[发明专利]基于社团发现的好友推荐系统及其方法

说明书

本发明属于大数据和数据挖掘推荐系统技术领域，尤其是一种基于社团发现的好友推荐系统及其方法。本发明的系统包括：数据获取模块、数据处理模块、数据存储模块、业务逻辑模块、显示模块等五个模块。提出了一种基于社团发现的计算方法，根据用户的签到地理位置信息和共同好友数计算用户距离相似度和熟识度，再加入到LMF算法中进行社团划分，在产生的好友社团中，根据用户离散签到时间时，采用核密度估计算法计算用户24小时整体签到概率密度。再计算用户签到地点的地点相似度，建立用户时空相似度模型实现推荐。本发明解决用户兴趣多样性推荐的问题以及用户兴趣不断变化带来的推荐运算复杂度增长的问题，得到较传统的推荐技术更加灵活的推荐技术，提高了推荐质量。

技术领域

本发明设计大数据的数据挖掘推荐系统技术领域，尤其是一种基于社团发现的好友推荐系统及其方法。

背景技术

互联网的用户扮演起了越来越活跃的角色，特别是基于位置的服务与移动社会网络的发展，使得用户与用户之间的联系更加的紧密，也广泛的增加了人们的交际圈。用户趋向使用移动智能终端越发明显，如微信，微博和FaceBook等社交软件都有相应的移动端，且可以实时的分享当前位置信息和给出相应的评论。移动社会网络兼有社交网络和移动网络的特性，创造了一个新的社交方式，使网络和现实更为接近。移动社交网络主要特点在于增加了地理位置，用户可以对当前访问的兴趣点(如餐厅、电影院、旅游景点等)签到，并可以对好友分享自己的签到信息。兴趣点推荐服务旨在为用户推荐一些新的可能感兴趣的位置，根据用户的签到数据和好友关系来推荐与目标用户有相同偏好的用户。社交网络中的用户具有社会需求(拓宽朋友圈)和获取信息的需求。然而，传统的好友推荐算法很少有从用户活动时间相似性的角度考虑为目标用户推荐潜在好友。

目前个性化推荐技术在不同应用领域受到广泛关注，如电子商务网站为用户推荐商品、音乐平台为用户推荐音乐。随着社交网络和智能终端的普及，基于社交网络的推荐系统和移动推荐系统的研究得到越来越多的关注。推荐技术较好地解决了互联网信息过载的问题，方便用户快速且有效地找到自己所需要的信息和服务。由于兴趣点规模巨大，而每个用户访问的兴趣点数量有限，且每个人兴趣和习惯具有差异性，这也给用户好友推荐问题带来了新的挑战。

LFM算法是基于网络实际是由局部结构所组成这样一种假设，因此算法从局部社区开始，通过不断选取使得社区适应度函数f_G最大的节点，来扩大局部社区的规模，直至所有节点都被划分到相应的社区中：

和代表局部社区G内部和外部节点的度的总数，α是一个正实数值参数，控制社团数目的大小，经过Lancichinetti等人的实验发现，当α取值在0～0.5时，网络中几乎只有一个社区，即网络本身。当α>2时，会形成许多小的社区结构。

有了社区的适应度函数，某个节点A对于局部社区G的适应度贡献值定义为子图G包含节点A和不包含节点A的适应度值的变化量，公式如下：

其中f_G+{A}和f_G-{A}分别代表子图G包含节点A和不包含节点A的适应度值。Lancichinetti等人认为，若表示节点A加入社区G中增大了社区适应度值，对社区做出正贡献，应当被社区G包含。当表示节点A加入社区G中减小了社区适应度值，对社区做出负贡献，应当被G移除。