[发明专利]基于PageRank算法的网络个性化推荐方法

说明书

技术领域

本发明属于信息化处理技术领域，涉及协同过滤，特别是一种基于PageRank算法的网络个性化推荐系统，可用于在网络中的信息挖掘和信息服务。

背景技术

互联网规模和覆盖面的迅速增长带来了信息超载的问题：过量信息同时呈现使得用户无法从中获取对自己有用的部分,信息使用效率反而降低。现有的很多搜索引擎和专业数据索引本质上都是帮助用户过滤信息的手段。然而传统的搜索算法只能呈现给所有的用户一样的排序结果，无法针对不同用户的兴趣爱好提供相应的服务。个性化推荐系统是建立在海量数据挖掘基础上，以推荐策略和推荐算法为技术支撑，对用户提供完全个性化的决策支持和信息服务。被认为是当前解决信息超载最有效的工具之

近年来，随着以Facebook和Twitter为代表的社会网络的兴起，社会化推荐逐渐成为个性化推荐方法的研究热点。社会化过滤方法利用组员和他的好友偏好的共同点，来分析好友的偏好，从而预测给定组员的偏好。最初的社会化过滤算法是基于邻域的算法。该方法利用组员及其周围的用户的相似特征，来找到组员之间的相似性偏好，从而实现组员的社会化推荐；接着出现了基于图模型的社会化过滤方法。该方法利用图模型将组员的社会网络和组员物品的偏好关系建模到一张图中，然后利用随机游走算法给组员做社会化推荐；随后出现了基于矩阵分解的社会化过滤方法。该方法利用矩阵分解的算法来分解组员的社会网络矩阵和组员物品偏好矩阵，计算出组员的特征向量和物品的特征向量，并最终利用特征向量的点乘度量组员对物品的偏好。

但是以上这些社会化推荐方法，随着组员和商品的增多，系统的性能会越来越低；都是针对单个组员进行偏好发现，所以对于组员比较多时，社交关系复杂的情况，推荐准确性就会大大下降。

发明内容

本发明的目的是针对已有方法的不足，提出一种基于PageRank算法的网络个性化推荐方法，依据组员之间的信任关系，通过计算每个组员对组的重要性，提高在组员比较多、社交关系复杂情况下的推荐性能。

为实现上述目的，本发明包括如下步骤：

（1）从网页配置文件中，获取组员以及组员之间的好友关系数据，定义基于好友关系的组为：G＝{u₁,u₂,…,u_g}，其中u_l为第l个组员,，g为组G中组员的个数；定义组G的邻接矩阵为M={a_ij}，a_ij表示组员u_i与组员u_j之间的关系，若a_ij＝1，则表示组员u_j是组员u_i的好友关系，若a_ij＝0，则表示组员u_j不是组员u_i的好友关系，其中u_i,u_j∈G，1≤i≤g，1≤j≤g；

（2）根据组G内组员之间的好友关系，计算组员对组G归一化后的影响力向量为组员u_l对组G归一化后的影响力，c为迭代计数器；

（2a）初始化：设迭代计数器c为0，设为每个组员对组G的影响力，设为组员对组G的影响力向量，F⁰＝(1,1,...,1)，设收敛阈值为T，0＜T＜1；

（2b）在组G内，若组员u_l有k个好友u_l1，u_l2，...,u_lk，1≤k≤g，则组员u_l对组G的影响力为：