【技术实现步骤摘要】
一种社交网络中的基于朋友关系传播的朋友推荐方法
本专利技术涉及一种社交网络中的基于朋友关系传播的朋友推荐方法,属于计算机数据挖掘
技术介绍
社交网络在近些年得到了飞速的发展,也受到了许多研究人员的重视。朋友推荐是交友网站中的一项重要的功能,许多交友网站依靠为用户推荐好友来吸引用户、增强用户对交友网站的依赖性。目前研究者已经提出了许多算法来解决好友推荐的问题,其中最普遍的朋友推荐方法是基于网络拓扑结构的相似度度量,包括局部结构相似度度量和全局相似度度量。学者Liben-Nowell和Kleinberg归纳了流行的局部结构相似度度量方法,包括公共朋友数、Jaccard系数、Adamic/Adar度量等等。全局相似度度量方法则再整个网络上度量两个用户的相似度,流行的方法包括Katz相似度度量、SimRank算法、随机游走算法等。也有研究者提出随机游走算法的改进算法,包括随机化最短路径(RSP)相异度、最大熵随机游走算法等,通过调整随机游走的迁移概率来改善算法性能。然而这些算法都把社交网络当作一个图来处理,并没有考虑到用户的动机和行为在朋友推荐中的重要作用,无法对用户的交友行为进行合理建模,也就不能为用户提供精准的朋友推荐服务。本申请人于2013年1月17日提出了专利申请号为201310026965.3、专利技术名称为“一种社交网络中朋友关系传递树的建立方法”,该方法通过对用户的行为进行建模,基于朋友关系的传递性来推测和表达社交网络的形成和演化过程,但是没有考虑用户兴趣的影响,也没有考虑用户的朋友圈对于用户交友行为的协同影响,也没有提供用于社交网络中朋友 ...
【技术保护点】
一种基于朋友关系传播的朋友推荐方法,其特征在于该方法包括以下步骤:(1)设社交网络中有多个用户,每个用户有多个朋友,将用户记为自我节点ui,将该用户的朋友记为朋友节点vi;为社交网络中的自我节点ui,创建一个属于自我节点ui的潜在朋友关系传播网络,该网络包括三层:自我层E(ui)、局部层L(ui)和全局层G(ui),在自我层E(ui)中添加自我节点ui,在局部层L(ui)中添加自我节点ui的所有朋友节点,在全局层G(ui)中添加社交网络中的所有节点;每个用户建立一个兴趣领域集合K;(2)按照时间,将自我节点与朋友节点之间的交互数据按交互的时间划分为N段,对于与第t段交互相对应的时间段Tt,执行步骤(3)?(10),t=1,2,……,N;(3)建立如下兴趣感知的社交行为概率生成模型:(3?1)设社交网络中每个自我节点ui的交互行为数为社交网络中每个自我节点ui的新交朋友数为(3?2)分别用先验参数为的狄利克雷分布表示社交网络中每个自我节点ui的朋友关系强度分布的先验分布,从该狄利克雷分布中采样得到社交网络中自我节点ui在时间段Tt的朋友关系强度分布(3?3)从上述朋友关系强度分布中,采样 ...
【技术特征摘要】
1.一种基于朋友关系传播的朋友推荐方法,其特征在于该方法包括以下步骤:(1)设社交网络中有多个用户,每个用户有多个朋友,将用户记为自我节点ui,将该用户的朋友记为朋友节点vi;为社交网络中的自我节点ui,创建一个属于自我节点ui的潜在朋友关系传播网络,该网络包括三层:自我层E(ui)、局部层L(ui)和全局层G(ui),在自我层E(ui)中添加自我节点ui,在局部层L(ui)中添加自我节点ui的所有朋友节点,在全局层G(ui)中添加社交网络中的所有节点;每个用户建立一个兴趣领域集合K;(2)按照时间,将自我节点与朋友节点之间的交互数据按交互的时间划分为N段,对于与第t段交互相对应的时间段Tt,执行步骤(3)-(10),t=1,2,……,N;(3)建立如下兴趣感知的社交行为概率生成模型:(3-1)设社交网络中每个自我节点ui的交互行为数为社交网络中每个自我节点ui的新交朋友数为(3-2)分别用先验参数为的狄利克雷分布表示社交网络中每个自我节点ui的朋友关系强度分布的先验分布,从该狄利克雷分布中采样得到社交网络中自我节点ui在时间段Tt的朋友关系强度分布(3-3)从上述朋友关系强度分布中,采样得到社交网络中每个自我节点ui的每次交互对象x;(3-4)分别用先验参数为的狄利克雷分布表示社交网络中每个自我节点ui的中介偏好概率分布的先验分布,从该狄利克雷分布中采样得到社交网络中自我节点ui在时间段Tt的中介偏好概率分布(3-5)分别用先验参数为的狄利克雷分布表示社交网络中每个自我节点ui的兴趣偏好概率分布的先验分布,从该狄利克雷分布中采样得到社交网络中自我节点ui在时间段Tt的兴趣偏好概率分布(3-6)分别用先验参数为的狄利克雷分布表示社交网络中兴趣领域的用户声望概率分布的先验分布,从该狄利克雷分布中采样得到社交网络中每个兴趣领域ci在时间段Tt的用户声望概率分布(3-7)从上述用户兴趣偏好概率分布中采样得到社交网络中每个自我节点ui的兴趣领域ci,分别从上述中介偏好概率分布和用户声望概率分布的联合分布中采样得到社交网络中每个自我节点ui的中介人zi,从与中介人zi对应的朋友关系强度分布和用户声望概率分布的联合分布中采样得到社交网络中自我节点ui的新朋友节点yi;(3-8)用U表示社交网络中用户的集合,用K表示社交网络中用户兴趣领域的集合,用表示社交网络中自我节点ui在时间段Tt的朋友节点集合,用表示社交网络中自我节点ui在时间段Tt的新朋友节点集合,用表示社交网络中自我节点ui在时间段Tt的交互节点集合,用表示在时间段Tt社交网络中自我节点ui选择zi作为中介人的次数,用表示在时间段Tt社交网络中中介人zi将朋友yi推荐给别人的次数,用表示在时间段Tt社交网络中自我节点ui和朋友yi交互的次数,用表示在时间段Tt社交网络中zi在兴趣领域ci中被选为中介人的次数,用表示在时间段Tt社交网络中yi在兴趣领域ci中被推荐给别人的次数,用表示在时间段Tt社交网络中自我节点ui在兴趣领域ci中选择新朋友的次数;(4)对时间段Tt的时间序号t进行判断:若t≥1,则先验参数分别为:其中,表示在时间段Tt-1社交网络中自我节点ui选择zi作为中介人的次数,表示在时间段Tt-1社交网络中中介人zi将朋友yi推荐给别人的次数,表示在时间段Tt-1社交网络中中介人zi和朋友yi交互的次数,表示在时间段Tt-1社交网络中ui在兴趣领域ci中被推荐给别人的次数,用表示在时间段Tt-1社交网络中自我节点ui在兴趣领域ci中选择新朋友的次数;若t=0,则先验参数分别为:其中α0,β0,δ0,γ0分别为先验参数的预设值,α0,β0,δ0,γ0分别为正数;(5)当自我节点ui和自我节点ui的新朋友节点yi有共同朋友时,则从共同朋友中随机选择共同朋友zi作为自我节点ui与新朋友节点yi之间的候选中介人,记录共同朋友zi被选为自我节点ui与新朋友节点yi之间的候选中介人的次数为1,当自我节点ui和自我节点ui的新朋友节点yi没有共同朋友时,则选择自我节点ui作为自我节点ui与新朋友节点yi之间的候选中介人;(6)从用户建立的兴趣领域集合K中随机选择一个兴趣领域ci作为自我节点ui与新朋友节点yi之间的候选兴趣领域,记录兴趣领域ci被选为自我节点ui与新朋友节点yi之间的候选兴趣领域的次数为1;(7)当自我节点ui和自我节点ui的新朋友节点yi有共同朋友时,则按照下式计算兴趣领域为ci的共同朋友z′,作为自我节点ui与新朋友节点yi之间的中介人zi的概率其中,表示在时间段Tt社交网络中自我节点ui选择z′作为中介人的次数,表示在时间段Tt社交网络中中介人z′将朋友yi推荐给别人的次数,表示在时间段Tt社交网络中中介人z′和朋友yi交互的次数,表示在时间段Tt社交网络中z′在兴趣领域ci中被选为中介人的次数,表示在时间段Tt社交网络中z′在兴趣领域ci中被推荐给别人的次数,表示在时间段Tt社交网络中自我节点ui选择vi作为中介人的次数,表示在时间段Tt社交网络中中介人vi将朋友yi推荐给别人的次数,表示在时间段Tt社交网络中中介人vi和朋友yi交互的次数,表示在时间段Tt社交网络中vi在兴趣领域ci中被选为中介人的次数,表示在时间段Tt社交网络中vi在兴趣领域ci中被推荐给别人的次数,为在Tt时间段自我节点ui偏好概率分布的先验参数中与共同朋友z′相应的先验值,为在Tt时间段z′的朋友关系强度分布先验参数中与朋友节点yi相应的先验值,为在Tt时间段兴趣领域ci的用户声望概率分布的先验参数中与z′相应的先验值,为在Tt时间段自我节点ui偏好概率分布的先验参数中与共同朋友vi相应的先验值,为在Tt时间段vi的朋友关系强度分布先验参数中与朋友节点yi相应的先验值,为在Tt时间段兴趣领域ci的用户声望概率分布的先验参数中与vi相应的先验值;根据得到的概率,采样确定自我节点ui与新朋友节点yi之间的新候选中介人zi,并在记录中介人zi被选为自我节点ui与新朋友节点yi之间的候选中介人的次数上增加1,进行步骤(8);当自我节点ui和自我节点ui的新朋友节点yi没有共同朋友时,则保持步骤(5)的候选中介人不变,进行步骤(8);(8)按照下式计算中介人为zi时,自我节点ui与新朋友节点yi的共同兴趣领域ci为c′的概率其中,表示在时间段Tt社交网络中zi在兴趣领域c′中被选为中介人的次数,用表示在时间段Tt社交网络中yi在兴趣领域...
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。