在于克服现有推荐方法中存在的技术问题，提供了基于共现网络的社交推荐方法、系统、存储介质及终端。
2、本专利技术的目的是通过以下技术方案来实现的：
3、第一方面，提供一种基于共现网络的社交推荐方法，包括：
4、根据用户与项目的交互数据，分别构建基于时间序列的用户共现网络和项目共现网络；
5、给定一个社交网络，基于随机游走分别生成用户共现网络、项目共现网络以及社交网络的节点嵌入表示；
6、融合用户共现网络、项目共现网络以及社交网络的节点嵌入表示，并结合矩阵分解进行用户兴趣推荐。
7、在一些实施例中，构建基于时间序列的用户共现网络，包括：
8、用户共现网络表示为，给定时间间隔，对于任意评分过同一项目的用户对，如果，则从上到会有一个边缘，否则没有，其中，u表示用户，u为用户集，为用户边缘集，,，和分别是评分的时间。
9、在一些实施例中，构建基于时间序列的项目共现网络，包括：
10、项目共现网络表示为，给定时间间隔，对于任意由同一用户评分过的项目对，如果，则从到上会有一个边缘，否则没有，其中,i表示项目，i为项目集，为项目边缘集，,，和分别是评分的时间。
11、在一些实施例中，所述基于随机游走分别生成用户共现网络、项目共现网络以及社交网络的节点嵌入表示，包括：
12、基于node2vec图嵌入算法，分别生成用户共现网络、项目共现网络以及社交网络的节点嵌入表示。
13、在一些实施例中，通过随机梯度下降法来优化所述node2vec图嵌入算法的目标函数。
14、在一些实施例中，所述融合用户共现网络、项目共现网络以及社交网络的节点嵌入表示，并结合矩阵分解进行用户兴趣推荐，包括：
15、在矩阵分解中，用户u对项目i的评分预测函数表示为：
16、，其中表示用户u的潜在因素，表示项目i的潜在因素，两个潜在因素的目标优化函数为：
17、，其中，表示用户对项目的评分函数；结合嵌入表示学习到的用户u和项目i的节点嵌入表示，评分预测函数更新如下：
18、，其中，a表示在社交网络中学习到的用户节点嵌入表示，b表示在项目共现网络中学习到的项目节点嵌入表示，c表示在用户共现网络中学习到的用户节点嵌入表示，表示与a相匹配的潜在因素，表示与c相匹配的潜在因素，表示与b相匹配的潜在因素；，和表示调优参数；上标t表示转置；表示项目潜在空间，表示用户潜在空间，表示对应参数的欧几里德范数，是正则化参数。
19、第二方面，提供一种基于共现网络的社交推荐系统，包括：
20、共现网络构建模块，配置为根据用户与项目的交互数据，分别构建基于时间序列的用户共现网络和项目共现网络；
21、节点嵌入模块，配置为给定一个社交网络，基于随机游走分别生成用户共现网络、项目共现网络以及社交网络的节点嵌入表示；
22、融合推荐模块，配置为融合用户共现网络、项目共现网络以及社交网络的节点嵌入表示，并结合矩阵分解进行用户兴趣推荐。
23、第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现任意一项所述的基于共现网络的社交推荐方法。
24、第四方面，提供一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行任意一项所述的基于共现网络的社交推荐方法。
25、需要进一步说明的是，上述各实施例对应的技术特征在不冲突的情况下可以相互组合或替换构成新的技术方案。
26、与现有技术相比，本专利技术有益效果是：
27、本专利技术考虑时间因素对于推荐结果的影响，首先定义了基于时间的共现网络，通过用户-项目的交互数据来构建用户共现网络和项目共现网络。其次，为了挖掘出共现网络中更深层次的关系，将用户共现网络、项目共现网络以及社交网络通过嵌入的方式得到节点的嵌入表示，更好地展现出用户-项目交互信息网络中关系的差异化。最后，提出了一种基于共现网络嵌入的推荐模型conerec，将嵌入信息结合矩阵分解进行推荐。conerec模型融合基于交互时间构建的共现网络嵌入和社交网络嵌入信息，以此来考虑时间因素对于推荐性能的影响。并且采用网络嵌入的形式来学习共现网络和社交网络本文档来自技高网...
【技术保护点】
1.一种基于共现网络的社交推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于共现网络的社交推荐方法，其特征在于，构建基于时间序列的用户共现网络，包括：
3.根据权利要求1所述的基于共现网络的社交推荐方法，其特征在于，构建基于时间序列的项目共现网络，包括：
4.根据权利要求2所述的基于共现网络的社交推荐方法，其特征在于，所述基于随机游走分别生成用户共现网络、项目共现网络以及社交网络的节点嵌入表示，包括：
5.根据权利要求4所述的基于共现网络的社交推荐方法，其特征在于，通过随机梯度下降法来优化所述Node2vec图嵌入算法的目标函数。
6.根据权利要求1所述的基于共现网络的社交推荐方法，其特征在于，所述融合用户共现网络、项目共现网络以及社交网络的节点嵌入表示，并结合矩阵分解进行用户兴趣推荐，包括：
7.一种基于共现网络的社交推荐系统，其特征在于，包括：
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-6中任意一项所述
9.一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，其特征在于，处理器运行计算机指令时执行权利要求1-6中任意一项所述的基于共现网络的社交推荐方法。
...【技术特征摘要】
1.一种基于共现网络的社交推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于共现网络的社交推荐方法，其特征在于，构建基于时间序列的用户共现网络，包括：
3.根据权利要求1所述的基于共现网络的社交推荐方法，其特征在于，构建基于时间序列的项目共现网络，包括：
4.根据权利要求2所述的基于共现网络的社交推荐方法，其特征在于，所述基于随机游走分别生成用户共现网络、项目共现网络以及社交网络的节点嵌入表示，包括：
5.根据权利要求4所述的基于共现网络的社交推荐方法，其特征在于，通过随机梯度下降法来优化所述node2vec图嵌入算法的目标函数。
...
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。