[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

说明书

本发明公开一种融合贝叶斯推理和图上随机游走的好友推荐方法，其通过计算用户社交置信度构造随机游走转移概率矩阵，继而将随机游走正向搜索与局部反向搜索结合起来，并与一种贝叶斯用户潜在好友关系推理模型相融合，充分开采了社交网络结构信息和用户属性信息，提供了社交网络好友推荐的建议，具有准确性高的特点。

技术领域

本发明涉及社交网络技术领域，具体涉及一种融合贝叶斯推理和图上随机游走的好友推荐方法。

背景技术

社交网络上的好友推荐技术普遍面临着数据稀疏性挑战，虽然现有基于网络图的随机游走策略开展好友推荐能够有效应对用户数据稀疏的问题，但是基于随机游走的好友推荐主要根据用户相互间的社交关系来开展潜在好友关系搜索，未充分利用户属性信息来提升好友推荐的准确性。

发明内容

本发明所要解决的技术问题是现有社交网络好友推荐方法准确性不高的问题，提供一种融合贝叶斯推理和图上随机游走的好友推荐方法。

为解决上述问题，本发明是通过以下技术方案实现的：

一种融合贝叶斯推理和图上随机游走的好友推荐方法，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；

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；

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。

上述步骤1中，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。

上述步骤3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)