[发明专利]一种基于用户行为的个性化社区推荐方法

说明书

一种基于用户行为的个性化社区推荐方法，涉及到社交网络。是以社交网络微博作为平台，分析用户的多属性信息：静态属性和动态属性。首先，在计算用户相似度过程中，考虑微博用户所关注博主和所参与社区两方面，对传统的Jaccard相似度计算方法进行扩展得到用户相似集。然后从用户影响力角度出发对相似集进一步筛选。微博用户在社区中的影响力，不仅与其粉丝数量有关，而且与其微博被评论转发数量有关。基于此，改进传统的PageRank算法计算用户影响力。最后利用Top‑N将影响力大小排序得到最终推荐对象集。本算法经实验证明，有效地解决了传统的个性化推荐算法得出结果的不精确性问题，极大地提高了推荐的惊喜度和新颖性。

技术领域

本发明涉及社交网络及推荐系统，具体提供一种基于用户行为的个性化社区推荐方法。

背景技术

随着互联网及社交网络的快速发展和崛起，以用户为中心的信息生产模式引起了这些信息的爆炸式增长。面对如此浩瀚的海量信息的来袭，网络使用者如何选择、筛选、过滤自己喜欢的信息成为当下研究的重点。在社交平台，用户不仅是信息的消费者，又是信息的传递者和产生者。社交网络由巨大的网络用户通过自组织方式形成关系集合。网络使用者不断与用户交流，这些行为记录促成了大数据时代的到来。用户愿意在社交平台上分享自己的所想，并且可以搜到感兴趣的话题和志同道合的朋友。进而地，用户会对网络信息产生“依赖”。

当下，社交平台中的信息正飞速增进。Cashmore指出社会信息是通过用户不断被分享。使用者面临此类大量信息很难获得对自己有用的信息，进而形成了信息超载问题。因此在社交网络中给用户提供个性化的推荐服务模式，解决信息难以筛选的问题成了学术界研究的热点。个性化推荐系统可以实时记录使用者的行为变化调节服务的方式，可以解决上述问题。推荐系统中的协同过滤技术已在理论和实践中取得了重要成果。唐杰对ArnetMiner的研究取得了成功。先前研究者探究评分系统里使用者对项目的打分，把分数最高的推荐给该用户。在传统的个性化推荐方法中，某位用户对项目的偏爱程度是通过打分的方式来体现。例如，在经典的MovieLen中，电影爱好者可以对所看过的电影评分，因此，推荐系统主要对用户未曾打分电影的预测。

虽说个性化推荐在国内外已经普遍应用，而且也取得了不错的效果，然而还存在一些问题仍然需要进一步去解决，例如：1、数据稀疏性问题；2、冷启动问题；3、可移植性差问题；4、兴趣转移问题。

发明内容

本发明的目的是解决传统个性化推荐算法推荐结果不准确、新颖性不高的问题，在现有的Jaccard相似度计算方法和PageRank算法基础上进行优化改进，设计了一种基于用户行为的个性化社区推荐方法。该方法通过考虑用户多属性进行相似度的计算，然后利用用户转发微博行为评估影响力大小，最终推荐给目标用户。这极大地改善了推荐结果质量，提高了推荐新颖性，带给用户惊喜度。

本发明提供的一种基于用户行为的个性化社区推荐方法，主要包括如下关键步骤：

第1、目标用户属性及其行为分析：

第1.1、从微博社交平台爬取所需用户数据集合；

第1.2、对爬取到的数据进行筛选过滤，选出符合所需数据，处理并整合用户属性信息；

第1.3、数据分为训练集和测试集；

第2、目标用户相似度计算：

第2.1、遍历目标用户所关注博主集合；

第2.2、以及遍历目标用户所参与社区或讨论话题；

第2.3、利用如下扩展的Jaccard相似度计算公式得到相似用户集；

其中，F(u)指u关注的博主集合，F(v)指v关注的博主集合。C(u)是u参加过的社区，C(v)是v参加过的社区；