[发明专利]一种融合贝叶斯推理和图上随机游走的好友推荐方法

权利要求书

1.一种融合贝叶斯推理和图上随机游走的好友推荐方法，其特征是，包括如下步骤：

步骤1.将社交网络图中目标用户i和待推荐用户j的对应属性值的对比结果所构成向量X＝{x₁，x₂，…，x_n}与目标用户i和待推荐用户j是否互为好友的结果变量f，构成贝叶斯用户关系推理网络的结点集{x₁，x₂，…，x_n，f}；

步骤2.对贝叶斯用户关系推理网络进行参数学习，确定估算结点的联合概率分布；当样本没有缺失值时，则通过样本计数即可估算出结点的联合概率分布；当样本中有值缺失时，则采用期望最大化算法对网络参数进行最大似然估计估算出结点的联合概率分布；

步骤3.基于确定的贝叶斯用户关系推理网络的结构和参数，进行用户潜在好友关系推断，即计算p(x₁，x₂，…，x_n，f)，判定用户成为潜在好友的概率；其中目标用户i和待推荐用户j成为潜在好友的概率值p_f|A(i，j)为：

p_f|A(i，j)＝P(x₁，x₂，…，x_n，f)＝P(x₁)P(x₂)…P(x_n)P(f|x₁，x₂，…，x_n)

式中，A＝{a₁，a₂，…，a_n}，A中每一个元素表示用户的一个属性，x_i表示用户i和用户j在属性a_i上的值构成的判定关系，P(x_i)表示x_i在数据集中的概率值；

步骤4.将所计算出的用户成为潜在好友的概率，与随机游走模型搜索结果相结合，并引入系数δ对两者加以权衡，得到待推荐用户j推荐给目标用户i的推荐得分Rec_i(j)：

其中，x_i(j)为状态向量，为反向搜索向量，P_f|A(i，j)为目标用户i和待推荐用户j成为潜在好友的概率值；β为设定的正向搜索得分权重，δ为设定的贝叶斯推理得分系数；

步骤5.将待推荐用户j推荐给目标用户i的推荐得分Rec_i(j)进行排序，将推荐得分Rec_i(j)较高的k名待推荐用户j推荐给目标用户i，其中k为设定值。

2.根据权利要求1所述一种融合贝叶斯推理和图上随机游走的好友推荐方法，其特征是，步骤4中，状态向量x_i(j)为：

x_i(j)^(t)＝αP’^T.x_i(j)^(t-1)+(1-α)x_i(j)⁽⁰⁾

式中，x_i(j)^(t)为游走步数t的状态向量，x_i(j)^(t-1)为游走步数t-1的状态向量，x_i(j)⁽⁰⁾为初始的状态向量，P’^T为转移概率矩阵，α为重启动系数，由于游走步数t大于100时，搜索过程通常趋于收敛，因此设置t＞＝100，且t不宜设置过高，以免花费大量不必要的搜索时间。

3.根据权利要求2所述一种融合贝叶斯推理和图上随机游走的好友推荐方法，其特征是，转移概率矩阵P’^T中的各个元素p′_i，j为：

其中，c(i，j)为用户i和j之间的社交置信度，n为社交网络图中用户的总数。

4.根据权利要求1所述一种融合贝叶斯推理和图上随机游走的好友推荐方法，其特征是，步骤4中，反向搜索向量为：

式中，x_i(j)为状态向量，l为反向搜索的步数。